radioprom032020 by bortnikova

АО «ЦНИИ «Электроника» ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

НАУЧНЫЙ ЖУРНАЛ

ИЗДАЕТСЯ С 1991 ГОДА

Научный журнал «Радиопромышленность» публикует научные материалы по теоретическим и прикладным разработкам в радиопромышленности. В журнале публикуются материалы по приборостроению, метрологии, информационно- измерительным приборам и системам, радиолокации и радионавигации, радиотехнике и связи, информатике, вычислительной технике и управлению, организации и управлению предприятиями оборонно-промышленного комплекса. Журнал выходит ежеквартально. Журнал осуществляет научное рецензирование («двустороннее слепое») всех поступающих в редакцию материалов с целью экспертной оценки. Все рецензенты являются признанными специалистами по тематике рецензируемых материалов. Рецензии хранятся в издательстве и редакции в течение 5 лет. Редакция проверяет присланные материалы на заимствования и плагиат. Редакция направляет авторам представленных материалов копии рецензий или мотивированный отказ. Редакция оставляет за собой право не вступать в переписку с авторами статей, получившими мотивированный отказ в публикации. Материалы, переданные в редакцию, не возвращаются. Журнал придерживается стандартов редакционной этики в соответствии с международной практикой редактирования, рецензирования, изданий и авторства научных публикаций и рекомендациями Комитета по этике научных публикаций. Точка зрения редакции может не совпадать с мнением авторов. Журнал зарегистрирован в Федеральной службе по надзору за соблюдением законодательства в сфере массовых коммуникаций и охране культурного наследия (свидетельство ПИ № ФС77-41699 от 20 августа 2010 года). Журнал входит в Перечень российских рецензируемых научных журналов, в которых должны быть опубликованы основные научные результаты диссертаций на соискание ученых степеней доктора и кандидата наук (Перечень ВАК). Журнал индексируется и архивируется в Российском индексе научного цитирования (РИНЦ), РГБ, EBSCO, Directory of Open Access Journals (DOAJ). Журнал является членом Ассоциации научных редакторов и издателей (АНРИ) и CrossRef. Рукописи печатаются бесплатно. Требования к оформлению статей размещены на сайте www.radioprom.org. Ответственность за наличие в присланных материалах данных, не подлежащих открытой публикации, несут авторы. Ответственность за содержание рекламных материалов несут рекламодатели. При перепечатке материалов ссылка на журнал «Радиопромышленность» обязательна. Полное или частичное воспроизведение в СМИ материалов, опубликованных в журнале, допускается только с разрешения редакции. Материалы журнала доступны по лицензии Creative Commons “Attribution” («Атрибуция») 4.0 Всемирная

Т. 30, № 3. 2020 Учредитель и издатель АО «ЦНИИ «Электроника» Генеральный директор, главный редактор Алёна Фомина instel@instel.ru +7 (495) 940‑65‑00 Руководитель издательского отдела Полина Корсунская korsunskaya_p@instel.ru +7 (495) 940-65-24 Выпускающий редактор Елена Басова redaktor@instel.ru +7 (495) 940‑65‑24 Реклама Полина Корсунская korsunskaya_p@instel.ru +7 (495) 940-65-24 Распространение и подписка Вероника Филиппова filippova_v@instel.ru +7 (495) 940‑65‑46 Корректор Анастасия Каршакевич Компьютерная верстка Григорий Арифулин Адрес редакции 127299, г. Москва, ул. Космонавта Волкова, д. 12 +7 (495) 940‑65‑00 www.instel.ru instel@instel.ru Подписка В редакции publish@instel.ru +7 (495) 940‑65‑46 Агентство «Роспечать» Индекс 25885 (каталог «Газеты. Журналы») Агентство «Почта России» Индекс ПР204 Агентство «Урал-Пресс» www.ural-press.ru +7 (495) 961‑23‑62 Подписано в печать 24.08.2020. Отпечатано в ООО «КАПЛИ ДОЖДЯ».

CRI Electronics ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

RADIO INDUSTRY (RUSSIA) (Radiopromyshlennost)

SCIENTIFIC JOURNAL

PUBLISHED FROM 1991

«Radio industry (Russia)» publishes scientific materials on theoretical and applied developments in radio industry. The journal welcomes materials exploring the following problems: instrumentation, metrology, information-measuring devices and systems, radiolocation and radio navigation, radio engineering and communications, computer science, computer technology and management, organization and management of enterprises of the military-industrial complex. The journal is published quarterly. For complex expert evaluation all manuscripts undergo «double-blind» review. All reviewers are acknowledged experts in areas they are responsible for. Reviews are stored in the publishing house and publishing office during 5 years. Editorial staff checks all incoming manuscripts on plagiarism. Editorial staff sends to the authors of the submitted materials copies of reviews or a substantiated refusal. Editorial staff does not correspond with authors, whose articles are considered unsuitable for the publication. Manuscripts sent to the editor will not be returned. The journal is registered in Russian Index of Scientific Citations and submits information about the published articles to Russian Index of Scientific Citations. The opinions expressed by authors in the journal do not necessarily reflect those of the Editorial Staff. The journal is registered at the Federal Service for Compliance with the Law in Mass Communications and Cultural Heritage Protection (Certificate PI № FS77-41699 of August 20th, 2010). The journal is listed in the catalogue of peer-reviewed academic journals and publications for publishing of principal scientific findings of dissertations. The journal is indexed and archived by Russian Index of Scientific Citations, Russian State Library (RSL), EBSCO, Directory of Open Access Journals (DOAJ). The journal is a member of CrossRef and ASEP. Manuscripts are published free of charge. Requirements for articles are available on the website www.radioprom.org. Authors are responsible for classified information in their articles. Advertisers are responsible for the content of advertisements.

Vol. 30, no. 3. 2020 Founder and publisher Central Research Institute of Economy, Management Systems and Information «Electronics» General director, Editor in Chief Alena Fomina instel@instel.ru +7 (495) 940‑65‑00 Head of publish department Polina Korsunskaya korsunskaya_p@instel.ru +7 (495) 940-65-24 Managing editor Elena Basova redaktor@instel.ru +7 (495) 940‑65‑24 Advertising Polina Korsunskaya korsunskaya_p@instel.ru +7 (495) 940-65-24 Distribution and subscribtion Veronika Filippova filippova_v@instel.ru +7 (495) 940‑65‑46 Proofreader Anastasia Karshakevich Design Grigory Arifulin Editorial office 127299, Moscow, Kosmonavta Volkova st., 12 +7 (495) 940‑65‑00 www.instel.ru instel@instel.ru Subscribtion publish@instel.ru +7 (495) 940‑65‑46 Signed to print 24.08.2020.

All the materials of the «Radio industry (Russia)» journal are available under Creative Commons «Attribution» 4.0 license

Printed in Raindrops Ltd.

АО «ЦНИИ «Электроника» ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

НАУЧНЫЙ ЖУРНАЛ

ИЗДАЕТСЯ С 1991 ГОДА

Т. 30, № 3. 2020

ГЛАВНЫЙ РЕДАКТОР Фомина Алёна Владимировна – доктор экономических наук, доцент, член-корреспондент Академии военных наук, генеральный директор АО «ЦНИИ «Электроника», ORCID: https://orcid.org/0000-0002-5853-0309, instel@instel.ru (Москва, Россия) РЕДАКЦИОННЫЙ СОВЕТ Агеев Александр Иванович – доктор экономических наук, профессор, эксперт РАН, генеральный директор Института экономических стратегий РАН и Международного научно-исследовательского института проблем управления, ORCID: https://orcid.org/0000-0002-2826-2702, ines@inesnet.ru (Москва, Россия) Анцев Георгий Владимирович – кандидат технических наук, доцент, генеральный директор – генеральный конструктор АО «НПП «Радар ммс», radar@radar-mms.com (Санкт-Петербург, Россия) Афанасьев Александр – кандидат технических наук, доцент, Флоридский международный университет, ORCID: http://orcid.org/0000‑0003‑0420‑1267, aa@cs.fiu.edu (Майами, США) Балашов Виктор Михайлович – доктор технических наук, профессор, заместитель генерального конструктора по программно-целевому развитию АО «НПП «Радар ммс», ORCID: https://orcid.org/0000-0003-4642-5701, balashov_vm@radar-mms.com (Санкт-Петербург, Россия) Батьковский Александр Михайлович – доктор экономических наук, советник генерального директора АО «ЦНИИ «Электроника», ORCID: https://orcid.org/0000-0002-5145-5748, batkovskiy_a@instel.ru (Москва, Россия) Белоус Анатолий Иванович – доктор технических наук, профессор, член-корреспондент НАН Беларуси, заместитель генерального директора по науке и маркетингу ОАО «ИНТЕГРАЛ», office@integral.by (Минск, Республика Беларусь) Богословский Сергей Владимирович – доктор технических наук, профессор, заместитель директора научно-производственного комплекса «Микроэлектроники, микросистемотехники и нанотехнологий» АО «НПП «Радар ммс», radar@radar-mms.com (Санкт-Петербург, Россия) Бутаев Михаил Матвеевич – доктор технических наук, профессор, ученый секретарь АО «НПП «Рубин», mail@npp-rubin.ru (Пенза, Россия) Жибуртович Николай Юрьевич – доктор технических наук, профессор, руководитель группы координации перспективных научных исследований АО «Корпорация Фазотрон-НИИР», info@phazotron.com (Москва, Россия) Зозуля Юрий Викторович – доктор экономических наук, профессор, руководитель представительства в Новосибирской области ГК «Ростех» (Новосибирск, Россия) Исаев Вячеслав Михайлович – доктор технических наук, профессор, заместитель директора ФГУП «МНИИРИП», info@mniirip.ru (Москва, Россия) Канащенков Анатолий Иванович – доктор технических наук, профессор, главный конструктор АО «Корпорация «Фазотрон-НИИР», info@phazotron.com (Москва, Россия) Козлов Геннадий Викторович – доктор физико-математических наук, профессор, заместитель руководителя Аппарата генерального директора – руководитель секретариата АО «Концерн ВКО «Алмаз-Антей», antey@almaz-antey.ru (Москва, Россия) Красников Геннадий Яковлевич – академик РАН, доктор технических наук, профессор, генеральный директор АО «НИИМЭ», gkrasnikov@niime.ru (Москва, Россия) Красовский Виктор Евгеньевич – кандидат технических наук, профессор, ученый секретарь ПАО «ИНЭУМ им. И. С. Брука», ineum@ineum.ru (Москва, Россия) Курносов Валерий Игоревич – доктор технических наук, профессор, заместитель генерального директора по научной работе АО «НИИ «Рубин», inforubin@rubin-spb.ru (Санкт-Петербург, Россия) Левитас Борисас – кандидат технических наук, директор Geozondas Ltd., levitas@geozondas.com (Вильнюс, Литва) Мазин Анатолий Викторович – доктор технических наук, профессор, заведующий кафедрой «Защита информации» Калужского филиала МГТУ им. Н.Э. Баумана, u6-kf@bmstu-kaluga.ru (Калуга, Россия) Махутов Николай Андреевич – член-корреспондент РАН, доктор технических наук, профессор, председатель рабочей группы при президенте РАН по анализу риска и проблем безопасности, kei51@mail.ru (Москва, Россия) Николашин Юрий Львович – кандидат технических наук, генеральный директор ПАО «Интелтех», генеральный конструктор системы управления ВМФ, intelteh@inteltech.ru (Санкт-Петербург, Россия) Петричкович Ярослав Ярославович – доктор технических наук, профессор, генеральный директор АО НПЦ «ЭЛВИС», e-mail: secretary@elvees.com (Москва, Россия) Сазонов Андрей Юрьевич – кандидат физико-математических наук, ведущий радиоконструктор Scanreco AB, info@scanreco.com (Скархолмен, Швеция) Сигов Александр Сергеевич – академик РАН, доктор физико-математических наук, профессор, президент ФГБОУ ВО «МИРЭА – Российский технологический университет», sigov@mirea.ru (Москва, Россия) Смирнов Павел Игоревич – кандидат технических наук, доцент, генеральный директор АО «НИИ «Масштаб», info@mashtab.org (Санкт-Петербург, Россия) Сорокин Сергей Александрович – доктор технических наук, генеральный конструктор АО «НИИВК им. М.А. Карцева», postoffice@niivk.ru (Москва, Россия) Топфер Ханнес – доктор технических наук, профессор, заместитель директора Института информационных технологий, Hannes.Toepfer@tu-ilmenau.de (Ильменау, Германия) Хохлов Сергей Владимирович – генеральный директор ФГУП «ГосНИИАС», e-mail: info@gosniias.ru (Москва, Россия) Шахнов Вадим Анатольевич – член-корреспондент РАН, доктор технических наук, профессор, заведующий кафедрой «Проектирование и технология производства электронной аппаратуры» МГТУ им. Н. Э. Баумана (Москва, Россия) Якунин Александр Сергеевич – кандидат социологических наук, генеральный директор АО «Воентелеком», info@voentelecom.ru (Москва, Россия)

CRI Electronics ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

RADIO INDUSTRY (RUSSIA) (Radiopromyshlennost)

SCIENTIFIC JOURNAL

PUBLISHED FROM 1991

Vol. 30, no. 3. 2020

EDITOR IN CHIEF Alena V. Fomina – D.Sc. (Economics), Associate Professor, Corresponding Member of Russian Academy of Military Sciences, General Director of Central Research Institute of Economy, Management Systems and Information «Electronics», ORCID: https://orcid.org/0000-00025853-0309, instel@instel.ru (Moscow, Russia) EDITORIAL COUNCIL Alexander I. Ageev – D.Sc. (Economics), General Director of Institute for Economic Strategies, ORCID: https://orcid.org/0000-0002-28262702, ines@inesnet.ru (Moscow, Russia) Georgy V. Antsev – Ph.D. (Engineering), Associate Professor, General Director – General Designer of the Research and Production Enterprise «Radar mms», radar@radar-mms.com (Saint-Petersburg, Russia) Alexander Afanasyev – P h.D. (Computer Science), Assistant Professor, Florida International University, ORCID: http://orcid.org/0000‑0003‑0420‑1267, aa@cs.fiu.edu (Miami, USA) Viсtor M. Balashov – D.Sc. (Engineering), Professor, Deputy General Designer of the Research and Production Enterprise «Radar mms» for Program-Target Development, ORCID: https://orcid.org/0000-0003-4642-5701, balashov_vm@radar-mms.com (Saint-Petersburg, Russia) Alexander M. Batkovskiy – D.Sc. (Economics), Advisor to the General Director of Central Research Institute of Economy, Management Systems and Information «Electronics», ORCID: https://orcid.org/0000-0002-5145-5748, batkovskiy_a@instel.ru (Moscow, Russia) Anatoly I. Belous – D.Sc. (Engineering), Professor, Corresponding Member of the National Academy of Sciences of Belarus, Deputy General Director of Joint-stock company «INTEGRAL» for Science and Marketing, office@integral.by (Minsk, Republic of Belarus) Sergey V. Bogoslovsky – D.Sc. (Engineering), Professor, Deputy Director of the Research and Production Complex «Microelectronics, Microsystems and Nanotechnologies» of the Research and Production Enterprise «Radar mms», radar@radar-mms.com (Saint-Petersburg, Russia) Mikhail M. Butaev – D.Sc. (Engineering), Professor, Scientific Secretary of the Research and Production Enterprise «Rubin», mail@npp-rubin.ru (Penza, Russia) Nikolay Yu. Zhiburtovich – D.Sc. (Engineering), Professor, Head of the Coordinating Group for Advanced Scientific Research of Corporation «Phazotron-Scientific Research Institute of Radio», info@phazotron.com (Moscow, Russia) Yuriy. V. Zozulya – D.Sc. (Economics), Professor, Head of the Novosibirsk Representative Office of the State Corporation «Rostec» (Novosibirsk, Russia) Vyacheslav M. Isaev – D.Sc. (Engineering), Professor, Deputy Director of Federal state unitary enterprise «Mytishchi Scientific Research Institute of Radio Measuring Instruments», info@mniirip.ru (Moscow, Russia) Anatoly I. Kanaschenkov – D.Sc. (Engineering), Professor, Chief Designer of Corporation «Phazotron-Scientific Research Institute of Radio», info@phazotron.com (Moscow, Russia) Gennady V. Kozlov – D.Sc. (Phys.-Math.), Professor, Deputy Head of the General Director’s Office – Head of the Secretariat of Joint-stock company «Almaz–Antey» Air and Space Defence Corporation», antey@almaz-antey.ru (Moscow, Russia) Gennady Ya. Krasnikov – Academician of the Russian Academy of Sciences, D.Sc. (Engineering), Professor, General Director of Molecular Electronics Research Institute, gkrasnikov@niime.ru (Moscow, Russia) Viktor E. Krasovsky – Ph.D. (Engineering), Professor, Scientific Secretary of Institute of Electronic Control Computers named after I. S. Brook, ineum@ineum.ru (Moscow, Russia) Valery I. Kurnosov – D.Sc. (Engineering), Professor, Deputy Director General for Research of Rubin Research Institute, inforubin@rubin-spb. ru (Saint-Petersburg, Russia) Borisas Levitas – Ph.D. (Engineering), Director of Geozondas Ltd., levitas@geozondas.com (Vilnius, Lithuania) Anatoliy V. Mazin – D.Sc. (Engineering), Professor, Head of Data Protection Department of Bauman Moscow State Technical University (Kaluga), iu6-kf@bmstu-kaluga.ru (Kaluga, Russia) Nikolay A. Makhutov – Corresponding Member of the Russian Academy of Sciences, D.Sc. (Engineering), Professor, Chairman of the Working Group under the President of the Russian Academy of Sciences on Risk Analysis and Security Problems, kei51@mail.ru (Moscow, Russia) Yuriy L. Nikolashin – Ph.D. (Engineering), General Director of Public Joint-stock company «Inteltech», General Designer of Russian Navy Management System, intelteh@inteltech.ru (Saint-Petersburg, Russia) Yaroslav Ya. Petrichkovich – D.Sc. (Engineering), Professor, General Director of ELVEES Research and Development Center, e-mail: secretary@elvees.com (Moscow, Russia) Andrey Yu. Sazonov – Ph.D. (Engineering), Leading Radio Designer of Scanreco AB, info@scanreco.com (Skarholmen, Sweden) Alexander S. Sigov – Academician of the Russian Academy of Sciences, D.Sc. (Phys.-Math.), Professor, President of MIREA – R ussian Technological University (RTU MIREA), sigov@mirea.ru (Moscow, Russia) Pavel I. Smirnov – Ph.D. (Engineering), General Director of Masshtab Research Institute, info@mashtab.org (Saint-Petersburg, Russia) Sergey А. Sorokin – D.Sc. (Engineering), General Designer of M. A. Kartsev R&D Institute for Computer Complexes, postoffice@niivk.ru (Moscow, Russia) Hannes Toepfer – D.Sc. (Engineering), Full Professor, Head of Advanced Electromagnetics Group, Deputy Director of Institute of Information Technology, Vice Dean, Hannes.Toepfer@tu-ilmenau.de (Ilmenau, Germany) Sergey V. Khokhlov – General Director of GosNIIAS, info@gosniias.ru (Moscow, Russia) Vadim A. Shakhnov – C orresponding Member of the Russian Academy of Sciences, D.Sc. (Engineering), Professor, Head of Computer Science and Control Systems Department of Bauman Moscow State Technical University, shakhnov@bmstu.ru, (Moscow, Russia) Alexander S. Yakunin – Ph.D. (Sociology), General Director of Joint-stock company «Voentelecom», info@voentelecom.ru (Moscow, Russia)

АО «ЦНИИ «Электроника»

РАДИОПРОМЫШЛЕННОСТЬ www.radioprom.org DOI: 10.21778/2413-9599-2020-30-2

Т. 30, № 3. 2020 ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

СОДЕРЖАНИЕ Компетенции и ресурсы частного бизнеса и государства должны объединиться на благо отрасли........................................... 7

ИССЛЕДОВАНИЯ И РАЗРАБОТКА РАДИОЭЛЕКТРОННОЙ АППАРАТУРЫ И СИСТЕМ Боев С. Ф., Логовский А. С., Казанцев А. М., Ивойлова А. В., Тимошенко А. В., Тришкин П. Н.. Применение сетевой модели на основе многовариантных графов с динамической структурой для формирования планов-графиков создания радиолокационных станций дальнего обнаружения........................................................................ 8 Жданов А. С., Матвеев С. А., Петров Ю. В., Рудыка С. А., Страхов С. Ю., Сухов Т. М.. Повышение вероятности распознавания цели по двумерному изображению с датчика видимого диапазона комплекса для обеспечения поисково-спасательных операций в условиях Арктики...........................................................................21

Асадов Х. Г., Маммадли Р. Ш.. Метод условной пространственной интерполяции для обнаружения минимально загрязненных зон при точечных аэрозольных выбросах в городскую атмосферу......................................................................................... 57 Евглевская Н. В., Зуев А. Ю., Карасенко А. О., Лаута О. С.. Сравнительный анализ эффективности существующих методов защиты сетей связи от DDoS-атак..................................................................................... 67 Макаренко А. А., Винокуров Л. А.. Алгоритмы цифровой обработки изображений в задачах визуальной навигации беспилотного воздушного судна............................................................................. 75 Матвеев С. А., Жуков Ю. А., Коротков Е. Б., Широбоков О. В., Надежин М. И., Ладыгин А. П.. Обзор методов диагностики электронасосных агрегатов спутниковых платформ................................................................... 86

Прядко С. А., Трошин А. Ю., Козлов В. Д., Иванов А. Е.. Параллельные технологии программирования на вычислительных комплексах..................................................... 28

Пальгуев Д. А., Шентябин А. Н.. Матричный метод обработки массивов радиолокационных данных при третичной обработке....................................................99

Рыбаков С. А., Поляков Н. Ю.. Виртуализация подсистемы ввода-вывода микропроцессоров «Эльбрус»..........................................................34

Пальмов С. В.. Исследование возможностей аналитической системы на основе метода машинного обучения.......................................112

Хорошавин В. С., Грудинин В. С.. Оптимальное программное движение с изменяемым временем регулирования.................................................................40

Скрыль С. В., Винокуров С. А., Ходырев Т. Б., Мазин А. В., Холод Д. А.. Математические модели характеристик своевременности реагирования на проникновение в охраняемую зону при блокировании информации в комплексах физической защиты...........................................................................................127

ТЕХНОЛОГИИ И ПРОИЗВОДСТВО Андреев В. А., Бульхин А. К., Попов Б. В., Попов В. Б.. Сравнительный анализ экранирующих характеристик сигнальноблокировочных кабелей для железнодорожного транспорта..... 50

ПРАВИЛА ПРЕДСТАВЛЕНИЯ СТАТЕЙ.......... 135

CRI Electronics

RADIO INDUSTRY (RUSSIA)

Vol. 30, no. 3. 2020

(Radiopromyshlennost) www.radioprom.org DOI: 10.21778/2413-9599-2020-30-2

ISSN 2413–9599 (Print) ISSN 2541–870Х (Online)

CONTENTS Private and public sector should combine their skills and resources for the benefit of the industry........................................ 7

RESEARCH AND DEVELOPMENT OF RADIOELECTRONIC EQUIPMENT AND SYSTEMS Boev S. F., Logovsky A. S., Kazantsev A. M., Ivoylova A. V., Timoshenko A. V., Trishkin P. N.. Application of a network model based on multivariate graphs with a dynamic structure for generating network schedules for the creation of early warning radar stations.................................... 8 Zhdanov A. S, Matveev S. A., Petrov Yu., Rudyka S. A., . Strakhov S. Yu., V., Sukhov T. M.. Increasing the probability of recognizing a target using a two-dimensional image from the sensor of the visible range of the onboard complex of information support for search and rescue operations in the Arctic...................................21 Pryadko S. A., Troshin A. Y., Kozlov V. D., Ivanov A. E.. Parallel programming technologies on computer complexes............ 28 Rybakov S. A., Polyakov N. Yu.. Input/output virtualization of Elbrus microprocessors........................34 Khoroshavin V. S., Grudinin V. S.. Optimal programmed movement with variable control times..............40

TECHNOLOGIES AND PRODUCTION Andreev V. A., Bulkhin A. K., Popov B. V., Popov V. B.. Comparative analysis of shielding characteristics of signal-blocking cables for railway transport................................. 50

Asadov H. H., Mammadli R. Sh.. Conditional spatial interpolation method for detecting minimally polluted areas with selective aerosol emissions to the city atmosphere......................................................................................... 57 Evglevskaya N. V., Zuev A. Yu., Karasenko A. O., Lauta O. S.. Comparative analysis of the effectiveness of existing methods of networks security from DDoS attacks............................................. 67 Makarenko A. A., Vinokurov L. A.. Digital image processing algorithms for visual navigation of an unmanned aircraft..................................................................... 75 Matveev S. A., Zhukov Y. A., Korotkov E. B., Nadezhin M. I., Shirobokov O. V., Ladygin A. P.. Overview of diagnostic methods for electric pump units of satellite platforms.......................................................................... 86 Palguyev D. A., Shentyabin A. N.. Matrix application for multi-radar processing of radar data arrays.........................................................................................99 Palmov S. V.. Studying the capabilities of the analytical system based on the machine learning method.....................................................112 Skryl S. V., Vinokurov S. A., Khodyrev T. B., Mazin A. V., . Kholod D. A.. Mathematical models of characteristics of timely response to penetration into a protected area by blocking information in physical protection complexes....................................................127

RULES FOR SUBMITTING ARTICLES............... 135

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Компетенции и ресурсы частного бизнеса и государства должны объединиться на благо отрасли Долгое время в России единственным инвестором радиоэлектронной промышленности выступало государство. Впоследствии стало очевидно, что без привлечения частного капитала развитие отрасли невозможно. Это подтверждает и зарубежный опыт: государство и бизнес, как правило, делят вложения. Основную поддержку инвестиционного цикла обеспечивает государство, а внебюджетные средства выделяют производственные консорциумы. При этом государство должно обеспечить гарантии участия в инвестиционных проектах радиоэлектронной промышленности и реализовать эффективный механизм стимулирования бизнеса. Власти Китая, например, гарантировали производителям прибыль, поэтому частные инвесторы вкладывали деньги в рискованные проекты, понимая, что государство позволит на них заработать. Южная Корея шла по другому пути: она обеспечивала производителям гарантированный спрос. Инвестор сохраняет заинтересованность в успехе проекта, зная, что будет обеспечен сбыт. Проведя большую работу по оценке наиболее эффективной модели для России, эксперты пришли к выводу, что для российской стратегии развития радиоэлектронной промышленности будет наиболее эффективна модель создания гарантированного

спроса. Сегодня государственно-частное партнерство реализуется в рамках федеральных целевых программ, которые предусматривают смешанное финансирование проектов за счет бюджетных и внебюджетных источников. Консолидация усилий, в том числе в формате консорциумов, будет способствовать объединению компетенций и ресурсов, что позволит российским организациям действовать более автономно и успешно конкурировать на мировом рынке. Уже созданы консорциумы по электронной компонентной базе, телекоммуникационному оборудованию, вычислительной технике, консорциумы разработчиков и производителей медицинской техники. Кстати, пандемия показала, что российские разработки электротехнического кластера в сфере медицинских технологий весьма востребованы за рубежом. Изменившиеся условия стимулируют развитие отечественной радиоэлектронной промышленности и позволяют активнее выходить на международный рынок. Вместе с тем любые инвестиции будут бесполезны без квалифицированных специалистов. Не секрет, что большинство выпускников технических специальностей нуждаются в дополнительном обучении на базе организации-работодателя из-за несоответствия программы вузов российским реалиям. Необходимо модернизировать образовательный процесс таким образом, чтобы образование и профессиональная подготовка были «сквозными» – начинались в вузе и продолжались на предприятии. Совершенствование механизмов взаимодействия государства и бизнеса, в том числе и в области высшего и специального образования, является приоритетным долгосрочным направлением – разумеется, наряду с расширением отраслевой инфраструктуры радиоэлектронной промышленности, модернизацией производственной базы и внедрением новых инструментов финансовой поддержки отрасли. Модель партнерства государства и частных инвесторов показала себя как более надежная и эффективная по сравнению с абсолютным преобладанием государства или свободным развитием рынка – такой подход позволяет соблюсти баланс интересов. Государство в данной модели выступает не только как полноправный партнер и инвестор, но также обеспечивает контроль исполнения обязательств и паритет финансового результата и стратегических целей. А. В. Фомина, доктор экономических наук, главный редактор журнала «Радиопромышленность»

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

ИССЛЕДОВАНИЯ И РАЗРАБОТКА РАДИОЭЛЕКТРОННОЙ АППАРАТУРЫ И СИСТЕМ / RESEARCH AND DEVELOPMENT OF RADIO-ELECTRONIC EQUIPMENT AND SYSTEMS DOI: 10.21778/2413‑9599‑2020‑30‑3-8-20 УДК 519.876, 621.396

Применение сетевой модели на основе многовариантных графов с динамической структурой для формирования плановграфиков создания радиолокационных станций дальнего обнаружения С. Ф. Боев1, А. С. Логовский2, А. М. Казанцев2, А. В. Ивойлова2, 3, А. В. Тимошенко2, П. Н. Тришкин2 1

ПАО «Межгосударственная акционерная корпорация «Вымпел» (ПАО «МАК «Вымпел»), Москва, Россия «Радиотехнический институт имени академика А. Л. Минца», Москва, Россия 3 ФГАОУ ВО «Московский физико-технический институт (национальный исследовательский университет)», Москва, Россия 2 АО

Процесс создания современных радиолокационных станций дальнего обнаружения (РЛС ДО) характеризуется минимизацией стоимости и времени проведения работ при необходимости снижения рисков, связанных с применением новых технических решений. В статье рассмотрен вариант типового представления сетевого плана-графика создания РЛС ДО. Отмечено, что составленный таким образом план-график является некоторым приближением к реально выполняемым работам, в результате чего необходимые проектные решения по корректировке процесса создания РЛС ДО принимаются с опозданием. Применение сетевой модели предложено для эффективного управления процессом создания РЛС ДО и формирования сетевых планов-графиков как отдельных этапов, так и всего проекта в целом. На основе анализа унифицированного ряда радиолокационных станций дальнего обнаружения отмечено, что сетевая модель для снижения рисков создания РЛС ДО должна учитывать как многовариантность выполнения решаемых задач, так и неопределенности параметров выполняемых работ. Рассмотрены основные особенности предложенной модели. В качестве примера показано применение предложенной сетевой модели при проектировании радара для комплексного исследования атмосферы. В ходе исследований было рассмотрено несколько вариантов реализации радара и выбран оптимальный по предложенным критериям. Ключевые слова: радиолокационная станция дальнего обнаружения, сетевая модель, сетевой план-график, неопределенность, оптимальный вариант, НР-МСТ Для цитирования: Применение сетевой модели на основе многовариантных графов с динамической структурой для формирования планов-графиков создания радиолокационных станций дальнего обнаружения / С. Ф. Боев, А. С. Логовский, А. М. Казанцев, А. В. Ивойлова, А. В. Тимошенко, П. Н. Тришкин // Радиопромышленность. 2020. Т. 30, № 3. С. 8–20. DOI: 10.21778/24139599-2020-30-3-8-20 © Боев С. Ф., Логовский А. С., Казанцев А. М., Ивойлова А. В., Тимошенко А. В., Тришкин П. Н., 2020

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Application of a network model based on multivariate graphs with a dynamic structure for generating network schedules for the creation of early warning radar stations S. F. Boev1, A. S. Logovsky2, A. M. Kazantsev2, A. V. Ivoylova2, 3, A. V. Timoshenko2, P. N. Trishkin2 1

Vympel PJSC, Moscow, Russia Academician A. L. Minz Radiotechnical Institute, Moscow, Russia 3 Moscow Institute of Physics and Technology, Moscow, Russia 2

The process of creating modern early warning radar stations is characterized by minimizing the cost and time of work at the same time by reducing the risks associated with the use of new technical solutions. The article considers a variant of a typical representation of a network schedule for creating an early warning radar stations. It is noted that the schedule drawn up in this way is some approximation to the actual work being performed, as a result of which the necessary design decisions to adjust the process of creating early warning radar stations are taken late. The use of a network model is proposed for effective management of the radar creation process and the formation of network schedules for both individual stages and the entire project as a whole. Based on the analysis of a unified range of early warning radar stations, it is noted that the network model for reducing the risks of creating a radar should take into account both the multivariance of the tasks to be solved and the uncertainty of the parameters of the work performed. The main features of the proposed model are considered. The implementation of the proposed network model in the design of radar design for complex atmospheric research is shown as an example. During the research, several variants of radar implementation were considered and the optimal one was selected according to the proposed criteria. Key words: early warning radar, network model, network schedule, uncertainty, the best option, IS-MST For citation: Boev S. F., Logovsky A. S., Kazantsev A. M., Ivoylova A. V., Timoshenko A. V., Trishkin P. N. Application of a network model based on multivariate graphs with a dynamic structure for generating network schedules for the creation of early warning radar stations. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 8–20. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-8-20

Введение Современные радиолокационные станции дальнего обнаружения (РЛС ДО) являются многофункциональными информационными средствами, способными решать задачи оценки обстановки в зоне ответственности и представляют собой сложные аппаратно-программные комплексы функционально-блочной структуры. В процессе их создания применяется весь спектр инновационных технологий и технических решений, воплощающих современные достижения в области информационных технологий радиоэлектронных систем. Ключевым моментом при создании новых РЛС ДО является требование одновременного решения таких противоречивых задач, как необходимость сокращения стоимости и сроков изделия при количественном и/или качественном улучшении тактико-технических характеристик по сравнению с ранее созданными образцами. Это обуславливает необходимость поиска и использования новых технических и конструктивных решений, применение

которых увеличивает риски своевременной и качественной разработки РЛС [1]. Постановка задачи В настоящее время процесс создания радиолокационных станций дальнего обнаружения регламентируется ГОСТ и нормативными документами, на основе которых составляется единый сквозной план создания РЛС ДО изделия, в том числе планграфик выполнения опытно-конструкторских работ. Форма и содержание данных документов строго определены ГОСТ и в основном представляют собой таблицу с данными по проекту. Однако на практике используется более удобная форма представления плана-графика работ в виде перечня и последовательности задач и взаимосвязи между ними – д иаграмма Ганта. Необходимо также отметить, что процесс проектирования и создания РЛС ДО сопряжен с разного рода неопределенностями, которые являются причиной возникновения рисков. Под

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 неопределенностью будем понимать неполноту и неточность информации о процессе создания РЛС ДО, в т. ч. по параметрам разработки инновационных технических решений, наличие субъективных экспертных оценок при принятии решений [2]. Основными причинами появления в процессе создания РЛС ДО неопределенности могут быть:

ДО принимаются с опозданием, что может привести к срыву сроков выполнения как этапа, так и всего проекта по созданию изделия. В результате данные обстоятельства приводят к необходимости совершенствования существующего научно-методического аппарата планирования и управления процессом разработки РЛС ДО.

• наличие различных потенциальных вариантов реализации одного и того же процесса, при этом выбор одного из вариантов по ряду причин не может быть сделан на начальных этапах проектирования системы; • различные погрешности, ошибки при расчетах и др.; • плохо формализуемые действия человека, участвующего в контуре управления, и субъективность его действий при принятии решений; • нечеткость полученной у специалистов информации, описывающей состояние объекта.

Сетевая модель создания РЛС ДО С точки зрения теории организации планирования и управления процессами создания сложных технических систем, требующими комплексирования большого числа разнородных и разноплановых работ, наиболее близкими к задаче создания РЛС ДО являются методы сетевого планирования [4]. На рис. 1 в обобщенной форме показаны основные этапы сетевого планирования – структурное планирование и календарное (временное) планирование [5]. На первом этапе определяются отдельные процессы, составляющие процесс создания сложной системы, их последовательность и длительность. Далее проект представляется в виде графа и на его основе выполняются вычисления, в результате которых составляется временной график реализации проекта. Ключевым звеном при таком подходе к организации планирования и управления создания сложной технической системы является построение сетевой модели. Под сетевой моделью будем понимать экономико-математическую модель, отражающую весь комплекс работ и событий, связанных с созданием РЛС ДО в их логической и технологической последовательности [6]. Сетевая модель позволяет проводить оценку процессов создания сложных систем и вносить корректировки в структуру проекта еще до момента его реализации. Более того, она играет огромную роль при разработке календарного плана выполнения процесса создания сложной системы [7], который может быть представлен как в виде таблицы, так и более наглядно в виде диаграммы Ганта или диаграммы контрольных событий. Таким образом, можно сделать вывод, что для эффективного управления созданием радиолокаци-

Таким образом, составленный с учетом вышеуказанных неопределенностей план-график не всегда соответствует реально выполняемым работам. Практика создания радиолокационных станций дальнего обнаружения показала, что к числу наиболее существенных недостатков типовых представлений плана создания РЛС ДО в виде диаграммы Ганта в условиях неопределенностей следует отнести следующие: • статичность: диаграмма не отражает динамики процесса и требует его постоянного мониторинга и контроля, • контрольные точки (вехи) плана, как и другие границы, являются детерминированными календарными датами, что не позволяет количественно определить, насколько сдвиг одной контрольной точки приводит к сдвигу всего проекта. При этом управление созданием РЛС ДО сводится к мониторингу текущего состояния проекта [3]. В результате необходимые проектные решения по корректировке процесса создания РЛС

Сетевая модель / Network model Исходные данные / Initial data

Оптимизация модели, нахождение критического пути проекта / Optimizing the model, finding the critical path of the project

Процессы проекта / Project processes

Временной график / Time schedule

Время / Time

Рисунок 1. Основные этапы сетевого планирования Figure 1. Key steps in network planning

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 онных станций дальнего обнаружения и формирования календарных планов-графиков как отдельных этапов, так и всего проекта в целом требуется разработка сетевой модели создания РЛС ДО. Анализ проектов по созданию радиолокационных станций дальнего обнаружения на протяжении последних лет позволил определить перечень факторов, которые должны учитываться при разработке сетевой модели создания РЛС ДО: 1. Работы в сетевой модели оцениваются на основе экспертных оценок и аналогичных ранее выполнявшихся работ. При этом параметры работ характеризуются интервальными значениями в виде w = [wmin, wmax]. 2. Возможны различные варианты выполнения определенной работы или целого технологического процесса, которые известны заранее. Кроме того, в процессе создания РЛС ДО возможны случаи отказа от планируемых решений: • в связи с недостижимостью требуемых проектом характеристик; • в связи со значительными превышениями сроков и стоимости проекта; • в связи с технологическими или другими ограничениями. Решением может стать как изменение технологической цепочки и выбор варианта реализации проекта из возможных альтернатив, так и появление новых решений (работ). Данные обстоятельства приводят к тому, что сетевая модель создания РЛС ДО должна учитывать достоинства как альтернативных сетевых моделей, позволяющих описывать многовариантные процессы создания сложных технических систем [8], так и динамических графов, учитывающих возможные изменения сетевой модели [9, 10]. В результате сетевая модель создания радиолокационных станций дальнего обнаружения с учетом возможных вариантов неопределенностей процесса разработки станции, а также того, что каждая РЛС ДО – это уникальный образец, создаваемый в единственном экземпляре, может быть представлена в следующем виде. Сетевая модель создания РЛС ДО представляет собой конечный связанный ориентированный граф G = (V, E), где V = {v1,…, vn} – множество вершин графа; E = {e1,…, em} – множество дуг графа, соединяющих вершины vi и vj между собой (i, j = 1,…n, где n – количество вершин графа G), причем V ∩ E = ∅. Множеству вершин V сопоставляется множество событий по созданию радиолокационных станций дальнего обнаружения, например, изготовление

экспериментального образца компонента РЛС ДО с определенными техническими характеристиками. Множеству дуг E сопоставляется множество работ, характеризующих процесс выполнения РЛС ДО. Основными свойствами модели являются [8]: 1. Множество вершин V графа G неоднородно и в зависимости от вида работ, предусмотренных в процессе выполнения этапа создания РЛС ДО, может состоять из вершин типа «И-И», так и сложных логических типов «И-исключающее ИЛИ», «исключающее ИЛИ-И» и «исключающее ИЛИ-исключающее ИЛИ». 2. Множество дуг E графа G разбивается на два подмножества: • подмножество дуг E′, соответствующих действительным работам по созданию РЛС ДО; • подмножество дуг E′′, отражающих логические операции и соответствующих фиктивным работам. 3. Содержательная информация, характеризующая переход от одного события графа G к другому, задается следующим образом: каждой дуге e ∈ E′ графа G, отражающей действительную работу, приписывается вектор W величин, отражающих следующие показатели комплекса работ по созданию РЛС ДО: • время выполнения работы T; • требуемые финансовые затраты на выполнение работы С; • трудоемкость выполнения работы τ; • коэффициент готовности работы K, характеризующий степень соответствия текущих конструкторско-технических параметров разрабатываемой аппаратуры требованиям к ней. Компоненты данного вектора wi (i = 1,…,4) для нивелирования неопределенности исходных данных представлены недетерминированными оценками в виде интервальных чисел, т. е.: • время выполнения работы T = [Tmin, Tmax]; • требуемые финансовые затраты на выполнение работы C = [Cmin, Cmax]; • количество персонала, необходимого для выполнения работы N = [Nmin, Nmax]; • коэффициент готовности работы K = [Kmin, Kmax], K ∈ [0;1]; 4. Структура сетевой модели подразумевает наличие только детерминированных точек ветвления, т. е. комплексы работ графа G(V, E), составляющие отдельные детерминированные фрагменты Gij(Vij, Eij), полностью определены по составу и структуре составляющих его операций. 5. Оценка осуществимости Pi отдельной работы или локального варианта сетевой модели Pij осуществляется на основе критерия риска R,

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

т. е. каждой работе и каждому альтернативному пути, исходящему из вершины i и ведущему к конечной вершине j, отнесено неотрицательное число Pij = 1 – Rij, Pij ≤ 1 (для случая отдельной работы Pi = 1 – Ri), такое, что

jn i

∑ Pij = 1, где ni – число j=1

локальных вариантов, возникающих в событии i. В качестве риска R в соответствии с [1] рассматривается вероятность того, что отдельная работа или их последовательность не будет выполнена к заданному моменту времени. Риск R выполнения работы в таком случае будем равен

R(t) = e −λ(T+K⋅t a ) ,

(1)

где λ – частота наступления событий, связанных с нарушением плана-графика выполнения работ, T – планируемая продолжительность выполнения работы, ta – время выполнения аналогичной работы (при наличии). 6. Когда локальные альтернативные варианты сетевой модели не обеспечивают достижение целей выполнения этапа работ по созданию РЛС ДО, в сетевую модель на основе правил динамических графов [9, 10]: • в вершине vi графа G, имеющей сложный логический тип, по имеющейся у главного конструктора или ответственного за этап информации может быть добавлен новый локальный вариант; • в случае, если необходимо объединить часть работ, которые в сетевой модели представляют собой последовательность вершин vi графа G, может быть проведена операция стягивания ребер между данными работами; • в случае, если необходимо заменить какуюлибо из работ на некоторое количество (n ≥ 2) новых работ, может быть проведена операция расщепления вершины.

На основе сетевой модели главному конструктору РЛС ДО необходимо выбрать такое решение, которое удовлетворяет векторно-целевой функции (ВЦФ)

F (x) = (F1 (x),F2 (x),F3 (x),F4 (x))

(2)

со следующими частными критериям: → min ∑ T ⎯x⎯

F1 (x) =

e∈E x

→ min ∑ C ⎯x⎯

F2 (x) =

e∈E x

F3 (x) =

∑

τ ⎯⎯ → min

e∈E x n

F4 (x) = ∏ (1 − K i ) ⎯⎯ → min i=1

(3)

Дополнительные строгие ограничения, накладываемые при создании РЛС ДО – непревышение заданного заказчиком общего времени создания и стоимости изделия: T ≤ Tзад и С ≤ Сзад. Такое описание сетевой модели позволяет: • учесть различного рода неопределенности, связанные с неточностью исходных данных, наличием субъективных экспертных оценок при определении параметров этапов создания РЛС ДО, а также многовариантность самого процесса создания станции; • выбрать оптимальную последовательность событий и работ для реализации задачи создания радиолокационных станций дальнего обнаружения с учетом заданных требований и ограничений, которая в дальнейшем ляжет в основу сетевого графика создания РЛС ДО. Результаты экспериментальных исследований Применение разработанной сетевой модели покажем на примере проектирования радара для комплексного исследования атмосферы. Основной задачей радара НР-МСТ является исследование структуры и динамики нейтральной атмосферы и ионосферы, а также взаимодействий между ними [11]. Кроме того, радар НР-МСТ предназначен: • для исследования глобальных процессов в атмосфере (например, отклика атмосферы на геомагнитные бури) для предупреждения их природных и техногенных последствий; • для исследования состояния атмосферы при воздействии на нее электромагнитными излучениями разных длин волн (в составе комплекса научных инструментов); • для исследования активности Солнца и его влияния на процессы, происходящие в атмосфере и на Земле, для сохранения здоровья людей; • для исследования космических объектов – созвездий, астероидов и т. д. • для исследования атмосферы Земли, в том числе в составе отечественных и зарубежных комплексов научных инструментов; • для сопровождения пилотируемых в космос, спускаемых на Землю, находящихся на орбитах спутников; • для проведения фундаментальных научных исследований. Вышеуказанные задачи, в отличие от уже решаемых в процессе эксплуатации РЛС ДО, требует разработки новых технических решений, изменения и совершенствования алгоритмов обработки радиолокационной информации, что, в свою очередь, приводит к повышению рисков создания НР-МСТ.

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Для достижения поставленной задачи – создания радара НР-МСТ с учетом финансовых и временных ограничений и особенностей решаемых задач – рассматривалось три варианта реализации радара. Основные технические характеристики (ТХ) рассматриваемых вариантов представлены в табл. 1. Каждый вариант характеризуется: • длительностью реализации, • стоимостью реализации, • имеющимся техническим и технологическим заделами, • предпочтительностью для обеспечения ТХ. Выбор оптимального варианта реализации радара НР-МСТ осуществлялся при помощи сетевой модели, формализованной в виде ориентированного графа, показанного на рис. 2. Отдельные работы или технические решения, которые различаются для каждого из рассматриваемых вариантов, на графе размещены между логическими вершинами «И-исключающее ИЛИ» и «исключающее ИЛИ-И». Каждая дуга графа взвешена, помимо стоимости (С) и времени реализации (Т), такими параметрами, как трудоемкость выполнения работы (τ) и коэффициент готовности (K). Кроме данных параметров каждая дуга характеризуется такой оценкой, как осуществимость (P) работы. Векторно-целевая функция имеет вид в соответствии с формулой (3). Для решения поставленной задачи были проведены следующие операции: 1. Сведение интервальных значений параметров работ к детерминированным значениям. 2. Полученные на базе экспертных оценок параметры работ каждого из имеющихся вариантов

реализации радара НР-МСТ в виде интервальных значений были преобразованы в детерминированный вид в соответствии с [12]: w * = λ1wmin + λ 2 wmax ,

(4)

где λ1, λ2 – коэффициенты важности границ интервала, λ1 + λ2 =1. Если границы интервала являются равнозначными, то λ1 = λ2 = 0,5. Принимая во внимание особенности процесса создания радара НР-МСТ и тот факт, что созданные за последние несколько лет станции образуют унифицированный ряд, коэффициенты важности границ интервала выполняемой работы определялись с учетом: • степени значимости работы в рамках выполняемого этапа создания НР-МСТ; • аналогичных успешно выполненных ранее работ в других проектах, • а также того факта, что каждый параметр работы должен иметь некоторый запас, например, времени для сокращения длительности работы и т. д. 3. Формирование допустимых планов реализации. На основе сетевой модели в соответствии с [8] были получены допустимые планы реализации каждого конкретного варианта (рис. 3.1–3.3). Допустимый план представляет собой перечень вершин (событий) на графе и выходящих из них дуг, однозначно определяющих варианты создания НР-МСТ, построенные при различных предположениях о составе и принципах реализации изделия. 4. Оценка вариантов реализации радара НР-МСТ. На основе имеющихся данных и с учетом критериев ВЦФ (2–3) были получены следующие оценки вариантов реализации радара НР-МСТ. 5. Выбор варианта реализации радара НР-МСТ.

Таблица 1. Основные характеристики вариантов радара НР-МСТ Table 1. Main characteristics of the IS-MST radar options

Основные технические характеристики / Basic specs

НР-МСТ вариант НР-МСТ вариант НР-МСТ вариант 1 / IS-MST option 1 2 / IS-MST option 2 3 / IS-MST option 3

Импульсная мощность излучения, МВт / Pulsed radiation power, MW

1,4

2,1

3,9

Средняя мощность излучения, МВт / Average radiation power, MW

0,47

0,7

1,3

Энергопотребление, МВт / Power consumption, MW

5,9

7,5

Энергопотребление, МВА / Power consumption, MVA

7,3

9,4

Воздушная, жидкостная / Air, liquid

Жидкостная / Liquid

Система охлаждения / Cooling system

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Рисунок 2. Многовариантная сетевая модель создания радара НР-МСТ Figure 2. Multivariate network model of creating the IS-MST radar

Произведенные расчеты позволяют главному конструктору произвести обоснованный выбор варианта реализации радара НР-МСТ. В качестве критериев выбора были использованы следующие (в порядке убывания значимости): обеспечение тактико-технических характеристик; степень отработанности варианта, сроки и стоимость реализации. Причем приоритетным считался вариант, который обеспечивал наибольшую излучаемую мощность с учетом ограничения: чем больше потребляемая мощность, тем выше стоимость.

• обеспечиваются лучшие ТХ по сравнению с другими вариантами; • основные технические решения реализованы в макетном исполнении, что позволяет говорить о его реализуемости; • стоимость изготовления данного варианта выше, чем варианта № 1, но при этом ТХ лучше почти на 300.

На момент принятия решения (начало 2020 г.) в качестве основного варианта был выбран № 3, так как:

Выводы Создание современных РЛС ДО сопряжено с решением противоречивой задачи – необходимостью

На его основе была разработана более детальная сетевая модель создания радара НР-МСТ (рис. 4) и построен сетевой план-график (рис. 5).

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Рисунок 3.1. Допустимые планы создания радара НР-МСТ. Вариант № 1 Figure 3.1. Admissible plans for the creation of the IS-MST radar. Option number 1

Рисунок 3.2. Допустимые планы создания радара НР-МСТ. Вариант № 2 Figure 3.2. Admissible plans for the creation of the IS-MST radar. Option number 2

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Рисунок 3.3. Допустимые планы создания радара НР-МСТ. Вариант № 3 Figure 3.3. Admissible plans for the creation of the IS-MST radar. Option number 3

Таблица 2. Оценка вариантов реализации радара НР-МСТ Table 2. Evaluation of options for the implementation of the IS-MST radar

Вариант / Option

Сроки Стоимость Трудоемкость Готовность Осуществимость создания Т, создания С, выполнения работ τ, работ K / выполнения дни / Terms млн руб. / Cost чел/ч / Labor intensity Works работ P / of creation T, of creation C, of work execution τ, completion Feasibility of days million rubles person/h K works P

ВЦФ / VOF

Вариант № 1 / Option No. 1

1810

11 946

1 812 713

0,18

0,82

22,3

Вариант № 2 / Option No. 2

1826

13 425

2 218 483

0,11

0,51

31,96

Вариант № 3 / Option No. 3

1820

15 682

2 084 361

0,15

0,72

24,23

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Рисунок 4. Сетевая модель создания НР-МСТ Figure 4. Network model of creating the IS-MST

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Рисунок 5. Сетевой план-график создания НР-МСТ Figure 5. Network schedule for the creation of IS-MST

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 сокращения стоимости и сроков разработки изделия при количественном и/или качественном улучшении его тактико-технических характеристик. Данное обстоятельство приводит к необходимости использования новых технических и конструктивных решений, что вносит в процесс планирования создания РЛС ДО разного рода неопределенности, которые являются причиной возникновения рисков. Сложившийся в настоящее время формат календарно-сетевого планирования этапов создания радиолокационных систем дальнего обнаружения не в полной мере обеспечивает эффективный процесс управления процессом создания РЛС ДО, что объясняется отсутствием инструмента, позволяющего достоверно оценивать состояние проекта с учетом неопределенностей. При этом зачастую на практике календарное планирование и управление сводятся к мониторингу текущего состояния проекта, а проектные решения принимаются с опозданием и лишь на основе качественных оценок,

а не количественного анализа. С учетом вышесказанного для планирования и управления процессом создания РЛС ДО была предложена сетевая модель, позволяющая принимать эффективные решения и оперативно реагировать на отклонения параметров сетевого графика. Проведенные исследования по анализу опыта применения сетевой модели в ходе работ по созданию радара НР-МСТ свидетельствуют о возможности успешного решения такой актуальной задачи, как проектирование и дальнейшее создание РЛС ДО с заданными тактико-техническими характеристиками при наличии временных и финансовых ограничений. А формирование сетевых планов-графиков с учетом данных, получаемых на предварительно разработанной сетевой модели позволяет повысить как точность оценки процесса создания радиолокационных систем дальнего обнаружения, так и адекватность корректировки структуры и параметров процесса разработки РЛС ДО.

БЛАГОДАРНОСТЬ Основные результаты данной работы были обсуждены на научно-технической конференции «VII Репинские чтения» в ПАО «МАК «Вымпел».

ACKNOWLEDGMENT The main results of this work were discussed at the scientific and technical conference «VII Repin Readings» at Vympel PJSC.

Список использованных источников 1. Б оев С. Ф. Управление рисками проектирования и создания радиолокационных станций дальнего обнаружения. М.: Изд-во МГТУ им. Н. Э. Баумана, 2017. 430 с. 2. Перепелица В. А., Тебуева Ф. Б. Дискретная оптимизация и моделирование в условиях неопределенности данных. М.: Акад. Естествознания, 2007. 152 с. 3. Батрова, Р. Г., Глухов С. В. Календарное планирование программ сетевыми методами // Материалы конференции, посвященной 90-летию со дня рождения Алексея Андреевича Ляпунова, Новосибирск, Академгородок. 8–11 октября 2001 [Электронный ресурс]. URL: http://www.ict.nsc.ru/ws/Lyap2001/2226/ (дата обращения: 19.07.2020). 4. Новицкий Н. И. Сетевое планирование и управление производством. М.: Новое знание, 2004. 159 с. 5. Таха X. Введение в исследование операций. Кн. 2. М.: Мир, 1985. 496 с. 6. Метод сетевого планирования разработки сложных технических систем / Р. В. Допира, Р. Ю. Кордюков, А. А. Беглецов, С. В. Сергиенко // Программные продукты и системы. 2014. № 2. С. 22–26. 7. Стародубцев И. Ю. Распределение ресурсов в проекте с нечеткими параметрами // Информационные технологии моделирования и управления. 2012. № 3(75). С. 194–204. 8. Голенко-Гинзбург Д. И. Стохастические сетевые модели планирования и управления разработками: Монография. Воронеж: «Научная книга», 2010. 284 с. 9. Некоторые аспекты динамической теории графов / А. А. Кочкаров, Р. А. Кочкаров, Г. Г. Малинецкий // Журнал вычислительной математики и математической физики. 2015. Т. 55, № 9. С. 1623–1630. 10. Кочкаров А. А. Структурная динамика: свойства и количественные характеристики предфрактальных графов. М.: Вега-Инфо, 2012. 120 с. 11. Перспективный радар НР-МСТ: потенциал и диагностические возможности / А. П. Потехин, А. Г. Сетов, В. П. Лебедев, А. В. Медведев, Д. С. Кушнарев // Солнечно-земная физика. 2016. Т. 2, № 3. С. 3–16. 12. Тебуева, Ф. Б., Кабиняков М. Ю. Методы структурирования неопределенностей исходных данных в транспортной задаче с промежуточными пунктами // Вопросы технических наук в свете современных исследований: сб. ст. по матер. I междунар. науч.-практ. конф. № 1(1). Новосибирск: СибАК, 2017. С. 14–19.

References 1. Boev S. F. Upravlenie riskami proektirovaniya i sozdaniya radiolokatsionnikh stantsiy dal’nego obnaruzheniya [Risk management of design and creation of early warning radar stations]. Moscow, Bauman Press Publ., 2017, 460 p. (In Russian).

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 2. Perepelitsa V. A., Tebueva F. B. Diskrentaya optimizatsiya i modelirovanie v usloviyakh neopredelennosti dannikh [Discrete optimization and modeling in the face of data uncertainty]. Moscow, Akademiya Estestvoznaniya Publ., 2007, 152 p. (In Russian). 3. Batrova R. G., Glukhov S. V. Programs network scheduling using network methods. Materialy konferentsii, posvyashchennie 90-letiyu so dnya rozhdeniya Alekseya Andreevicha Lyapunova. Akademgorodok. Novosibirsk, 8–11 oktyabrya 2001. (In Russian). Available at: http://www.ict.nsc.ru/ws/Lyap2001/2226/ (accessed 19.07.2020). 4. Novitskiy N. I. Setevoe planirovanie i upravlenie proizvodstvom [Network planning and production management]. Moscow, Novoe znanie Publ., 2004, 159 p. (In Russian). 5. Taha H. Vvedenie v issledovanie operatsiy [Introduction to operations research]. Moscow, Mir Publ., 1985, 496 p. (In Russian). 6. Dopira R. V., Kordyukov R. Yu., Begletsov A. A., Sergienko S. V. Network planning method for the development of complex technical systems. Programmnye produkty i sistemy, 2014, no. 2, pp. 22–26. (In Russian). 7. Starodubtsev I. Yu. Resource allocation in a project with fuzzy parameters. Informatsionnie tekhnologii modelirovaniya i upravleniya, 2012, no. 3 (75), pp. 194–204. (In Russian). 8. Golenko-Ginzburg D. I. Stokhasticheskie setevye modelli planirovaniya i upravleniya razrabotkami: Monografiya [Stochastic network models of development planning and management: Monograph]. Voronezh, Nauchnaya kniga Publ., 2010, 284 p. (In Russian). 9. Kochkarov A. A., Kochkarov R. A., Malinetskiy G. G. Some aspects of dynamic graph theory. Zhurnal vychislitel’noy matematiki i matematicheskoy fiziki. 2015, vol. 55, no. 9, pp. 1623–1630. (In Russian). 10. Kochkarov A. A. Strukturnaya dinamika: svoistva i kolichestvennye kharakteristiki predfraktal’nykh grafov [Structural dynamics: properties and quantitative characteristics of pre-fractal graphs]. Moscow, Vega-Info Publ., 2012, 120 p. (In Russian). 11. Potekhin A. P., Setov A. G., Lebedev V. P., Medvedev A. V., Kushnarev D. S. Prospective IS-MST radar: potential and diagnostic capabilities. Solnechno-zemnaya fizika, 2016, vol. 2, no. 3, pp. 3–16. (In Russian). 12. Tebueva F. B., Kabinyakov M. Yu. Methods for structuring source data uncertainties in a transportation task with intermediate points. Voprosy tekhnicheskikh nauk v svete sovremennykh issledovaniy: sbornik statey po materialam I mezhdunarodnoy nauchno-prakticheskoy konferentsii. Novosibirsk, SibAK Publ., 2017, pp. 14–19. (In Russian).

ИНФОРМАЦИЯ ОБ АВТОРАХ Боев Сергей Федотович, д. т. н., д. э. н., генеральный директор, ПАО «Межгосударственная акционерная корпорация «Вымпел» (ПАО «МАК «Вымпел»), 125480, Москва, ул. Героев Панфиловцев, д. 10, корп. 1, тел.: +7 (499) 152‑95‑95, e-mail: vimpel@vimpel.ru. Логовский Алексей Станиславович, к. ф.‑ м. н., генеральный конструктор, АО «Радиотехнический институт имени академика А. Л. Минца», 127083, Москва, ул. 8-го Марта, д. 10, стр. 1, тел.: +7 (495) 612‑99‑99, e-mail: alogovsky@rti-mints.ru. Казанцев Андрей Михайлович, ведущий инженер, АО «Радиотехнический институт имени академика А. Л. Минца», 127083, Москва, ул. 8-го Марта, д. 10, стр. 1, тел.: +7 (903) 963‑18‑21, e-mail: akazantsev@rti-mints.ru. Ивойлова Анастасия Владимировна, ведущий инженер, АО «Радиотехнический институт имени академика А. Л. Минца», 127083, Москва, ул. 8-го Марта, д. 10, стр. 1, тел.: +7 (495) 612‑99‑99, e-mail: ivoylova@rti-mints.ru. Тимошенко Александр Васильевич, д. т. н., профессор, заместитель генерального конструктора, АО «Радиотехнический институт имени академика А. Л. Минца, 127083, Москва, ул. 8-го Марта, д. 10, стр. 1, тел.: +7 (495) 612‑99‑99, e-mail: atimoshenko@rti-mints.ru. Тришкин Павел Николаевич, заместитель директора НТЦ, главный конструктор, АО «Радиотехнический институт имени академика А. Л. Минца, 127083, Москва, ул. 8-го Марта, д. 10, стр. 1, тел.: +7 (495) 612‑99‑99, e-mail: trishkin@rti-mints.ru.

AUTHORS Sergey F. Boev, D.Sc. (Engineering), D.Sc. (Economics), СЕО, Vympel PJSC, 1, korp. 10, ulitsa Geroev Panfilovtsev, Moscow, 125480, Russia, tel.: +7 (499) 152‑95‑95, vimpel@vimpel.ru. Aleksey S. Logovsky, Ph.D. (Physics and Mathematics), general designer, Academician A. L. Minz Radiotechnical Institute, 10, stroenie 1, ulitsa 8 Marta, Moscow, 127083, Russia, tel.: +7 (495) 612‑99‑99, e-mail: logovsky@rti-mints.ru. Andrey M. Kazantsev, lead engineer, Academician A. L. Minz Radiotechnical Institute, 10, stroenie 1, ulitsa 8 Marta, Moscow, 127083, Russia, tel.: +7 (903)963‑18‑21, e-mail: akazantsev@rti-mints.ru. Anastasiya V. Ivoylova, lead engineer, Academician A. L. Minz Radiotechnical Institute, 10, stroenie 1, ulitsa 8 Marta, Moscow, 127083, Russia, tel.: +7 (495) 612‑99‑99, e-mail: ivoylova@rti-mints.ru. Alexander V. Timoshenko, D.Sc. (Engineering), professor, deputy general designer, Academician A. L. Minz Radiotechnical Institute, 10, stroenie 1, ulitsa 8 Marta, Moscow, 127083, Russia, tel.: +7 (495) 612‑99‑99, e-mail: atimoshenko@rti-mints.ru. Pavel N. Trishkin, deputy director of the Research and Development Center, chief designer, Academician A. L. Minz Radiotechnical Institute, 10, stroenie 1, ulitsa 8 Marta, Moscow, 127083, Russia, tel.: +7 (495) 612‑99‑99, e-mail: trishkin@rti-mints.ru. Поступила 23.05.2020; принята к публикации 03.08.2020; опубликована онлайн 07.09.2020. Submitted 23.05.2020; revised 03.08.2020; published online 07.09.2020.

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-21-27 УДК 004.93

Повышение вероятности распознавания цели по двумерному изображению с датчика видимого диапазона комплекса для обеспечения поисково-спасательных операций в условиях Арктики А. С. Жданов1, С. А. Матвеев1, Ю. В. Петров1, С. А. Рудыка1, С. Ю. Страхов1, Т. М. Сухов1 1 Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, СанктПетербург, Россия

В статье рассматривается задача повышения вероятности распознавания цели для бортового комплекса информационной поддержки проведения поисково-спасательных операций в условиях Арктики. Одной из задач разрабатываемого комплекса является распознавание объектов по двумерным изображениям телевизионной камеры, где, вследствие использования принципа постоянной яркости происходит потеря яркостной составляющей изображения, что может влиять на вероятность распознавания цели. Для сохранения яркостной составляющей изображения авторами предложено обрабатывать первичные сигналы телевизионной камеры согласно принципу постоянной цветовой яркости, использование которого может повысить вероятность распознавания цели. В работе проведен анализ принципов кодирования первичных сигналов телевизионного тракта, для задачи распознавания объектов было проведено обучение каскадов на основе каскадного классификатора с использованием принципов постоянной яркости и постоянной цветовой яркости. Полученные результаты работы обученных каскадов подтвердили, что обработка первичных сигналов телевизионной камеры на основе принципа постоянной яркости повышает вероятность распознавания цели и, следовательно, эффективность работы разрабатываемого комплекса при задаче распознавания заданных объектов. Ключевые слова: вероятность распознавания цели, каскадный классификатор, принцип постоянной яркости, принцип постоянной цветовой яркости Для цитирования: Повышение вероятности распознавания цели по двумерному изображению с датчика видимого диапазона комплекса для обеспечения поисково-спасательных операций в условиях Арктики / А. С. Жданов, С. А. Матвеев, Ю. В. Петров, С. А. Рудыка, С. Ю. Страхов, Т. М. Сухов // Радиопромышленность. 2020. Т. 30, № 3. С. 21–27. DOI: 10.21778/2413-95992020-30-3-21-27 © Жданов А. С., Матвеев С. А., Петров Ю. В., Рудыка С. А., Страхов С. Ю., Сухов Т. М., 2020

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Increasing the probability of recognizing a target using a two-dimensional image from the sensor of the visible range of the onboard complex of information support for search and rescue operations in the Arctic A. S. Zhdanov1, S. A. Matveev1, Yu. V. Petrov1, S. A. Rudyka1, S. Yu. Strakhov1, T. M. Sukhov1 1

State Technical University «VOENMEH» named after D. F. Ustinov, Saint Petersburg, Russia

The article addresses the task of improving target recognition in onboard information support system for search and rescue operations in the Arctic region. One of the tasks performed by the complex is recognition of objects in twodimensional camera images, which suffer from the loss of the image brightness, being formed by constant brightness principle, with its direct impact on the probability of target recognition. To preserve the brightness of the image, the authors propose to process the primary signals of the camera according to the principle of constant color brightness. The proposed processing can increase the probability of correct target recognition. The paper analyzes the principles of encoding the primary signals of the television camera. For the object recognition problem, the cascades were trained based on the cascade classifier using the principles of constant brightness and constant color brightness. The output of the trained cascades has confirmed that the processing of the primary signals of a television camera based on the principle of constant brightness improves target recognition and therefore will increase the object recognition performance of the complex under development. Keywords: target recognition probability, cascade classifier, constant luminance principle, constant color luminance principle For citation: Zhdanov A. S, Matveev S. A., Petrov Yu., Rudyka S. A., Strakhov S. Yu., V., Sukhov T. M. Increasing the probability of recognizing a target using a two-dimensional image from the sensor of the visible range of the onboard complex of information support for search and rescue operations in the Arctic. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 21–27. (In Russian). DOI: 10.21778/2413-9599-2019-30-3-21-27

Введение Согласно стратегии научно-технологического развития Российской Федерации, освоение труднодоступных районов Арктики является одним из перспективных направлений. Такие черты Арктической зоны Российской Федерации, как сложные метеорологические условия, плохая видимость и низкая освещенность осложняют проведение поисковоспасательных операций с помощью летательных аппаратов, в частности, вертолетов, при возникновении чрезвычайных ситуаций [1, 2]. В рамках поставленных Президентом РФ задач проводится работа по созданию бортового комплекса информационной поддержки проведения поисково-спасательных операций в условиях Арктики (далее Комплекс). Работа выполняется при финансовой поддержке Министерства образования и науки Российской Федерации (соглашение № 074‑11‑2018‑025 от 13.07.2018) в рамках постановления Правительства РФ от 09.04.2010 № 218. 22

Работы выполняются в организации головного исполнителя НИОКТР ФГБОУ ВО БГТУ «ВОЕНМЕХ» им. Д. Ф. Устинова. В состав комплекса включены разноспектральные датчики переднего и нижнего обзора летательного аппарата, как пассивные (телевизионные и инфракрасные), так и активные (радиолокационные и лазерные). К аппаратуре переднего обзора, предназначенной для формирования изображений закабинной обстановки, обнаружения препятствий и поиска малоразмерных объектов, относятся лазерно-локационный модуль и радиолокатор переднего обзора миллиметрового диапазона. В состав лазерно-локационного модуля входят телевизионная камера, две камеры ближнего и дальнего инфракрасного диапазона, а также лазерно-локационный модуль. К аппаратуре нижнего обзора, предназначенной для обеспечения посадки на необорудованных площадках, относятся телевизионная камера и камера ближнего инфракрасного

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 диапазона (включены в состав лазерно-локационного модуля) и сверхширокополосный радиолокатор зондирования подстилающей поверхности. Особенности разрабатываемого комплекса представлены в [3]. Важной задачей комплекса при поисково-спасательных операциях является распознавание малоразмерных трудноразличимых объектов, а именно поиск, обнаружение и классификация объектов заданного типа на видеоизображениях, получаемых от телевизионной камеры. В настоящих стандартах кодирования цветовой информации в телевизионных видеосистемах применяют кодирование, основанное на принципе постоянной яркости (ПЯ). Использование принципа ПЯ дает точное воспроизведение яркости чернобелых изображений, но не позволяет точно воспроизвести яркость насыщенных цветов. При таком кодировании цветовой информации часть сигнала яркости передается по каналу цветности, который может иметь более узкую полосу пропускания, и вследствие этого возможна потеря определенной доли яркости. При обработке канала видимого диапазона в бортовых системах «улучшенного видения» чаще всего используют сигнал яркостной составляющей изображения, при этом цветоразностные сигналы не учитываются. Поэтому применение принципа ПЯ при обработке сигналов первичных цветов с сенсора телевизионной камеры бортовых систем является практически неприемлемым и, как следствие, может влиять на вероятность распознавания цели в задачах поиска, обнаружения и классификации объектов. В [4] предложен другой метод обработки сигналов: принцип постоянной цветовой яркости (ПЦЯ), использование которого может решить проблемы, связанные с использованием принципа ПЯ. Обзор принципов постоянной яркости и постоянной цветовой яркости Принцип ПЯ был предложен при разработке аналоговой системы цветного телевидения NTSC и используется в современных системах обработки видеопоследовательностей при формировании цифровых телевизионных сигналов. Первичные цветовые телевизионные сигналы ER, EG, EB после коррекции нелинейных характеристик устройств отображения [4] преобразуются в сигналы ER′ = ERγ , EG′ = EGγ , EB′ = EBγ , где γ = 0,45 (коэффициент гамма-коррекции), из которых далее формируются сигналы E Y′ , EU′ , E V′ . Уравнения связи между сигналами ER′ , EG′ , EB′ и сигналами E Y′ , EU′ , E V′ при выборе опорного источника белого цвета C6500 (стандартный источник) имеют следующий вид [4, 5]:

⎧ E Y′ = 0,299 ER′ + 0,587 EG′ + 0,114 EB′ , ⎪ ⎨ EU′ = −0,299 ER′ − 0,587 EG′ + 0,886 EB′ , ⎪ E ′ = 0,701E ′ + 0,587 E ′ + 0,114 E ′ . R G B ⎩ V

(1)

Коэффициенты в уравнениях (1), в зависимости от выбранного опорного источника белого цвета, могут изменять свои значения. Из уравнений связи (1), сигнал E Y′ называется яркостным сигналом. E Y′ содержит информацию о черно-белой составляющей изображения. Этот сигнал обеспечивает совместимость черно-белых и цветных систем телевидения и передается в более широкой полосе частот по сравнению с сигналами EU′ , E V′ так как для наблюдения черно-белых изображений необходима максимальная четкость [4]. В свою очередь, сигналы EU′ и E V′ несут информацию о цветности изображения, а именно, сигнал EU′ содержит информацию о цветовом тоне, сигнал E V′ – о насыщенности. На приемной стороне происходит восстановление первичных сигналов ER′ , EG′ , EB′ следующим образом [4, 5]:

⎧ ER′ = E Y′ + E V′ , ⎪ ⎨ EG′ = E Y′ − ( 0,194 EU′ + 0,509 E V′ ), ⎪ ⎩ EB′ = E Y′ + EU′ .

(2)

На практике принцип ПЯ в вещательных системах полностью не соблюдается [4]. Он позволяет обеспечить точное воспроизведение яркости чернобелых изображений, но при этом неточно воспроизводит яркость насыщенных цветов. В таком случае определенная доля яркости передается по каналу цветности. Так как часть сигнала яркости проходит через узкополосный канал цветности, ширина спектра этого сигнала ограничена величиной ∆f = ∆fY/4. Поскольку ширина спектра сигнала ограничена, на границах цветовых переходов при передаче сигналов от генератора цветных полос наблюдаются провалы яркости в месте перехода от одного цвета к другому. Согласно [4] предложены различные методы коррекции искажений насыщенных цветов, однако они не полностью устраняют уменьшение яркости насыщенных цветов. В [4–6] отмечено, что при передаче цветовых сигналов согласно принципу ПЯ наблюдается другой существенный недостаток, а именно ухудшение четкости в ахроматических деталях и изображениях по мере увеличения насыщенности цветов. Поскольку принцип ПЯ подразумевает потерю числа градаций по яркости, его использование во многих системах передачи видеоинформации недопустимо. Одними из таких систем являются цифровые системы «улучшенного видения», в которых

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 критично важны такие характеристики как всепогодность, всесезонность и круглосуточность функционирования. Суть принципа ПЯ и его недостатки более подробно рассмотрены в [7]. В [4–6] предложен иной подход к кодированию цвета – принцип ПЦЯ. Используя принцип ПЦЯ при кодировании цветовой информации, из первичных цветовых телевизионных сигналов, после коррекции нелинейных характеристик, вычисляют цветовую амплитуду передаваемого цвета EC′ . При этом формируются сигналы, несущие информацию о цветности, а именно сигналы, отвечающие за насыщенность данного цвета красным ( E1′) и синим ( E2′ ) – первичными телевизионными цветами. Формулы вычисления цветовой амплитуды и сигналов, несущих информацию о цветности, выглядят следующим образом [3, 4]:

а все изменения цветовой яркости изображения передаются по широкополосному каналу. Передача информации о количестве цветных деталей синими и красными цветами, а также пурпурной составляющей цвета происходит по узкополосным каналам, что лучше соответствует особенностям зрительной системы человека.

⎧E ′ = E ′ 2 + E ′ 2 + E ′ 2 , ( R ) ( G) ( B) ⎪ C ⎪ ⎪ E1′ = ER′ , ⎨ EC′ ⎪ ⎪ E ′ = EB′ . ⎪ 2 E′ C ⎩

1. Прямоугольные функции или признаки Хаара. 2. Быстрое вычисление функций Хаара за счет использования интегрального изображения. 3. Машинное обучение на основе метода ADABOOST. 4. Совмещение множественных функций с помощью каскадного классификатора.

(3)

Формулы восстановления первичных красного ER′ и синего EB′ цветовых сигналов:

⎧ ER′ = EC′ E1′, ⎨ ⎩ EB′ = EC′ E2′ .

(4)

Из сигналов EC′ , ER′ , EB′ получают сигнал EG′ согласно следующему преобразованию:

EG′ = ( EC′ )2 − ( ER′ )2 − ( EB′ )2 .

(5)

При кодировании согласно принципу ПЦЯ передача ахроматических изображений и деталей изображения осуществляется с полной четкостью вследствие того, что сигналы E1′ и E2′ постоянны,

Рисунок 1. Примеры примитивов Хаара Figure 1. Examples of Haar primitives

Анализ влияния обработки первичных сигналов телевизионной камеры на вероятность распознавания цели В качестве алгоритма машинного обучения авторами был выбран каскадный классификатор (каскад Виолы-Джонса) [8], который представляет собой детектор объектов на изображениях, включающий следующие концепции [9, 10]:

Подобный подход к детектированию объектов на изображении при правильности обучения обладает быстрой скоростью выполнения классификации, устойчив к разного рода отклонениям, показывает хороший уровень детектирования жестких объектов и характерных видов [11]. Подробный обзор алгоритма обучения каскадного классификатора и его особенностей представлен в [12]. Обработка первичных сигналов телевизионной камеры непосредственно влияет на значения признака Хаара. Под признаком Хаара понимают совокупность прямоугольных областей изображений, смежных друг с другом и разделенных на две группы [12]. Существуют различные признаки Хаара, многообразие которых связано со всевозможными комбинациями областей различной высоты и ширины с различным положением на изображении. Выбор набора признаков зависит от метода выполнения и вида поставленной задачи. Пример набора признаков Хаара (прямоугольных примитивов) представлен на рис. 1. В выбранном изображении для определения значения конкретного примитива Хаара требуется просуммировать по отдельности яркости пикселей прямоугольных областей изображения двух групп. Затем необходимо определить разность значения полученных сумм (из первой группы вычитается значение суммы второй группы). Для рассматриваемого изображения можно определить значения выбранного признака Хаара, используя соотношение [9]:

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

где h – значение признака Хаара для этого изображения, ai – сумма яркостей пикселей в i-й области первой группы, bi – сумма яркостей пикселей в i-й области второй группы, Na и Nb – количество областей в первой и второй группах. Для оценки влияния обработки первичных сигналов телевизионной камеры (на основе принципов ПЯ и ПЦЯ) на вероятность распознавания цели в качестве объекта детектирования был выбран плот типа ПСН‑10 на водной поверхности. Производился его поиск, обнаружение и классификация. Для обучения использовалась выборка из 500 положительных примеров и 1000 отрицательных примеров для

каждого из рассматриваемых принципов обработки изображения. Вещественные реализации принципов ПЯ и ПЦЯ взяты из [7]. Примеры двумерных изображений для принципов ПЯ и ПЦЯ представлены на рис. 2 и 3, соответственно. Для тестирования обученных каскадов (ПЯ и ПЦЯ) с окном сканирования 20 × 20 пикселей использовалась выборка из 500 примеров. Экспериментальные данные работы обученных каскадов продемонстрированы в таблице. Анализ экспериментальных данных показал, что обученный каскад с обработкой первичной сигналов телевизионной камеры на основе принципа ПЯ способен обнаруживать плот ПСН‑10 на водной поверхности с вероятностью распознавания цели 73,6% для 500 тестовых примеров. В свою очередь, обученный каскад с обработкой первичной сигналов телевизионной камеры на основе принципа ПЦЯ способен детектировать объект типа «плот» с вероятность распознавания цели 75,8% для 500 тестовых примеров при одинаковой средней скорости обнаружения плота на одно тестовое двумерное изображения 0,21 с. Поэтому использование для детектирования объекта типа «плот ПСН‑10» на водной поверхности обученного каскада с обработкой первичных сигналов телевизионной камеры на основе ПЦЯ дает выигрыш распознавания цели на 2,2%, т. е. обработка первичных сигналов телевизионного тракта согласно принципу ПЦЯ позволяет повысить вероятность распознавания цели, а значит повысит эффективность работы разрабатываемого комплекса в задачах распознавания объектов. Стоить отметить, что вероятность

Рисунок 2. Двумерное изображение плота ПСН‑10 на водной поверхности с обработкой первичной сигналов телевизионной камеры согласно принципу ПЯ Figure 2. A two-dimensional image of the PSN‑10 raft on the water surface with the processing of the primary signals of the television camera according to the CL principle

Рисунок 3. Двумерное изображение плота ПСН‑10 на водной поверхности с обработкой первичной сигналов телевизионной камеры согласно принципу ПЦЯ Figure 3. A two-dimensional image of the PSN‑10 raft on the water surface with the processing of the primary signals from the television camera according to the CCL principle

y +h ai −1

ai ai = ∑ j=y

x ai +w ai −1

∑ k=x

v jk ,

(6)

где ai – сумма яркостей пикселей в i-й области первой группы, vjk – яркость пикселей с координатами [j, k], ha i , wa i – высота и ширина i-х областей первой группы, ya i и xa i – смещения по осям y и x i-х областей первой группы.

y +h bi −1

bi bi = ∑ j=y

x bi +w bi −1

∑ k=x

v jk ,

(7)

где bi – сумма яркостей пикселей в i-й области второй группы, hbi и w bi – высота и ширина i-х областей второй группы, ybi и x bi – смещения по осям y и x i-х областей второй группы, vjk – яркость пикселей с координатами [j, k].

h(à) = ∑ i=1a ai − ∑ i=1b bi , N

(8)

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица. Положительные и ложные положительные срабатывания обученных каскадов постоянной яркости и постоянной цветовой яркости для 500 тестовых примеров Table. Positive and false positives of the trained cascades of constant luminance and constant color luminance for 500 test cases

Положительные срабатывания / Positives

Ложные положительные срабатывания / False-positives

Постоянная яркость / Constant luminance (CL)

368

132

Постоянная цветовая яркость / Constant color luminance (CCL)

379

121

Каскад / Cascade

распознавания цели зависит от правильности обучения, экспериментальной выборки, при этом задача достижения определенного показателя вероятности в рамках статьи не рассматривалась. Выводы Одной из задач разрабатываемого бортового комплекса информационной поддержки проведения поисково-спасательных операций в условиях Арктики является распознавание малоразмерных трудноразличимых объектов заданного типа на видеоизображениях, получаемых от телевизионной камеры, их поиск, обнаружение и классификация. В современных бортовых системах летательных аппаратов в качестве стандарта кодирования цветовой информации в телевизионных камерах применяют принцип постоянной яркости, при использовании которого определенная доля яркости передается по узкополосному каналу цветности, из-за чего возможна потеря информации. Вследствие этого обработка первичных сигналов телевизионной камеры

на основе принципа ПЯ влияет на вероятность распознавания заданной цели. Потерю долей яркости можно устранить за счет использования в телевизионной камере принципа постоянной цветовой яркости, в котором яркостная составляющая изображения передается по широкополосному каналу. Для оценки влияния принципа ПЦЯ на задачу распознавания заданной цели были обучены каскады с обработкой первичных сигналов телевизионного трактата на основе принципов ПЯ и ПЦЯ. По результатам экспериментальной работы обученных каскадов было достигнуто повышение вероятности распознавания цели за счет применения принципа ПЦЯ. Выигрыш составил 2,2% при 500 тестовых примерах и обучаемой выборке: 500 положительных примеров и 1000 отрицательных примеров. Обработка первичных сигналов телевизионного камеры на основе принципа ПЦЯ позволяет повысить вероятность распознавания цели, а значит повысить эффективность работы разрабатываемого комплекса в задачах распознавания объектов.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. О сновы выживания. Арктический регион [Электронный ресурс]. URL: http://arctica.igps.ru/start (дата обращения: 20.04.2020). 2. Особенности вертолетовождения в полярных районах Северного и Южного полушарий [Электронный ресурс]. URL: http://ooobskspetsavia.ru/2015/10/16/osobennosti-vertoletovozhdeniya-v-polyarnyx-rajonax-severnogo-i-yuzhnogopolusharij (дата обращения: 20.04.2020). 3. Бортовой комплекс информационной поддержки проведения поисково-спасательных операций в условиях Арктики / С. А. Матвеев, С. А. Рудыка, Ю. В. Петров, А. С. Жданов // Вопросы радиоэлектроники. 2019. № 6. С. 30–37. DOI: 10.2 1778/2218‑5453‑2019‑6‑30‑37. 4. Полосин Л. Л. Принцип постоянной цветовой яркости в телевидении // Телевизионная техника и связь. Спец. выпуск, посвященный 50-летию НИИТ. 1995. С. 28–37. 5. Сухов Т. М., Беляев Е. А. Использование принципа постоянной цветовой яркости для передачи видеоинформации // Известия вузов. Приборостроение. 2011. Том 1. С. 55–59. 6. Полосин Л. Л. Представление цветов в метрическом векторном пространстве // Известия вузов России. Радиоэлектроника. 2013. Вып. 2. C. 54–61. 7. Применение и реализации принципа постоянной цветовой яркости в цифровых системах кодирования видеоинформации / Т. М. Сухов, С. Ю. Страхов, Л. Б. Кочин, Е. А. Беляев // Труды СПИИРАН. 2017. Вып. 54. C. 84–105. 8. Viola P., Jones M. J. Rapid Object Detection using a Boosted Cascade of Simple Features. Computer Vision and Pattern Recognition, 2001, IEEE Publ, pp. 511–518. DOI: 10.1109/CVPR.2001.990517 9. Стадник А. В., Кравчук А. В., Гулина К. И. Построение классификаторов с использованием искусственных нейронных сетей и принципа ADABOOST // Вестник РУДН, серия: Математика. Информатика. Физика. 2014. № 2. С. 431–436. 10. Viola P., Jones M. Robust Real-Time Face Detection. International Journal of Computer Vision, 2004, no. 57(2), pp.137–154. 11. Клэр А., Брэдски Г. Изучаем OpenCV 3. М.: ДМК Пресс, 2017. 826 с. 12. Белых Е. А. Обучение каскадов Хаара // Вестник Сыктывкарского университета. Серия 1: Математика. Механика. Информатика. 2017. Выпуск 1 (22). С. 41–53.

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 REFERENCES 1. Basics of survival. Arctic region. (In Russian). Available at: http://arctica.igps.ru/start (accessed 20.04.2020). 2. Features of helicopter navigation in the polar regions. Northern and Southern Hemispheres. (In Russian) Available at: http:// ooobskspetsavia.ru/2015/10/16/osobennosti-vertoletovozhdeniya-v-polyarnyx-rajonax-severnogo-i-yuzhnogo-polusharij (accessed 20.04.2020). 3. Matveev S. A., Rudyka S. A., Petrov Yu. V., Zhdanov A. S. On-board complex of information support for search and rescue operations in the Arctic. Voprosy radioehlektroniki, 2019, no. 6, pp. 30–37. (In Russian). DOI: 10.21778/2218‑5453‑2019‑6‑30‑37 4. Polosin L. L. The principle of constant color brightness in television. Televizionnaya tekhnika i svyaz. Spets. vypusk, posvyashchennyi 50-letiyu NIIT, 1995, pp. 28–37. (In Russian). 5. Sukhov T. M., Belyaev E. A. Using the principle of constant color brightness to transmit video information. Izvestiya vuzov. Priborostroenie, 2011, vol. 1, pp. 55–59. (In Russian). 6. Polosin L. L. Representation of colors in metric vector space. News of Russian universities. Radioehlektronika, 2013, iss. 2, pp. 54–61. (In Russian). 7. Sukhov T. M., Strakhov S. Yu., Kochin L. B., Belyaev E. A. Application and implementation of the principle of constant color brightness in digital video coding systems. Trudy SPIIRAN, 2017, iss. 54, pp. 84–105. (In Russian). 8. Viola P., Jones M. J. Rapid Object Detection using a Boosted Cascade of Simple Features. In: Computer Vision and Pattern Recognition, 2001, IEEE Publ, pp. 511–518. DOI: 10.1109/CVPR.2001.990517 9. Stadnik A. V., Kravchuk A. V., Gulina K. I. The construction of classifiers using artificial neural networks and the ADABOOST principle. Vestnik RUDN, seriya: Matematika. Informatika. Fizika, 2014, no. 2, pp. 431–436. (In Russian). 10. Viola P., Jones M. Robust Real-Time Face Detection. International Journal of Computer Vision, 2004, no. 57(2), pp.137–154. 11. Claire A., Bradsky G. Izuchaem OpenCV 3 [Learning OpenCV 3]. Moscow, DMK Press Publ., 2017, 826 p. (In Russian). 12. Belykh E. A. Teaching of Haar cascades. Vestnik Syktyvkarskogo universiteta. Seriya 1: Matematika. Mekhanika. Informatika, 2017, iss. 1 (22), pp. 41–53. (In Russian).

ИНФОРМАЦИЯ ОБ АВТОРАХ Жданов Александр Сергеевич, инженер, аспирант, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел: +7 (921) 636‑46‑35, e-mail: rian1994@mail.ru. Матвеев Станислав Алексеевич, к. т. н., проректор по научной работе и инновационно-коммуникационным технологиям, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел: +7 (921) 647‑75‑90, e-mail: stas_matveev@mail.ru. Петров Юрий Витальевич, к. т. н., доцент, доцент кафедры радиоэлектронных систем управления, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел: +7 (921) 926‑63‑39, e-mail: petrov-i4@yandex.ru. Рудыка Станислав Анатольевич, начальник научно-исследовательской части, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел: +7 (931) 369‑60‑40, e-mail: dillon2000@mail.ru. Страхов Сергей Юрьевич, д. т. н., доцент, декан факультета информационных и управляющих систем, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел: +7 (911) 216‑76‑86, e-mail: Strakhov_s@mail.ru. Сухов Тимофей Михайлович, к. т. н., доцент кафедры лазерной техники, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1‑я Красноармейская, д. 1, тел.: +7 (962) 697‑13‑68, e-mail: tsuhov@mail.ru.

AUTHORS Аleksandr S. Zhdanov, engineer, postgraduate student, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (921) 636‑46‑35, e-mail: rian1994@mail.ru. Stanislav А. Matveev, Ph.D. (Engineering), vice principal for research and innovation and communication technologies, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (921) 647‑75‑90, e-mail: stas_matveev@mail.ru. Yurij V. Petrov, Ph.D. (Engineering), associate professor, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (921) 926‑63‑39, e-mail: petrov-i4@yandex.ru. Stanislav А. Rudyka, head of research, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (931) 369‑60‑40, e-mail: dillon2000@mail.ru. Sergey Yu. Strakhov, D.Sc. (Engineering), associate professor, dean of the faculty of information and control systems, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (911) 216‑76‑86, e-mail: Strakhov_s@mail.ru. Timofei M. Sukhov, Ph.D. (Engineering), associate professor of the department of laser technology, Baltic State Technical University «VOENMEH» named after D. F. Ustinov, 1, ulitsa 1-ya Krasnoarmeyskaya, Saint Petersburg, 190005, Russia, tel.: +7 (962) 697‑13‑68, e-mail: tsuhov@mail.ru. Поступила 19.06.2020; принята к публикации 16.07.2020; опубликована онлайн 07.09.2020. Submitted 19.06.2020; revised 16.07.2020; published online 07.09.2020.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-28-33 УДК 004.272+004.41

Параллельные технологии программирования на вычислительных комплексах С. А. Прядко1, А. Ю. Трошин2, В. Д. Козлов2, А. Е. Иванов3 1

ФГАОУ ВО «РГУ нефти и газа (НИУ) имени И. М. Губкина», Москва, Россия ФГБОУ ВО «МИРЭА – Российский технологический университет», Москва, Россия 3 АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева», Москва, Россия 2

В статье описываются различные возможности ускорения расчетов на вычислительных комплексах. Эти возможности тесно связаны с архитектурой таких комплексов. Целью работы является предоставление информации, необходимой при выборе возможности ускорения процесса решения вычислительной задачи. Приводится описание основных возможностей, реализуемых с помощью следующих моделей: программирование в системах с общей памятью, программирование в системах с распределенной памятью и программирование на графических ускорителях (видеокартах). Излагается основная концепция, принципы, достоинства и недостатки каждой из рассматриваемых моделей программирования. Все стандарты написания программ, описанные в статье, возможно использовать в операционных системах как семейства Linux, так и Windows. Необходимые библиотеки доступны и совместимы с языком программирования C/C++. В заключении статьи даются рекомендации по использованию той или иной технологии в зависимости от типа задачи, которую необходимо решить. Ключевые слова: параллельные вычисления, поток, OpenMP, MPI, CUDA, OpenCL Для цитирования: Параллельные технологии программирования на вычислительных комплексах / С. А. Прядко, А. Ю. Трошин, В. Д. Козлов, А. Е. Иванов // Радиопромышленность. 2020. Т. 30, № 3. С. 28–33. DOI: 10.21778/2413‑9599‑2020‑30‑3-28-33 © Прядко С. А., Трошин А. Ю., Козлов В. Д., Иванов А. Е., 2020

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Parallel programming technologies on computer complexes S. A. Pryadko1, A. Yu. Troshin2, V. D. Kozlov2, A. E. Ivanov3 1

National University of Oil and Gas «Gubkin University», Moscow, Russia MIREA – R ussian Technological University, Moscow, Russia 3 M. A. Kartsev Scientific and Research Institute of Computing Systems, Moscow, Russia 2

The article describes various options for speeding up calculations on computer systems. These features are closely related to the architecture of these complexes. The objective of this paper is to provide necessary information when selecting the capability for the speeding process of solving the computation problem. The main features implemented using the following models are described: programming in systems with shared memory, programming in systems with distributed memory, and programming on graphics accelerators (video cards). The basic concept, principles, advantages, and disadvantages of each of the considered programming models are described. All standards for writing programs described in the article can be used both on Linux and Windows operating systems. The required libraries are available and compatible with the C/C++ programming language. The article concludes with recommendations on the use of a particular technology, depending on the type of task to be solved. Keywords: parallel computing, thread, OpenMP, MPI, CUDA, OpenCL For citation: Pryadko S. A., Troshin A. Y., Kozlov V. D., Ivanov A. E. Parallel programming technologies on computer complexes. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 28–33. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-28-33

Введение Ежегодно общемировой объем данных увеличивается на тысячи эксабайт. Согласно прогнозам компаний Seagate Technology и International Data Corporation, к 2025 году глобальный объем информации составит 163 зеттабайт [1]. Около трети всех данных уже сейчас нуждаются в обработке в режиме реального времени, а в ближайшем будущем порядка 60% данных будет производиться и обрабатываться коммерческими предприятиями. В условиях новой реальности для работы с постоянно увеличивающимся объемом данных необходимо использовать современные технологии программирования. Особое место среди них занимают технологии параллельного программирования, развитие которых тесно сопряжено с развитием техники. Технологии предназначены для организации взаимодействия между связанными процессами, объединенными в группу и протекающими одновременно. Это взаимодействие включает в себя как обмен данными (прием-передача), так и синхронизацию взаимодействующих процессов во времени, а также мониторинг текущего состояния и длительности процессов. Параллельное программирование позволяет эффективно повысить производительность реализуемого программного обеспечения. При этом важно выбрать наиболее подходящий из имеющихся способ распараллелить программу для обеспечения

максимального быстродействия. Значимый прирост быстродействия и более рациональное использование ресурсов вычислительной машины особенно важны при сложных вычислениях в области космических исследований, расшифровки генома человека, прогнозирования погоды, криптографии и других областях. Программирование на системах с общей памятью В настоящее время одной из наиболее широко применяемых технологий для организации параллельных вычислений является программирование на системах с общей памятью. Системы с общей памятью в общем виде представляют собой модель параллельной машины, с произвольным доступом к памяти – PRAM-модель (Parallel Random Access Machine) [2]. Такая модель вычислений может быть организована с использованием стандартных средств операционной системы, таких как процесс и поток, или высокоуровневых средств параллельного программирования, использующих многопоточность или популярную технологию OpenMP. Понятие общей памяти подразумевает наличие ресурса памяти, совместно используемого и распределяемого всеми процессорами, которые присутствуют в системе. Для параллельного программирования используется механизм создания множества потоков, для

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 которых не выделено отдельное адресное пространство, но которые также распределяются по процессорам. Это одно из основных преимуществ при вычислениях на данных системах, поскольку в виду того, что данные расположены в общей памяти, нет необходимости в операциях передачи сообщений, дублировании пользовательских массивов, системных и пользовательских буферов и, как следствие, достигается большая эффективность. При использовании технологии OpenMP весь текст программы разбивается на параллельные и последовательные секции. Параллелизм поддерживается благодаря модели fork-join (ветвления и объединения). Потоки запускаются одновременно, но выход из параллельной секции возможен только при завершении всех потоков, кроме главного (master-потока). Такой подход называется параллелизмом «пульсирующего» или «вилочного» типа. Однако следует помнить, что операции синхронизации и инициализации потоков весьма трудоемки и по сложности выполнения сопоставимы с выполнением тысяч арифметических операций. При создании параллельных секций необходимо учитывать трудоемкость порождения потоков и использовать их только при существенном преобладании временного выигрыша над затратами. Распределение и стабилизация вычислительной мощности принципиально важны для получения максимально эффективного выполнения параллельной программы и ее ускорения. Одно из немаловажных достоинств технологии OpenMP – это возможность реализации поэтапного (инкрементального) распараллеливания программ при этом без переработки их структуры [3]. Таким образом, эффективное использование потенциала систем с общей памятью возможно без осуществления каких-либо трудоемких процессов передачи сообщений, а также возможен перенос программы между различными компьютерными системами. Переносимость связана прежде всего с моделью программирования OpenMP, которая предоставляет независимый кроссплатформенный набор директив для компилятора (в меру кроссплатформенности языков C/C++/Fortran), библиотеки функций и переменных среды, которые в явном виде указывают компилятору, как организовать параллелизм в приложении. Распараллеливание требует минимальных изменений существующего кода. Программист при этом не обременен возможными дополнительными трудностями, связанными с созданием, синхронизацией, компенсацией нагрузки и прерыванием потоков. Немаловажен тот факт, что технологию OpenMP активно поддерживают ведущие игроки отрасли (AMD, IBM, Intel, HP, Nvidia, Oracle), что открывает хорошие перспективы для развития. Однако у OpenMP имеется и ряд недостатков. Главный из них – OpenMP рассчитан прежде всего 30

на мультипроцессоры и DSM-компьютеры, вследствие чего значительно ограничена область его применения. Также недостатками являются и сложность поиска и исправления ошибок, сложность выражения многоуровневого параллелизма программы, синхронизации вычислений и гонки потоков, плохо развитые средства отладки и обработки штатных ошибок. Программирование на системах с распределенной памятью Первоначально разработка систем с распределенной памятью решала задачу преодоления лимитов и ограничений, свойственных системам с общей памятью. Для систем с распределенной памятью характерна независимость работы процессоров друг от друга, вычислительная нагрузка распределена, и организован обмен данными между ними. Наилучшим решением для работы в вычислительных системах с распределенной памятью является MPI – message passing interface (интерфейс передачи сообщений). MPI – это наиболее распространенная технология программирования для объединенных вычислительных систем (кластерных) и систем с распределенной памятью [4]. Данный интерфейс основан на идеологии обмена сообщениями между параллельным процессами и имеет большое количество независимых реализаций. Сообщение – это некий набор атрибутов, среди которых, в частности, есть идентификатор процесса-отправителя, тег сообщения, идентификатор процесса-получателя. Все процессы могут выполняться на разных процессорах, каждый процесс имеет свое адресное пространство, а количество процессов определяется в момент запуска (в MPI‑2 реализована возможность динамического добавления). Процессы объединяются в группы, внутри группы все процессы пронумерованы. С каждой группой ассоциирован свой коммуникатор. При передаче сообщения необходимо указать коммуникатор, для которого производится эта пересылка. Группы процессов можно создавать произвольно, допустимо полное или частичное совпадение, пересечение или его отсутствие, а также при необходимости возможно создание глобального коммуникатора для передачи данных между процессами разных групп. Сообщения, переданные через разные коммуникаторы, не сталкиваются друг с другом и не мешают выполнению программы. Существует два режима выполнения – MPMD (Multiple Program Multiple Data) и SPMD (Single Program Multiple Data) [5]. MPMD характеризуется возможностью использования различных исходных кодов для процессов параллельного приложения, SPMD, в свою очередь, предполагает единый исходный код для каждого процесса. Данный стандарт

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 представлен набором спецификаций на языках, таких как C, C++ и Fortran. В MPI существует два вида взаимодействия процессов – это «точка-точка» («point-to-point») и коллективное взаимодействие. При использовании функции «point-to-point» в передаче сообщений участвует пара процессов, обмен производится между отправителем и получателем сообщений одного коммуникатора. Данный вид передачи гарантирует сохранение порядка сообщений от каждого процесса-отправителя, однако имеет продолжительное ожидание приема и отправки сообщений. Поскольку никаких общих данных или переменных нет, это – единственный способ взаимодействия. В свою очередь коллективное взаимодействие предполагает участие одновременно всех процессов коммуникатора, значения параметров должны быть одинаковы во всех процессах, исключением являются адреса буферов. Несомненно, MPI предоставляет огромный функционал для разработчика, библиотека содержит более 120 функций и процедур, реализован удобный, переносимый и эффективный стандарт передачи сообщений [6]. Несмотря на большое количество преимуществ, стандарт имеет значительное число недостатков. Во-первых, это трудоемкость программирования: использование MPI значительно усложняет внутреннюю структуру приложения, возникает необходимость контроля обмена сообщений, распределения массивов и витков циклов. Программисты часто сравнивают такое детальное управление процессами с низкоуровневым написанием машинного кода. Также отсутствует поддержка объектно-ориентированного подхода, отладка крайне затруднительна, отсутствуют механизмы установки первоначального позиционирования процессов по процессорам. Программирование на видеокартах Технология программирования на видеокартах была разработана ввиду замедления роста скорости выпускаемых процессоров, а также нерешенной проблемы обеспечения оптимальной рабочей температуры процессоров. Далеко не каждую задачу можно распараллелить на кластерной вычислительной системе, поэтому вычисление на видеокартах считается весьма неплохой альтернативой для повышения производительности вычислительных операций, которые нужно выполнить. Производство видеокарт идет по принципиально иному пути, отличному от производства процессоров: наращивается не мощность процессоров, а их количество. Графический процессор (graphics processing unit, GPU) состоит из тысячи однородных ядер с общей памятью работающих на небольшой частоте [7]. Работа GPU по умолчанию параллельна, он максимизирует производительность группы

потоков, которые, в свою очередь, имеют общий кэш и быструю разделяемую память, переключение между потоками происходит молниеносно. То, на что центральный процессор тратит сотню тактов, графический процессор способен выполнить за один такт ввиду большого количества ядер. Также основным отличием от центрального процессора (central processing unit – CPU) является небольшая кэш-память и оперативная память с высокой пропускной способностью и высокой латентностью. На GPU хорошо распараллеливаются: задачи, которые имеют параллелизм по данным, то есть имеют одну и ту же последовательность одинаково сложных вычислений, применяемую к разным данным; задачи, которые не имеют потребности глобальной синхронизации; задачи, в которых число арифметических операций соизмеримо выше необходимости постоянного доступа к памяти. С развитием технологии вычислений на GPU, были разработаны и анонсированы платформы CUDA (Compute Unified Device Architecture) от NVIDIA, а затем и OpenCL (Open Computing Language) от Apple. Благодаря CUDA вычислительные задачи в области медицины, астрофизики, криптографии, искусственного интеллекта, молекулярной динамики и многих других важных областях человеческой жизни стали решаться быстрее в десятки и сотни раз. Технология CUDA [8] основана на программно-аппаратной архитектуре параллельных вычислений, включающей описание вычислительного параллелизма и иерархичной структуры памяти. CUDA-SDK представляет собой кроссплатформенную систему компиляции программ, написанных на C, C++ и Fortran, что обеспечивает оптимизированное выполнение определенной программной части на GPU, а другой программной части – на CPU. Данная технология организует доступ к набору инструкций видеокарты и управляет ее памятью при организации параллельных вычислений. Программирование CUDA подобно OpenMPпрограммированию: оно требует хорошего понимания организации памяти, но сложность разработки и переноса вычислений на CUDA сильно зависит от реализуемого приложения. В последнее время с выходом новых версий CUDA наблюдается тенденция постепенного превращения GPU в самостоятельное автономное устройство, которое способно заменить обычный CPU за счет внедрения CPUядра в сам GPU (обладающего хорошей энергоэффективностью и высокой производительностью). По сравнению с традиционным подходом к параллельным вычислениям, CUDA имеет ряд значительных преимуществ, например аппаратную поддержку целочисленных и битовых операций, более эффективный обмен данных между CPU и GPU, линейную адресацию памяти и возможность записи

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 по произвольным адресам памяти, и, конечно же, доступ к «shared memory». «Shared memory» – память, разделяемая между потоками, которая позволяет организовать кэш с более широкой полосой пропускания, чем при выборке из обычных текстур. Из основных ограничений и слабых мест CUDA стоит отметить отсутствие поддержки рекурсии во всех функциях, закрытую архитектуру и минимальную ширину блока в 32 потока. Тем не менее, CUDA занимает достойное место среди технологий программирования на видеокартах и особенно пришлась по вкусу ученым в исследовательской деятельности – алгоритмическая оптимизация и четкое следование правилам параллельного программирования на CUDA позволило им получить 100-кратный прирост в вычислениях. OpenCL – аналог CUDA, но от другого разработчика. Принципы работы остаются такими же [9, 10]. Из преимуществ технологии OpenCL стоит отметить: поддержку широкого класса вычислительных устройств; переносимость вычислительных программ и программного кода на широком классе устройств и платформ. К слабым сторонам данной технологии можно отнести отсутствие указателей на функции, отсутствие поддержки рекурсии во всех функциях и отсутствие поддержки битовых полей. Выводы В современном мире наблюдается следующая тенденция: количество данных, которое нужно обработать, растет и растет, а время на обработку уменьшается. Именно эта тенденция стимулирует развитие техники и возможностей ее использования. Некоторые из таких возможностей (параллельные технологии) были описаны в данной работе. Эти технологии находят свое применение во многих областях, а их использование уже показало неплохие результаты. В областях, где необходимо обработать массив независимых данных, удобно использовать все описанные технологии распараллеливания,

и выбор обуславливается технической возможностью и временными рамками. Если количество информации, которое необходимо пересылать при использовании MPI, велико, то от данного способа распараллеливания стоит отказаться, так как слишком большие временные затраты уйдут на пересылку сообщений. Использовать графические ускорители необходимо при описанных ограничениях, что является неудобным в программах со сложной структурой, в которой много блоков малой трудоемкости. В задачах со множеством однотипных операций и большим объемом обрабатываемой информации GPU принесут большую выгоду. В АО «НИИВК им. М. А. Карцева» ведется разработка и проектирование вычислительных комплексов для ряда задач обработки информации. Созданные вычислительные комплексы помимо основных задач используются для обучения студентов современным компьютерным технологиям. Эти комплексы могут содержать как графические ускорители (некоторые модели GPU могут использоваться только для вычислений и не предназначены для работы с графикой, несмотря на высокую мощность) наряду с мощными процессорами, так и комплексы из вычислительных модулей высокой производительности. Параллельные технологии программирования могут использоваться и параллельно (например, часть расчетов отправляется на GPU, в то время как параллельно CPU решает другие задачи, или синхронизацию данных между модулями обеспечивает MPI, а обработку – OpenMP), что увеличивает возможности программирования, вычислительные мощности и спектр решаемых задач. Несмотря на обширный инструментарий для распараллеливания, задача созданий новых методов распараллеливания, архитектур вычислительных комплексов и библиотек для программирования является актуальной на сегодняшний день и будет оставаться такой и в будущем.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Reinsel D., Gantz J., Rydning J. The Digitization of the World [Электронный ресурс]. URL: https://www.seagate.com/files/ www-content/our-story/trends/files/idc-seagate-dataage-whitepaper.pdf (дата обращения: 06.07.2020). 2. Ежова Н. А., Соколинский Л. Б. Обзор моделей параллельных вычислений // Вестник ЮУрГУ. 2019. № 3. С. 58–91. 3. Антонов А. С. Параллельное программирование с использованием технологии OpenMP. М.: МГУ, 2009. 77 c. 4. Антонов А. С. Параллельное программирование с использованием технологии MPI. М.: Национальный Открытый Университет «ИНТУИТ», 2016. 84 с. 5. Копысов С. П., Новиков А. К. Промежуточное программное обеспечение параллельных вычислений. Ижевск: Удмуртский университет. 2012. 140 с. 6. Малявко А. А. Параллельное программирование на основе технологий OpenMP, MPI, CUDA. М.: Юрайт, 2018. 115 с. 7. Боресков А. В., Харламов А. А., Марковский Н. Д. Параллельные вычисления на GPU. Архитектура и программная модель CUDА. М.: МГУ, 2012. 336 с. 8. Сандерс Дж., Кэндрот Э. Технология CUDA в примерах: введение в программирование графических процессоров. М.: ДМК Пресс, 2013. 232 с. 9. Антонюк В. А. OpenCL. Открытый язык для параллельных программ. М.: МГУ, 2017. 88 с. 10. Бастраков С. И. Программирование на OpenCL. [Электронный ресурс]. URL: https://docplayer.ru/37490743Programmirovanie-na-opencl.html (дата обращения: 06.07.2020).

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 REFERENCES 1. Reinsel D., Gantz J., Rydning J. The Digitization of the World. Available at: https://www.seagate.com/files/www-content/ourstory/trends/files/idc-seagate-dataage-whitepaper.pdf (accessed 06.07.2020). 2. Ezhova N. A., Sokolinsky L. B. Survey of Parallel Computation Models. Vestnik JuUrGU. 2019, no. 3, pp. 58–91 (in Russian). 3. Antonov A. S. Parallelnoe programmirovanie s ispolzovaniem tehnologii OpenMP [Parallel programming using OpenMP technology]. Moscow, MGU Publ., 2009, 77 p. (In Russian). 4. Antonov A. S. Parallelnoe programmirovanie s ispolzovaniem tehnologii MPI [Parallel programming using MPI technology]. Moscow, Natsionalnyj Otkrytyj Universitet «INTUIT» Publ., 2016, 84 p. (In Russian). 5. Kopysov S. P., Novikov A. K. Promezhutochnoe programmnoe obespechenie parallel’nyh vychislenij [Parallel computing of middleware]. Izhevsk, Udmurtskii universitet Publ., 2012, 140 p. (In Russian). 6. Malyavko A. A. Parallelnoe programmirovanie na osnove tekhnologii OpenMP, MPI, CUDA [Parallel programming based on OpenMP, MPI, CUDA technology]. Moscow, Yurait Publ., 2018, 115 p. (In Russian). 7. Boreskov А. V., Kharlamov А. А., Markovskij N. D. Parallelnye vychisleniya na GPU. Аrkhitektura i programmnaya model CUDA [Parallel computing on GPU. Architecture and program model CUDA]. Moscow, MGU Publ., 2012, 336 p. (In Russian). 8. Sanders Dzh., Kendrot E. Tekhnologiya CUDA v primerakh: vvedenie v programmirovanie graficheskikh protsessorov [CUDA Technology in examples: introduction in GPU programming]. Moscow, DMK Press Publ., 2013, 232 p. (In Russian). 9. Аntonyuk V. А. OpenCL. Otkrytyj yazyk dlya parallelnykh programm [OpenCL. Open language for parallel programs]. Moscow, MGU Publ., 2017, 88 p. (In Russian). 10. Bastrakov S. I. OpenCL programming (In Russian). Available at: https://docplayer.ru/37490743-Programmirovanie-na-opencl. html (accessed 06.07.2020).

ИНФОРМАЦИЯ ОБ АВТОРАХ Прядко Сергей Александрович, к. т. н., доцент, ФГАОУ ВО «Российский государственный университет нефти и газа (НИУ) имени И. М. Губкина», 119991, Москва, Ленинский пр-т, д. 65, к. 1, тел.: +7 (903) 590‑27‑71, e-mail: sergeypryadko@gmail.com, ORCID: 0000‑0002‑7780‑1442. Трошин Алексей Юрьевич, студент, ФГБОУ ВО «МИРЭА – Российский технологический университет», 119454, Москва, пр-т Вернадского, д. 78, тел.: +7 (925) 332‑11‑93, e-mail: dubintrosh@gmail.com. Козлов Вадим Дмитриевич, студент, ФГБОУ ВО «МИРЭА – Российский технологический университет», 119454, Москва, пр-т Вернадского, д. 78, тел.: 8 (977) 267‑16‑36, e-mail: brus.96@yandex.ru. Иванов Александр Евгеньевич, инженер-программист, АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева», 117437, Москва, ул. Профсоюзная, д. 108, тел.: +7 (916) 098‑15‑66, e-mail: al2ivanov@yandex.ru.

AUTHORS Sergey A. Pryadko, Ph.D. (Engineering), assistant professor, National University of Oil and Gas «Gubkin University», 65, Leninsky prospekt, 119991, Moscow, Russia, tel.: +7 (903) 590‑27‑71, email: sergeypryadko@gmail.com, ORCID: 0000‑0002‑7780‑1442. Aleksey Yu. Troshin, student, MIREA – Russian Technological University, 78, Prospekt Vernadskogo, Moscow, 119454, Russia, tel.: +7 (925) 332‑11‑93, e-mail: dubintrosh@gmail.com. Vadim D. Kozlov, student, MIREA – Russian Technological University, 78, Prospekt Vernadskogo, Moscow, 119454, Russia, tel.: +7 (977) 267‑16‑36, e-mail: brus.96@yandex.ru. Aleksandr E. Ivanov, software development engineer, M. A. Kartsev Scientific and Research Institute of Computing Systems, 108, Profsoyuznaya ulitsa, Moscow, 117437, Russia, tel.: +7 (916) 098‑15‑66, email: al2ivanov@yandex.ru. Поступила 18.03.2020; принята к публикации 06.04.2020; опубликована онлайн 07.09.2020. Submitted 18.03.2020; revised 06.04.2020; published online 07.09.2020.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30-3-34-39 УДК: 004.451.1

Виртуализация подсистемы вводавывода микропроцессоров «Эльбрус» С. А. Рыбаков1, 2, Н. Ю. Поляков1 1 АО 2

«МЦСТ», Москва, Россия ФГБОУ ВО «МИРЭА – Российский технологический университет», Москва, Россия

В статье приведено описание и сравнение адаптированных для архитектуры «Эльбрус» методов виртуализации устройств ввода-вывода, входящих в конфигурацию универсальных микропроцессоров. Рассмотренные методы программной эмуляции и паравиртуализации устройств не требуют аппаратной поддержки и обеспечивают полную изоляцию реальных устройств от виртуальных на уровне гипервизора, что позволяет лучше консолидировать физический ввод-вывод. Лучшую производительность по сравнению с другими методами обеспечивает прямое назначение устройства гостю, которое требует аппаратных доработок в блоке управления памятью для операций ввода-вывода (IOMMU). Аппаратная поддержка виртуализации ввода-вывода была реализована в микропроцессорах «Эльбрус‑16C» нового поколения. Результаты исследования могут быть применены пользователями виртуализации платформы «Эльбрус» для детальной настройки ввода-вывода виртуальных машин с целью оптимизации каждой гостевой системы под конкретные задачи. Ключевые слова: виртуализация ввода-вывода, virtio, VFIO, IOMMU, «Эльбрус‑16С» Для цитирования: Рыбаков С. А., Поляков Н. Ю. Виртуализация подсистемы ввода-вывода микропроцессоров «Эльбрус» // Радиопромышленность. 2020. Т. 30, № 3. С. 34–39. DOI: 10.21778/2413‑9599‑2020‑30-3-34-39 © Рыбаков С. А., Поляков Н. Ю., 2020

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Input/output virtualization of Elbrus microprocessors S. A. Rybakov1, 2, N. Yu. Polyakov1 1 2

JSC MCST, Moscow, Russia MIREA – R ussian Technological University, Moscow, Russia

The article describes and compares the methods of input-output (I/O) virtualization, adapted for the Elbrus architecture. The presented methods of software emulation and paravirtualization of devices do not require hardware support and provide complete isolation of real devices from virtual ones at the hypervisor level, which allows for better consolidation of physical I/O. Direct assignment of the device to the guest provides better performance over the other methods, but requires hardware modifications in the I/O Memory Management Unit (IOMMU). Hardware support for I/O virtualization was implemented in the new generation of Elbrus microprocessors. The research results can help the users of the Elbrus platform virtualization to setup a detailed configuration of the virtual machine I/O to optimize each guest system for specific tasks. Keywords: input-output virtualization, virtio, VFIO, IOMMU, Elbrus‑16C For citation: Rybakov S. A., Polyakov N. Yu. Input/output virtualization of Elbrus microprocessors. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 34–39. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-34-39.

Введение Виртуализация операционной системы (ОС) – это технология предоставления набора вычислительных ресурсов (процессоров, оперативной памяти, устройств ввода-вывода) гостевым операционным системам с обеспечением их логической изоляции друг от друга. Подсистема ввода-вывода является неотъемлемой частью виртуальной вычислительной системы. Устройства ввода-вывода могут быть эмулированы программно на уровне гипервизора. Гипервизор также может передать реальное устройство в пользование одной из гостевых систем. В данной статье приводится сравнение этих методов виртуализации ввода-вывода. Полная виртуализация и паравиртуализация Прежде всего следует описать принципиальное различие между полной виртуализацией и паравиртулизацией. В первом случае гипервизору удается полностью эмулировать поведение аппаратуры, вследствие чего гостевая ОС не знает, что она исполняется внутри виртуальной машины. Таким образом, при полной виртуализации на поддерживающем ее аппаратном обеспечении «Эльбрус» в качестве гостя может быть без изменений запущена любая ОС «Эльбрус». С помощью системы динамической двоичной трансляции в качестве гостя могут быть также запущены ОС на основе архитектуры Intel x86. Паравиртуализация – это техника, при которой гостевая ОС подготавливается для исполнения

в виртуализированной среде, для чего ее ядро незначительно модифицируется. Паравиртуализированная гостевая ОС понимает, что она исполняется внутри виртуальной машины, и это дает ей возможность передавать управление гипервизору напрямую, без перехватов, через гипервызовы. При наличии аппаратной поддержки паравиртуализация позволяет существенно повысить производительность. Предположим, например, что гостю для некоторой смены контекста нужно прописать ряд аппаратных регистров. В режиме полной виртуализации доступ к каждому регистру будет перехвачен, а паравиртуализированный гость может обратиться к гипервизору напрямую с просьбой произвести смену контекста целиком в одном гипервызове. Таким образом, паравиртуализация позволяет избежать неоднократных тяжеловесных переключений гость-гипервизор. Главным недостатком этой техники является необходимость модификации ядра гостевой ОС либо установки дополнительных, паравиртуализированных драйверов в гостевые системы. Изменение ядра возможно лишь в случае, если гостевая ОС имеет открытые исходные коды, которые можно модифицировать согласно лицензии. Интерпозиция ввода-вывода Традиционный подход к виртуализации вводавывода, который использовался и до реализации аппаратной поддержки виртуализации, отделяет виртуальный ввод-вывод от физического.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Гипервизор предоставляет гостю набор виртуальных устройств, затем он перехватывает обращения гостя к устройствам ввода-вывода и эмулирует их, используя в том числе и реальные устройства. Такой принцип виртуализации ввода-вывода характеризуется как интерпозиция [1]. У этого подхода есть ряд достоинств. Существенно, что при интерпозиции ввода-вывода гипервизору в любой момент времени доступно состояние виртуальной машины целиком, включая все виртуальные устройства. Его можно, например, сохранить в виде файла, чтобы позднее возобновить работу гостя с сохраненного момента, возможно, даже на другом физическом сервере. Другим преимуществом интерпозиции является консолидация ввода-вывода. Несколько виртуальных устройств могут обслуживаться одним реальным, что повысит его утилизацию. Есть также и обратная возможность – объединение нескольких реальных устройств в одно виртуальное с лучшими производительностью и отказоустойчивостью. Гипервизор может поддержать функциональность для виртуальных устройств, не предоставляемую реальным оборудованием. Наконец, при интерпозиции ввода-вывода гипервизор имеет право производить оптимизации физической памяти гостя. Рассмотрим в качестве примера гипервизор ОС «Эльбрус» – пользовательское приложение QEMU (Quick Emulator) [2], взаимодействующее с модулями ядра Linux KVM (Kernel-based Virtual Machine) [3]. С точки зрения ядра ОС физическая память гостя является виртуальной памятью процесса QEMU, и к ней применимы стандартные оптимизации виртуальной памяти Linux (в том числе подкачка страниц по необходимости и откачка памяти на диск). В отличие от методов виртуализации с интерпозицией вводавывода, не накладывающих на эти оптимизации никаких ограничений, рассматриваемый далее метод прямого назначения устройства требует их запрета. Метод программной эмуляции (полной виртуализации) ввода-вывода ОС взаимодействует с устройствами ввода-вывода через их регистры (PIO/MMIO), интерфейс DMA (Direct Memory Access) и прерывания. Все эти способы взаимодействия моделируются внутри эмулятора QEMU, который выступает для гостевой ОС в качестве программы начального старта. При инициализации виртуальной машины QEMU генерирует для гостя PCI-дерево (Peripheral Component Interconnect) всех доступных устройств. Доступы гостя к регистрам устройств попадают в QEMU через перехваты. При необходимости QEMU может осуществлять гостевые DMA (поскольку гипервизору 36

доступна вся гостевая физическая память), а также доставлять гостевые прерывания. Однако эмуляция, или полная виртуализация, устройств часто вносит большие задержки, негативно влияющие на производительность гостевой ОС. Драйверы большинства реальных устройств содержат частые обращения к их регистрам. Поскольку при виртуализации каждое гостевое обращение к регистру устройства приводит к тяжеловесному перехвату, производительность работы с виртуальным устройством оказывается далекой от оптимальной. Метод паравиртуализации ввода-вывода (virtio) Для уменьшения задержек эмуляции используются специальные виртуальные устройства, предназначенные для эффективной виртуализации, – virtio [4]. С их применением улучшение производительности по сравнению с полной виртуализацией устройств достигается за счет значительного снижения числа перехватов и гостевых прерываний. Интерфейс virtio реализуется рядом виртуальных устройств и соответствующих им драйверов, включая серийный порт, жесткий диск и сетевой адаптер. С целью улучшения пропускной способности сети также реализовано устройство Vhost-net, позволяющее обрабатывать перехваты в модулях ядра Linux KVM без выхода в QEMU. Поскольку физических устройств virtio не существует, операционная система, работающая с драйверами virtio, может быть только гостевой. Таким образом, гость неизбежно получает информацию о том, что он запущен внутри виртуальной машины, а значит, драйверы virtio можно считать элементами паравиртуализации гостя. Метод прямого назначения устройства В случае аппаратной поддержки виртуализации возможен метод виртуализации ввода-вывода, позволяющий отдать гостю в пользование реальное физическое устройство. При этом другие гости и даже гипервизор теряют возможность пользоваться этим устройством. Такой подход называется пробросом, или прямым назначением устройства гостю. Хотя этот метод обеспечивает наилучшую производительность, он имеет ряд недостатков. Во-первых, при пробросе приходится отказаться от всех преимуществ интерпозиции ввода-вывода. Во-вторых, этот метод плохо масштабируется. В-третьих, при передаче гостю контроля над устройством у него появляется возможность по ошибке или намеренно запускать DMA по произвольному физическому адресу (в том числе по адресу в памяти гипервизора или других гостей), а также генерировать MSI-прерывания (Message Signaled

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Interrupts) с произвольным вектором. Для защиты от такого поведения гостя в проектах «Эльбрус» были проведены аппаратные доработки блока IOMMU (Input/Output Memory Management Unit). По аналогии с блоком управления памятью MMU (Memory Management Unit) устройство IOMMU выполняет проход по таблице страниц для трансляции виртуальных адресов в физические. Но блок IOMMU, в отличие от MMU, не позволяет обрабатывать отказы страницы, поскольку устройства ввода-вывода рассчитывают на доступность DMAбуферов в любой момент времени. Во избежание отказов страниц при DMA реализация проброса устройства требует от гипервизора резидентирования всего гостевого физического адресного пространства в памяти. Это приводит к потере возможности применения стандартных оптимизаций физической памяти гостя. Драйверами устройств традиционно заведует ядро ОС. Поскольку QEMU – это обычное пользовательское приложение, появилась необходимость в интерфейсе с ядром, который позволил бы реализовывать драйверы устройств в пространстве пользователя. Этот интерфейс – VFIO (Virtual Function I/O) – предоставляет пользовательским драйверам доступ к регистрам устройства, DMA и прерываниям. VFIO позволяет приложению QEMU создать и эмулировать виртуальное конфигурационное пространство PCI для пробрасываемого устройства, отображать регистры устройства гостю для доступа без перехватов, а также резервировать физическую память гостя и заполнять гипервизорную таблицу страниц IOMMU. Для поддержки метода прямого назначения устройства интерфейс VFIO был портирован на архитектуру «Эльбрус». Аппаратная поддержка виртуализации ввода-вывода в микропроцессорах с архитектурой «Эльбрус» Согласно [5, 6] для аппаратной поддержки прямого назначения устройства гостю необходимо обеспечить: • трансляцию адресов DMA-обращений устройства; • изоляцию и маршрутизацию внешних прерываний от устройства; • прямую доставку прерываний виртуальному процессору; • обработку нештатных ситуаций – фиксацию в журнале и оповещение гипервизора об ошибках трансляции DMA или прерываний. Трансляция DMA-обращений гостевого устройства обеспечивается блоком IOMMU, тогда как за маршрутизацию и доставку гостевых прерываний

главным образом отвечает программируемый контроллер прерываний «Эльбрус» (EPIC), с промежуточной трансляцией прерываний в IOMMU [7]. При возникновении нештатной ситуации оба контроллера имеют возможность уведомления гипервизора об ошибке с помощью прерывания. Рассмотрим подробнее механизм трансляции адресов DMA обращений, задача которого состоит в следующем: 1. Изолировать устройства разных гостевых ОС. 2. Организовать двухуровневую трансляцию адреса: из гостевого виртуального адреса (Guest Virtual Address, GVA) в гостевой физический адрес (Guest Physical Address, GPA), затем из GPA в физический адрес гипервизора (Host Physical Address, HPA). Для выполнения первого требования необходимо использовать разные структуры трансляции для устройств разных гостей, то есть каждый гость должен иметь свой указатель на структуру трансляции. Данная возможность в процессоре «Эльбрус‑16С» реализована через таблицу устройств DT (Device Table). Она расположена в физической памяти и для каждого устройства содержит номер гостя, указатель на структуру трансляции и различные права доступа. Таблица, которую формирует гипервизор, индексируется полным идентификатором PCIустройства (bus, device, function) и, таким образом, может содержать до 216 элементов. В блоке IOMMU реализован программно доступный регистр-указатель на DT, а также поддержка обращения к DT при трансляции адреса и кэширование элементов DT. Второе требование необходимо для работы гостевых устройств по виртуальным адресам гостя. Для его выполнения необходимо организовать аппаратный доступ к гостевым структурам трансляции. Это реализовано также через таблицу DT, в элемент которой добавлен указатель на гостевую структуру трансляции и гостевые права доступа устройства. В IOMMU реализована аппаратная поддержка двух уровней трансляции с соответствующими кэш-памятями структур трансляций. Схема блока IOMMU приведена на рисунке. При поступлении запроса на трансляцию сначала выполняется поиск PA в IOTLB, при этом в качестве тэга поиска используется совокупность VA и PCI ID. В случае нахождения искомого VA для данного PCI ID выполняется чтение PA из IOTLB, происходит проверка прав доступа и формируется ответ из IOMMU. При отсутствии искомого VA для данного PCI ID выполняется поиск соответствующего элемента в таблице DT. Если элемент найден, то он считывается, при промахе – элемент DT считывается из оперативной памяти. Далее аналогичным

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

IOMMU VA

IOTLB

command

Трехстадийный конвейер трансляции адреса / Three-stage address translation pipeline Device TW

1st level TW

2nd level TW

Device TLB

TLU

SL-TLU

Оперативная память / Main memory

Рисунок. Структурная схема блока IOMMU в составе процессора «Эльбрус‑16С»: IOTLB (Input/ Output Translation Lookasidе Buffer) – кэш конечных трансляций; Device TW (Table Walker) – устройство обхода таблицы устройств; 1st Level TW – у стройство обхода таблиц трансляции первого уровня; 2nd Level TW – устройство обхода таблиц трансляции второго уровня; Device TLB (Translation Lookasidе Buffer) – кэш-память таблицы устройств; TLU (Translation Lookasidе Unit) – к эшпамять таблиц трансляции первого уровня; SL-TLU – к эш-память таблиц трансляции второго уровня; CR – блок конфигурационных регистров; PA – физический адрес; VA – в иртуальный адрес Figure. Structural diagram of the IOMMU as part of the Elbrus‑16С processor: IOTLB (Input/Output Translation Lookaside Buffer) – final translations cache; Device TW (Table Walker) – u nit for walking the device table; 1st Level TW – device for walking translation tables of the first level; 2nd Level TW – d evice for walking translation tables of the second level; Device TLB (Translation Lookaside Buffer) – d evice table cache; TLU (Translation Lookaside Unit) – cache memory of translation tables of the first level; SL-TLU – second-level translation table cache; CR – block of configuration registers; PA – p hysical address; VA – virtual address

образом выполняются поиск и чтение элементов таблиц трансляции первого и второго уровней. На первом уровне выполняются трансляции GVA – GPA (при работе гостевого устройства по виртуальным адресам) и HVA – PA (при работе устройства под управлением гипервизора). Трансляция GPA – PA выполняется на втором уровне. Блок IOMMU поддерживает возможность работы гостевого устройства по GPA, в этом случае первый уровень трансляции пропускается. Режимы работы устройства задаются гипервизором в DT. Кроме того, на гипервизоре лежит обязанность по перехвату всех действий гостя со своими таблицами трансляции, так как гость не имеет прямого доступа к IOMMU. Реализованный механизм трансляции адресов близок к варианту AMD [5], за исключением внутреннего содержимого структур трансляции. Также, в отличие от реализации AMD, позволяющей использовать в IOMMU произвольный размер страниц (кратный 4 Кб), на «Эльбрус» доступно только 3 фиксированных размера страниц (4 Кб, 2 Мб и 1 Гб), что позволило значительно упростить аппаратную реализацию. В отличие от реализации Intel [6] предложенная схема имеет одноуровневую таблицу устройств, в то время как Intel использует 2 уровня таблиц (Root Table и Context Table), что усложняет как аппаратную реализацию, 38

так и процесс создания таблиц операционной системой. Кроме того, в отличие от Intel и AMD, описанная реализация IOMMU позволяет выполнять двухуровневую трансляцию без поддержки идентификаторов адресного пространства процесса (интерфейса PASID PCI Express) – это также позволило упростить аппаратную реализацию. Однако, из-за отсутствия поддержки PASID, при передаче одной виртуальной машине в пользование нескольких реальных устройств, трансляция их обращений будет выполняться по одинаковым таблицам, без изоляции указанных устройств друг от друга. Выводы Сравним приведенные выше три метода виртуализации ввода-вывода. Метод программной эмуляции позволяет запускать гостевые ОС без их модификации в режиме полной виртуализации, но имеет низкую производительность. Используемый при паравиртуализации метод virtio позволяет значительно повысить производительность устройств хранения данных и передачи данных по сети, но требует установки дополнительного программного обеспечения на гостевые системы. Метод прямого назначения устройства (проброс устройства) позволяет полностью избавиться от издержек на эмуляцию и достичь наилучшей производительности. Однако при

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 этом приходится отказаться от преимуществ интерпозиции ввода-вывода, включая стандартные оптимизации физической памяти гостя. Каждый из методов виртуализации ввода-вывода обладает своими достоинствами и недо-

статками. Платформа «Эльбрус» предоставляет пользователю возможность тонкой настройки ввода-вывода виртуальных машин с целью оптимизации каждой гостевой системы под конкретные задачи.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Bugnion E., Nieh J., Tsafrir D. Hardware and Software Support for Virtualization (Synthesis Lectures on Computer Architecture). Morgan & Claypool Publishers, 2017, 208 p. 2. Bellard F. QEMU, a Fast and Portable Dynamic Translator. In: Proceedings of the annual conference on USENIX Annual Technical Conference, 2005, pp. 41–46. 3. Kivity A., Kamay Y., Laor D, Lublin U., Liguori A. KVM: The Linux virtual machine monitor. In: Proceedings of the 2007 Ottawa Linux Symposium (OLS), 2007, pp. 225–230. 4. Russell R. Virtio: towards a de-facto standard for virtual I/O devices. ACM SIGOPS Operating Systems Review, 2008, vol. 42, no. 5, pp. 95–103. 5. AMD I/O Virtualization Technology (IOMMU) Specification Revision 2.0 [Электронный ресурс]. URL: http://developer.amd. com/wordpress/media/2012/10/48882.pdf (дата обращения: 22.04.2020). 6. Intel Virtualization Technology for Directed I/O (VT-d) Architecture Specification [Электронный ресурс]. URL: https:// software.intel.com/content/dam/develop/public/us/en/documents/vt-directed-io-spec.pdf (дата обращения: 23.07.2020). 7. Рыбаков С. А., Деменко Р. В. Виртуализация подсистемы прерываний микропроцессоров «Эльбрус» // Электроника: Наука, Технология, Бизнес. 2020. № 5. С. 68–72.

REFERENCES 1. Bugnion E., Nieh J., Tsafrir D. Hardware and Software Support for Virtualization (Synthesis Lectures on Computer Architecture). Morgan & Claypool Publishers, 2017, 208 p. 2. Bellard F. QEMU, a Fast and Portable Dynamic Translator. In: Proceedings of the annual conference on USENIX Annual Technical Conference, 2005, pp. 41–46. 3. Kivity A., Kamay Y., Laor D, Lublin U., Liguori A. KVM: The Linux virtual machine monitor. In: Proceedings of the 2007 Ottawa Linux Symposium (OLS), 2007, pp. 225–230. 4. Russell R. Virtio: towards a de-facto standard for virtual I/O devices. ACM SIGOPS Operating Systems Review, 2008, vol. 42, no. 5, pp. 95–103. 5. AMD I/O Virtualization Technology (IOMMU) Specification Revision 2.0. Available at: http://developer.amd.com/wordpress/ media/2012/10/48882.pdf (accessed 20.07.2020). 6. Intel Virtualization Technology for Directed I/O (VT-d) Architecture Specification. Available at: https://software.intel.com/ content/dam/develop/public/us/en/documents/vt-directed-io-spec.pdf (accessed 23.07.2020). 7. Rybakov S. A., Demenko R. V. Virtualization of Elbrus microprocessor interrupt subsystem. Ehlektronika: Nauka, Tekhnologiya, Biznes, 2020, no. 5, pp. 68–72. (In Russian).

ИНФОРМАЦИЯ ОБ АВТОРАХ Рыбаков Степан Андреевич, аспирант, ФГБОУ ВО «МИРЭА – Российский технологический университет», инженер-программист 1-й категории, АО «МЦСТ», 119334, Москва, ул. Вавилова, д. 24, тел.: +7 (499) 135‑14‑75, e-mail: Stepan.A.Rybakov@mcst.ru. Поляков Никита Юрьевич, старший инженер, АО «МЦСТ», 119334, Москва, ул. Вавилова, д. 24, тел.: +7 (499) 135‑31‑08, e-mail: polyakov_n@mcst.ru.

AUTHORS Stepan A. Rybakov, postgraduate student, MIREA – Russian Technological University, 1st category software engineer, MCST JSC, 24, ulitsa Vavilova, Moscow, 119334, Russia, tel.: +7 (499) 135‑14‑75, e-mail: Stepan.A.Rybakov@mcst.ru. Nikita Yu. Polyakov, senior engineer, MCST JSC, 24, ulitsa Vavilova, Moscow, 119334, Russia, tel.: +7 (499) 135‑31‑08, e-mail: polyakov_n@mcst.ru. Поступила 28.04.2020; принята к публикации 15.07.2020; опубликована онлайн 07.09.2020. Submitted 28.04.2020; revised 15.07.2020; published online 07.09.2020.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-40-49 УДК 681.513.5

Оптимальное программное движение с изменяемым временем регулирования В. С. Хорошавин1, В. С. Грудинин1 1

ФГБОУ ВО «Вятский государственный университет», Киров, Россия

Задачи быстродействия и точности являются типовыми задачами в теории и практике оптимального управления, причем требование по технологии минимального отклонения от заданного движения часто важнее быстродействия. Рассматривается поиск управлений, обеспечивающих точность воспроизведения траектории движения при заданном времени переходного процесса. В качестве основного метода используется принцип максимума Понтрягина, дополненного для исследования особых ситуаций без анализа вспомогательных переменных условиями общности положения (УОП) для нелинейных систем в расширенном пространстве координат, учитывающим объект, нелинейный по отклонениям координат критерий и явное вхождение времени. Для расширения алгоритмов управления исследуются элементы векторов, влияющих на выполнение УОП. Время перехода определяется введенным в интегральный критерий точности параметром, характеризующим скорость изменения координат. Рассмотрен пример о переходе в начало координат объекта с двумя последовательно соединенными интеграторами с критерием, учитывающим точность и время перехода. С помощью УОП получены новые алгоритмы управления и структуры замкнутых систем. Определены соотношения между параметром времени регулирования и начальными условиями для координат. С учетом ограничения на управление получены условия реализации непрерывного особого управления и/или скользящего режима. Аналитические материалы подтверждены результатами моделирования систем. Результаты работы могут быть использованы для управления, в том числе нелинейными объектами, в робототехнике, тепловыми процессами (печи, автоклавы, прерывистое управление отоплением зданий). Ключевые слова: быстродействие, точность, оптимальное программное движение, изменяемое время регулирования, принцип максимума, особое (сингулярное) управление, качественная теория дифференциальных уравнений, синтез алгоритмов управления и структур систем Для цитирования: Хорошавин В. С., Грудинин В. С. Оптимальное программное движение с изменяемым временем регулирования // Радиопромышленность. 2020. Т. 30, № 3. С. 40–49. DOI: 10.21778/2413‑9599‑2020‑30‑3-40-49 © Хорошавин В. С., Грудинин В. С., 2020

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Optimal programmed movement with variable control times V. S. Khoroshavin1, V. S. Grudinin1 1

Vyatka State University, Kirov, Russia

The problems of speed and accuracy are typical in the theory and practice of optimal control, and the requirement for the technology of minimum deviation from a given motion is often more important than speed. The search for controls that ensure the accuracy of reproducing the trajectory of motion for a given time of the transient process is considered. The Pontryagin maximum principle is used as the main method. It is supplemented for the study of special situations without analyzing auxiliary variables by the state commonness conditions (SCC) for nonlinear systems in extended coordinate space, taking into account an object, a criterion nonlinear in coordinate deviations, and an explicit occurrence of time. To expand the control algorithms, the elements of the vectors that affect the execution of the SCC are investigated. The transition time is determined by the parameter introduced into the integral criterion of accuracy, which characterizes the rate of change of coordinates. An example of a transition to the origin of coordinates of an object with two series-connected integrators with a criterion that takes into account the accuracy and time of the transition is considered. With the help of SCC, new control algorithms and structures of closed systems are obtained. Relationships between the regulation time parameter and the initial conditions for coordinates are determined. Taking into account the constraint on the control, the conditions for realizing the continuous special control and / or sliding mode are obtained. Analytical materials are confirmed by the results of system modeling. The results of the work can be used for control, including nonlinear objects, in robotics, thermal processes (furnaces, autoclaves, intermittent heating control in buildings). Keywords: processing speed, accuracy, optimal programmed motion, variable control time, maximum principle, special (singular) control, qualitative theory of differential equations, synthesis of control algorithms and system structures For citation: Khoroshavin V. S., Grudinin V. S. Optimal programmed movement with variable control times. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 40–49. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-40-49

Введение Задача перевода управляемой системы из одного состояния в другое по заранее заданным, желаемым, программным траекториям, наряду с задачами быстродействия и ресурсо- и энергосбережения, относится к основной, типовой задаче теории и практики оптимального управления объектами. При этом программным путем, т. е. в функции времени, могут быть заданы рабочие режимы работы оборудования [1–3] или программы температурных режимов в процессах теплопереноса и терморегулирования [4, 5]. Что касается синтеза программного движения для обеспечения наперед заданной в функции времени траектории движения (обычно конечной координаты) под управлением в замкнутой системе (с управлением в функции координат), многие авторы (например, А. А. Колесников [6]) указывают на три группы методов задания и решения этой задачи: • инженерный метод формирования переходного процесса с заданием показателей качества (времени первого согласования, колебательности, перерегулирования, времени переходного процесса и других) на основе логарифмических

амплитудных и фазовых частотных характеристик В. В. Солодовникова [7]; • аналитический, когда при известных в функции времени траекториях объекта, известной структуре и звеньях системы путем обратного решения с выхода на вход находятся координаты и управления в функции времени, а после исключения времени формируется управление в функции координат. К этой группе можно отнести метод «структурного синтеза» Л. М. Бойчука [2]; • интегральный метод решения оптимальной задачи на минимум ресурсов [8, 9], программного движения [10], оптимального по точности управления [4, 11], оптимального регулятора выхода [8] с подинтегральной функцией, учитывающей ресурсы системы по координатам и управлению (методы классического вариационного исчисления Эйлера-Лагранжа [12], принципа максимума Л. С. Понтрягина [13], динамического программирования Р. Беллмана [14], аналитического конструирования регуляторов А. А. Фельдбаума [15], А. М. Летова [16], Р. Калмана [17]; функционала обобщенной работы А. А. Красовского [18], упреждающего функционала А. А. Колесникова [6]).

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Известные методы синтеза применимы в основном для линейных объектов, причем требуют многократного последовательного применения для получения конечного результата. Требуемое качество переходного процесса с помощью интегральных показателей иногда пытались обеспечить подбором для данного объекта такого интегрального критерия, который позволил бы учесть инженерные показатели качества регулирования. Для этого вводились весовые коэффициенты аддитивных составляющих и изменяющиеся показатели степени для подинтегрального выражения в функционале. В некоторых случаях удавалось получить требуемые для качества системы весовые коэффициенты и показатели степени. Но в целом, несмотря на продолжающиеся попытки такого решения в задачах оптимального управления, стабилизации, фильтрации, создать формализованную процедуру соответствия инженерным требованиям переходного процесса с помощью интегрального функционала не удалось.

управление с максимально возможными амплитудами на интервалах знакопостоянства, что ведет к перерегулированию координат, а интервалы знакопостоянства определяются нелинейными поверхностями переключения. К тому же при оптимальном быстродействии не обеспечивается устойчивость конечного состояния. Указанные недостатки оптимального быстродействия приводят к тому, что требование минимального отклонения от заданного движения становится важнее быстродействия, что характерно для минимаксного критерия Чебышева [21]. В общем виде задачу синтеза программных движений как заданных функций координат от времени можно рассматривать как нестационарную задачу для объекта размерности Rn и интегрального функционала, подинтегральная функция которого зависит от времени

x! = A(x,t) + B(x,t)U,

Методы исследования В данной работе авторы, идя от аналитического задания вида переходного процесса, вводят в функционал квадрат отклонений заданного программного движения от текущего. Использование квадрата отклонений имеет ясный смысл потому, что знак отклонения не влияет на величину критерия и большие отклонения штрафуются больше, чем малые. Но не исключено, что лучшие результаты, особенно для нелинейных объектов, могут быть получены и при других показателях степени отклонений и весовых коэффициентах аддитивных составляющих в подинтегральном выражении функционала. На практике основным методом решения задач быстродействия, точности и энергосбережения служит принцип максимума Понтрягина. Задача программного движения по определению является нелинейной по координатам, так как критерий нелинеен по координатам. Поэтому даже для линейных объектов при использовании принципа максимума возможно возникновение особых ситуаций, когда принцип максимума не определяет оптимальное управление. Для определения существования и вычисления особого управления используем аппарат условий общности положения (УОП) для нелинейных объектов [9, 10], который, по сравнению с непосредственным исследованием вспомогательных переменных [19] или аппаратом скобок Пуассона [20], позволяет определить особые траектории и особые управления в явном виде от координат и параметров процесса. Быстродействие принято считать ведущим среди критериев оптимального управления [4, 8, 9, 11]. Для достижения предельного быстродействия в большинстве случаев необходимо кусочно-постоянное

I = ∫ f0 (x,t,τ)dt ;

(1)

где x ∈ Rn – вектор координат объекта; U – скалярное управление |U| ≤ 1; τ – параметр, характеризующий скорость изменения координат; элементы вектор-столбцов A(x, t), B(x, t) и подинтегральная функция f0(x, t, τ) непрерывны и дифференцируемы по x, t, τ. Классиками принципа максимума [13] для нахождения оптимального управления исходная задача решается в расширенном пространстве координат размерности Rn+2 с дополнительными переменными, учитывающими функционал и явное вхождение времени ⎛ x0 ⎞ x!0 = 1, x! n+1 = f0 (x0 ,x), x" = ⎜ x ⎟ . ⎜ ⎟ ⎝ x n+1 ⎠

Согласно принципу максимума, оптимальным управлением в поставленной задаче (1), ввиду ее линейности по управлению, является релейное управление

U ÂÎ = sign(Ψ,B(x! )).

Для расширенной системы в Rn+2 с использованием УОП для нелинейных нестационарных объектов [10] по рекуррентному соотношению вычисляются векторы Bj (j = 2,…, n +2): ⎛0 ⎞ B1 = ⎜ B(x0 ,x)⎟ , ⎜ ⎟ ⎜⎝ 0 ⎟⎠

Bj =

∂B j−1 dU ⎛ ∂A(x! ) ∂B(x! )U ⎞ ∂B j-1 dx! −⎜ + . (2) ⎟⎠ B j-1 + ! ⎝ ! ! ∂x ∂x ∂U dt ∂ x dt

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 После образования матрицы Dn+2 размером (n + 2)×(n + 2) из векторов (B1 … Bn+2) и приравнивания нулю определителя det Dn+2 = 0 находятся уравнения особых траекторий и особых управлений, зависящие от параметра τ. Для расширения алгоритмов особого управления исследуются элементы векторов Bj (j = 2,…, n+2), так как каждый элемент этих векторов влияет на выполнение УОП. Для определения характера состояний равновесия объекта под особым управлением используются методы качественной теории дифференциальных уравнений [22]. Предлагаемый способ синтеза программного движения по форме входит в группу интегральных методов, но по содержанию близок к группе аналитических методов, а в целом отражает синергетический подход к синтезу оптимальных систем управления [23].

объект с двумя последовательно соединенными интеграторами cо скалярным управлением x! 1 = U, x! 2 = x1,| U |≤1;

граничные условия для которого заданы на множестве стационарных состояний x1 = 0: x(0) = (0, x2(0)), xкон = (0,0). Для данного объекта в задаче о минимальном времени перехода в начало координат известны решения на основе принципа максимума [13] или с применением метода динамического программирования [11]. Этот объект часто используют для иллюстрации оптимального управления и при других интегральных критериях [24–27]. B задаче быстродействия для объекта (3) оптимальное управление состоит из не более двух интервалов знакопостоянства. На рис. 1 приведены известные из литературы, например [11], структура замкнутой системы, фазовый портрет и траектории координат, выполненные здесь моделированием в программе Simulink пакета MatLab [28]. Рассмотрим задачу программного движения для объекта (3) при переходе из начального состояния с линии стационарных состояний x1 = 0 в начало координат с минимизацией функционала

Результаты исследования Для иллюстрации предлагаемого подхода к управлению программным движением и сравнения по алгоритмам и времени перехода с оптимальным быстродействием используем линейный

X1 Constant1

U Switch

Constant2

Integrator

Integrator1

Scope

γ(x)

Divide

Add

(3)

Product

Abs

XY Graph

Constant

а) XY Plot

0.5

Y Axis

X2 0

X1 –0.5

–0.5

U –1

–1 –1

–0.5

0 X Axis

0.5

–1.5

0.2

0.4

0.6

0.8

б)

1.2

1.4

1.6

1.8

в)

Рисунок 1. Оптимальное по быстродействию управление: а – с труктура, б – фазовый портрет, в – траектории координат Figure 1. Optimal system for speed: a – structure, б – p hase portrait, в – coordinate trajectories

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 t

I = ∫ ((x1Ì‡˜ e

−

t τ

− x1 )2 + (x 2Ì‡˜ e

−

t τ

− x 2 )2 )dt.

(4)

Задача (3, 4) описывает движение объекта по желаемым траекториям координат в виде экспоненциально убывающих функций с параметром τ, характеризующим скорость изменения координат, точнее, обратно пропорциональным скорости изменения координаты. Задача (3, 4) встречается при управлении программным движением, например, в приводах радиолокационных станций или в робототехнике для привода руки, где x1 – угловая скорость, x2 – положение объекта. Параметр τ аналогичен постоянной времени линейного апериодического (инерционного) звена первого порядка вида τẋ = U – x, переходной процесс которого считается законченным за 3–4 τ, когда выходная координата достигает 0,95–0,98 установившегося значения. В задаче (3, 4) гамильтониан равен H = −((x1Ì‡˜ e

−

t τ

− x1 )2 +(x 2Ì‡˜ e

−

t τ

− x 2 )2 )+ψ1U+ψ 2 x1,

для максимума H управление U = signΨ1. Вспомогательные переменные определяются из системы t

− dψ1 = −2(x1Ì‡˜ e τ − x1 ) + ψ 2 , dt t

− dψ 2 = −2(x 2Ì‡˜ e τ − x 2 ), dt

решить которую сложно. Однако в момент времени t = 0 x1нач = x1(0) = 0, x2нач = x2(0), dψ dψ1 = ψ 2 , 2 = 0,ψ 2 = ψ 20 ,ψ1 = ψ 20t + ψ10 = ψ10 ; dt dt

Это же управление быстрее и формализованнее можно найти с помощью УОП для нелинейных объектов, не прибегая к анализу вспомогательных переменных. Применяя УОП для нелинейных объектов в расширенном пространстве R4 для задачи (3, 4)

x!0 = 1,

x! 1 = U,

x! 2 = x1,

U ÂÎ (0)= − signx 2 (0).

добным (4), критерием I = 0,5∫ (x12 + x 22 )dt получено 0

особое управление в функции координат U = x1. 44

x0 τ

− x1 )2 +(x 2Ì‡˜ e

−

x0 τ

− x 2 )2 ;

D 4 = (B1B2B3B4 ) =

⎛ ⎜ ⎜ =⎜ ⎜ ⎜ ⎜ ⎜⎝

⎞ ⎟ ⎟ ⎟. ⎟ x0 x0 x0 x x0 ⎟ τ τ τ -0 2x e 2x e 2x e 0 2(x1Ì‡˜e τ − x1 ) − 1Ì‡˜ −2U-2x 2Ì‡˜e τ +2x 2 1Ì‡˜2 + 2Ì‡˜ +2x1-2U! ⎟ ⎟⎠ τ τ τ

0 1 0

0 0 −1

0 0 0

В R4 det D4 ≡ 0, что говорит о неединственности управления системой (6) при различных начальных условиях введенной координаты x0(0) [10]. Так как каждый элемент векторов Bj влияет на выполнение УОП, то последовательным приравниванием нулю элементов векторов B2, B3, B4 получим: а) из элемента b41 = 0 вектора B2 уравнение особой t

траектории x1 =x1Ì‡˜ e τ , совпадающее с заданt

ным по критерию (4). Для x1 =x1Ì‡˜ e τ из дифференциального уравнения связи ẋ2 = x1 получим t

x 2 =x 2Ì‡˜ e τ , если x2нач = –τx1нач. Так как параметр τ положителен, то x1нач и x2нач должны иметь противоположные знаки, т. е. находиться во 2-м или 4-м квадрантах, в противном случае ни под каким управлением траектории не пойдут в начало координат по критерию (4). Отсюда следует важный результат о связи параметра τ и начальных условий координат. Здесь связь x2нач = –τx1нач получена из структурно-функциональных особенностей объекта (3), но можно показать, что этот же результат получается непосредственно из УОП, если взять критерий

(5)

Дальнейшее аналитическое решение системы уравнений для вспомогательных переменных практически невозможно, так как необходимые условия оптимальности управления, вводимые принципом максимума, не дают полной информации относительно связи оптимального управления U(t) с траекториями координат x(t) и вспомогательными переменными Ψ(t). Хотя иногда это удается, так, в работе [24] на основе анализа вспомогательных переменных для объекта (3) с более простым, но по-

−

по рекуррентному соотношению (2) вычисляются векторы B1, B2, B3, B4, из которых образуется матрица D4

что совпадает с решением задачи быстродействия для объекта (3). Из физических соображений при x1нач = 0 в начало координат приводят траектории: при x2нач > 0 U = {–1,+1}; при x2нач < 0 U = {+1, –1}; т. е. U(t = 0) = –sign x2нач. Таким образом, для выхода с x1 = 0 необходимо включить управление

x! 3 =(x1Ì‡˜ e

(6)

I = ∫ (x 2Ì‡˜ e

−

t τ

− x 2 )2 dt;

б) из элемента b41 = 0 вектора B3 получим особое управление в функции координат x1 и x2

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ⎛ τ2 −1 ⎞ U=⎜ x1 +x 2 ; ⎝ τ ⎟⎠

(7)

в) из элемента b41 = 0 вектора B4 получим продифференцированное управление 2 ! = ⎛ τ +1 ⎞ x + 1 x . U ⎜⎝ τ2 ⎟⎠ 1 τ 2

(8)

Хотя управления (7) и (8) с учетом связи dU ∂U 2 ∂U dx i = +∑ ∂t dt 1 ∂x i dt

совпадают, полученная зависимость (8) – это новый алгоритм управления и новая структура замкнутой системы, требующие дополнительного исследования. Характер состояния равновесия (0, 0) объекта (3) под особым управлением (7) определим с помощью методов качественной теории дифференциальных уравнений [22]

⎛ τ2 −1 ⎞ x1 + x 2 = P(x1,x 2 ), x! 1 = ⎜ ⎝ τ ⎟⎠ x! 2 = x1 = Q(x1,x 2 ),

для чего вычислим параметры ⎡Px′1 Px′2 ⎤ τ2 −1 Δ=⎢ . ⎥ = −1, σ = Px′1 + Q′x 2 = τ ⎢⎣Q′x1 Q′x 2 ⎥⎦ Из характеристического уравнения λ2 – σλ + Δ = 0 определим действительные и разных знаков корни λ1 = τ, λ2 = – 1/τ, откуда заключаем, что состояние равновесия имеет характер седла, т. е. является неустойчивым. Коэффициенты направлений (сепаратрис) траекторий имеют наклон

æ1 =

λ1 − Px′1 Px′2

λ 2 − Px′1 1 = , æ2 = = −τ. τ Px′2

С учетом соотношения x2 = –τx1 из алгоритма управления (7) следует, что ограничение |U| ≤ 1 выполняется в области |x2| ≥ |x12|. Только в области |x2| ≥ |x12| возможна реализация непрерывного особого управления (7) или скользящего режима с управлением U = ±1. При невыполнении |x2| ≥ |x12| с ограничением на управление |U| ≤ 1 движение вдоль траектории x2 = –τx1 становится невозможным, так как, например, во втором квадранте траектории с U = +1 не пересекают линию x2 = –τx1, а идут ниже ее. Условием движения по линии x2 = –τx1 под непрерывным особым управлением (7) или в скользящем режиме является неравенство

⎛ dx 2 ⎞ ⎜ dx ÔË U = +1⎟ ≤| τ | . ⎝ 1 ⎠

В противном случае надо увеличивать амплитуду управления, чтобы двигаться по линии x2 = –τx1 или

пересекать ее. Отметим, что о качественной связи особых управлений и скользящих режимов говорилось в [10], где показано, что УОП для нелинейных объектов позволяют выделить траектории, которые являются особыми и/или предельными для оптимального скользящего режима. На рис. 2 и 3 соответственно реализации программных движений с непрерывным особым управлением или в скользящем режиме (а – структуры, б – фазовые портреты, в – траектории координат). Очевидно, что по сложности реализации система со скользящим режимом предпочтительнее. В рассмотренной задаче (3, 4) функционал (4) является функционалом общего вида, учитывающим отклонения траекторий по обеим координатам. Если с помощью УОП решить задачи программного движения для объекта (3) с критериями частt

ного по отношению к (4) вида I1 = ∫ (x1Ì‡˜ e t

и I 2 = ∫ (x 2Ì‡˜

t − τ e

−

t τ

− x1 )2 dt

− x 2 )2 dt, учитывающими отклонения

в движении отдельно по каждой координате, то получим следующие результаты: t

• для критерия I1 особая траектория x1 = x1Ì‡˜ e τ , особое управление Uoc = –x1/τ, корни характеристического уравнения λ1 = 0, λ2 = –1/τ, состояние равновесия – у стойчивый вырожденный узел; t

• для критерия I2 особые траектории x 2 = x 2Ì‡˜ e τ , t t x x1 = x1Ì‡˜ e τ = − 2Ì‡˜ e τ особое управление Uoc = τ = –x2/τ2, корни характеристического уравнения λ1,2 = ±1/τ, состояние равновесия – неустойчиво (седло), сепаратрисы имеют наклоны ±τ. Отметим, что алгоритм управления Uoc = –x1/τ, с критерием I1 является более простым в реализации, причем система обладает большей степенью устойчивости. Полученные управления с критериями I1 и I2, являющиеся частными случаями управления вида (7) с критерием общего вида (4), можно получить и аналитическим путем из дифференциальных связей объекта (3), но путь их нахождения с помощью УОП более формализован благодаря матричной форме их определения. Таким образом, задача программного движения (3, 4) решена как задача общего вида и рассмотрены ее частные случаи с новыми алгоритмами и структурами систем управления. Выводы В целом предлагаемый подход к оптимальному управлению по заданным траекториям с применением УОП и качественного исследования особых траекторий и управлений показал свою

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Constant1 Switch

Integrator

Switch1

Integrator1

Scope

Constant2 Gain XY Graph

Gain1

Relational Operator

Constant

а)

XY Plot

1,5

Y Axis

0.5

–0.5

–1

–0.5

0.5

–1 0

0.5

1.5

2.5

3.5

X Axis

б)

в)

Рисунок 2. Программное движение с непрерывным особым управлением: а – с труктура, б – фазовый портрет, в – траектории координат Figure 2. Programmed motion with continuous special control: а – structure, б – p hase portrait, в – coordinate trajectories

работоспособность и конструктивность. В связи с этим можно говорить об использовании УОП для синтеза оптимального управления, а не только анализа существования и вычисления особого управления. При таком подходе возникают проблемы выбора наилучшего алгоритма и структуры системы. Нерешенными пока остались вопросы управления при задании произвольных граничных условий и ограничений, обеспечения асимптотической устойчивости конечного состояния и энергопотребления. Что касается устойчивости конечного состояния, то для ее обеспечения могут быть использованы совмещенные критерии, введение производных по ошибке или управлению, особенно в случае нейтральных, как в рассмотренном примере, объектов, или других методов обеспечения устойчивости, например [29].

Результаты работы могут быть использованы во многих отраслях народного хозяйства при исследовании и решении общих и прикладных проблем управления, в том числе и нелинейными объектами, например, в мехатронике и робототехнике, в промышленных тепловых технологических процессах (печи, автоклавы и т. п.) [4, 5, 30] или в задачах программного управления при отоплении, особенно нежилых помещений (прерывистое управление) [31, 32]. Следует отметить, что при реализации на практике рассмотренных методов оптимального программного перевода системы из одного состояния в другое с помощью микроконтроллеров или промышленных программируемых логических контроллеров алгоритмы управления получаются достаточно простыми и хорошо реализуемыми.

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Constant1 Integrator

Switch

Integrator1

Scope

Constant2

Product

XY Graph

Add

Constant

а)

XY Plot

1,2

Y Axis

0.8

0.5

0.6

U 0

0.4 X1 –0.5

0.2 0

–1 0

–0.2 –0.8

–0.6

–0.4

–0.2

0.5

1.5

2.5

3.5

0.2

X Axis

б)

в)

Рисунок 3. Программное движение со скользящим режимом: а – с труктура, б – фазовый портрет, в – траектории координат Figure 3. Programmed motion with sliding mode: а – s tructure, б – p hase portrait, в – coordinate paths

CПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Филимонов А. Б., Филимонов Н. Б. О проблематике синтеза координирующих систем автоматического управления // Известия ЮФУ. Технические науки. 2012. № 3 (128). С. 172–180. 2. Бойчук Л. М. Метод структурного синтеза нелинейных систем автоматического управления. М.: Энергия, 1971. 112 с. 3. Хорошавин В. С. Синтез программного движения на основе оптимального, включая особое, управления // Труды IX международной (XX Всероссийской) конференции по автоматизированному электроприводу АЭП‑2016. 2016. С. 226–228. 4. Плешивцева Ю. Э., Дьяконов А. И., Попов А. В. Модельные двумерные задачи оптимального по типовым критериям качества управления температурными режимами индукционного нагрева // Теоретические и прикладные аспекты современной науки. 2015. № 9-2. С. 94–104. 5. Анализ управляемости и устойчивости приближенной модели теплопереноса в автоклаве / С. А. Мокрушин, В. С. Хорошавин, С. И. Охапкин, А. В. Зотов, В. С. Грудинин // Вестник Мордовского университета. 2018. Т. 28, № 3. С. 416– 428. 6. Колесников А. А. Последовательная оптимизация нелинейных агрегированных систем управления. М.: Энергоатомиздат, 1987. 160 с. 7. Теория автоматического управления / В. Б. Яковлев, С. Е. Душин, Н. С. Зотов, Д. Х. Имаев М.: Высшая школа, 2009. 568 с. 8. Атанс М., Фалб П. Оптимальное управление. М.: Машиностроение, 1968. 634 с. 9. Олейников В. А. Оптимальное управление технологическими процессами в нефтяной и газовой промышленности. Л.: Недра, 1982. 216 с. 10. Хорошавин В. С., Зотов А. В. Особое оптимальное управление нелинейными объектами. Киров: Науч. изд-во ВятГУ, 2019. 219 с. 11. Аналитическое конструирование регуляторов, оптимальных по точности и быстродействию / В. В. Сурков, Б. В. Сухинин, В. И. Ловчаков, А. Э. Соловьев. Тула: Тул. Гос. Ун-т, 2005. 300 с. 12. Петров Ю. П. Вариационные методы теории оптимального управления. Л.: Энергия, 1977. 280 с.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 13. Понтрягин Л. С., Болтянский В. Г., Гамкрелидзе Р. В., Мищенко Е. Ф. Математическая теория оптимальных процессов. М.: Наука, 1969. 384 с. 14. Беллман Р. Динамическое программирование. М.: Иностр. лит., 1960. 232 с. 15. Фельдбаум А. А. Основы теории оптимальных автоматических систем. М.: Наука, 1966. 623 с. 16. Летов А. М. Динамика полета и управление. М.: Наука, 1969. 319 с. 17. Калман Р., Фалб П., Арбиб М. Очерки по математической теории систем. М.: Едиториал УРСС, 2004. 400 с. 18. Красовский А. А. Развитие принципа минимума обобщенной работы // Автоматика и телемеханика. 1987. № 1. С. 13–23. 19. Болтянский В. Г. Математические методы оптимального управления. М.: Наука, 1969. 408 с. 20. Габасов Р., Кириллова Ф. М. Особые оптимальные управления. М.: Наука, 1973. 314 с. 21. Филимонов Н. Б. Проблема качества процессов управления: смена оптимизационной парадигмы // Мехатроника, автоматизация, управление. 2011. № 12. С. 2–11. 22. Баутин Н. Н., Леонтович Е. А. Методы и приемы качественного исследования динамических систем на плоскости. М.: Наука, 1976. 496 с. 23. Колесников А. А. Синергетическая теория управления. М.: Энергоатомиздат, 1994. 344 с. 24. Wonham W. M., Johnson C. D. Optimal bang-bang control with quadratic performance index. Journal of Basic Engineering, 1964, vol. 86, no.1, pp. 107–115. 25. Aly G. The computation of optimal singular control. International Journal of Control, 1978, vol. 28, no. 5, pp. 681–688. 26. Bonnans F., Martinon P., Grelard V. Bocop – A collection of examples [Электронный ресурс]. URL: https://hal.inria.fr/ hal‑00726992/document (дата обращения: 15.07.2020). 27. Nie Y., Kerrigan E. C. Efficient implementation of rate constraints for nonlinear optimal control. IEEE Transactions on Automatic Control, 2020, 1 p. 28. Черных И. В. Cистема численно-математического моделирования MatLab. Система моделирования динамических систем Simulink [Электронный ресурс]. URL: http://bourabai.ru/cm/simulink.htm (дата обращения: 15.07.2020). 29. Габасов Р., Кириллова Ф. М., Ружицкая Е. А. Решение классической задачи регулирования методами оптимального управления //Автоматика и телемеханика. 2001. Выпуск 6. С. 18–29. 30. Ловчаков В. И. Аппроксимационный подход к синтезу систем регулирования на основе оптимального программного управления // Известия Тульского государственного университета. Технические науки. 2017. № 3. С. 225–236. 31. Табунщиков Ю. А., Бродач М. М. Экспериментальное исследование оптимального управления расходом энергии // АВОК. 2006. № 1. С. 32–36. 32. Панферов В. И., Анисимова Е. Ю., Нагорная А. Н. Об оптимальном управлении тепловым режимом зданий // Вестник Южно-Уральского государственного университета. Серия: Энергетика. 2007. № 20 (92). С. 3–9.

REFERENCES 1. Filimonov A. B., Filimonov N. B. Concerning the problems of synthesis of coordinated systems of automatic control. Izvestiya YUFU. Tekhnicheskie nauki, 2012, no. 3 (128), pp. 172–180. (In Russian). 2. Boichuk L. M. Metod strukturnogo sinteza nelineinykh sistem avtomaticheskogo upravleniya [Method of structural synthesis of nonlinear automatic control systems]. Moscow, Ehnergiya Publ., 1971, 112 p. (In Russian). 3. Khoroshavin V. S. Sintez programmnogo dvizheniya na osnove optimalnogo, vklyuchaya osoboe, upravleniya. In: Trudy IX mezhdunarodnoi (XX Vserossiiskoi) konferentsii po avtomatizirovannomu ehlektroprivodu AEHP‑2016 [Proceedings of the IX international (XX All-Russian) conference on the automated electric drive AEP‑2016], 2016, pp. 226–228. (In Russian). 4. Pleshivtseva Yu. Eh., D’yakonov A. I., Popov A. V. Model two-dimensional problems of optimal induction heating temperature control according to typical criteria. Teoreticheskie i prikladnye aspekty sovremennoi nauki, 2015, no. 9-2, pp. 94–104. (In Russian). 5. Mokrushin S. A., Khoroshavin V. S., Okhapkin S. I., Zotov A. V., Grudinin V. S. The analysis of controllability and stability of an approximate model of heat transfer in an autoclave. Vestnik Mordovskogo universiteta, 2018, vol. 28, no. 3, pp. 416–428. (In Russian). 6. Kolesnikov A. A. Posledovatelnaya optimizatsiya nelineinykh agregirovannykh sistem upravleniya [Sequential optimization of nonlinear aggregated control systems]. Moscow, Ehnergoatomizdat Publ., 1987, 160 p. (In Russian). 7. Yakovlev V. B., Dushin S. E., Zotov N. S., Imaev D. Kh. Teoriya avtomaticheskogo upravleniya [Theory of automatic control]. Moscow, Vysshaya shkola Publ., 2009, 568 p. (In Russian). 8. Atans M., Falb P. Optimalnoe upravlenie [Optimal control]. Moscow, Mashinostroenie Publ., 1968, 634 p. (In Russian). 9. Oleinikov V. A. Optimalnoe upravlenie tekhnologicheskimi protsessami v neftyanoi i gazovoi promyshlennosti [Optimum process control in the oil and gas industry]. Leningrad, Nedra Publ., 1982, 216 p. (In Russian). 10. Khoroshavin V. S., Zotov A. V. Osoboe optimalnoe upravlenie nelineinymi obektami [Special optimal control of nonlinear objects]. Kirov, Nauch. izdatelstvo VyaTGU Publ., 2019, 219 p. (In Russian). 11. Surkov V. V., Sukhinin B. V., Lovchakov V. I., Solovev A. E. Analiticheskoe konstruirovanie regulyatorov, optimalnykh po tochnosti i bystrodeistviyu [Analytical design of controllers that are optimal in accuracy and speed]. Tula, Tul. Gos. Universitet Publ., 2005, 300 p. (In Russian). 12. Petrov Y. P. Variatsionnye metody teorii optimalnogo upravleniya [Variational methods of optimal control theory]. Leningrad, Ehnergiya Publ, 1977, 280 p. (In Russian). 13. Pontryagin L. S., Boltyanskii V. G., Gamkrelidze R. V., Mishchenko E. F. Matematicheskaya teoriya optimalnykh protsessov [Mathematical theory of optimal processes]. Moscow, Nauka Publ, 1969, 384 p. (In Russian). 14. Bellman R. Dinamicheskoe programmirovanie [Dynamic programming]. Moscow, Inostr. literatyra Publ., 1960, 232 p. (In Russian).

Исследования и разработка радиоэлектронной аппаратуры и систем

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 15. Feldbaum A. A. Osnovy teorii optimalnykh avtomaticheskikh sistem [Foundations of the theory of optimal automatic systems]. Moscow, Nauka Publ., 1966, 623 p. (In Russian). 16. Letov A. M. Dinamika poleta i upravlenie [Flight dynamics and control]. Moscow, Nauka publ., 1969. 319 p. (In Russian). 17. Kalman R., Falb P., Arbib M. Ocherki po matematicheskoi teorii sistem [Essays on mathematical systems theory]. Moscow, Editorial URSS Publ., 2004, 400 p. (In Russian). 18. Krasovskii A. A. Development of the principle of minimal generalized work [Development of the principle of minimum generalized work]. Automation and telemechanics. 1987, no. 1, pp. 13–23. (In Russian). 19. Boltyanskii V. G. Matematicheskie metody optimalnogo upravleniya [Mathematical methods of optimal control]. Mocsow, Nauka Publ., 1969, 408 p. (In Russian). 20. Gabasov R., Kirillova F. M. Osobye optimalnye upravleniya [Special optimal controls].Mocsow, Nauka Publ., 1973, 314 p. (In Russian). 21. Filimonov N. B. The problem of quality of control processes: change of an optimizing paradigm. Mekhatronika, avtomatizatsiya, upravlenie, 2011, no. 12, pp. 2–11. (In Russian). 22. Bautin N. N., Leontovich E. A. Metody i priemy kachestvennogo issledovaniya dinamicheskikh sistem na ploskosti [Methods and techniques for the qualitative study of dynamical systems on a plane]. Moscow, Nauka Publ., 1976, 496 p. (In Russian). 23. Kolesnikov A. A. Sinergeticheskaya teoriya upravleniya [Synergetic control theory]. Moscow, Ehnergoatomizdat Publ., 1994, 344 p. (In Russian). 24. Wonham W. M., Johnson C. D. Optimal bang-bang control with quadratic performance index. Journal of Basic Engineering, 1964, vol. 86, no.1, pp. 107–115. 25. Aly G. The computation of optimal singular control. International Journal of Control, 1978, vol. 28, no. 5, pp. 681–688. 26. Bonnans F., Martinon P., Grelard V. Bocop – A collection of examples. Available at: https://hal.inria.fr/hal‑00726992/document (accessed 15.07.2020). 27. Nie Y., Kerrigan E. C. Efficient implementation of rate constraints for nonlinear optimal control. IEEE Transactions on Automatic Control, 2020, 1 p. 28. Chernykh I. V. MatLab numerical modeling system. Dynamic systems simulation system Simulink. Available at: http://bourabai. ru/cm/simulink.htm (accessed 15.07.2020). (In Russian). 29. Gabasov R., Kirillova F. M., Ruzhitskaya E. A. The classical regulation problem: its solution by optimal control methods. Avtomatika i telemekhanika, 2001, iss. 6, pp. 18–29. (In Russian). 30. Lovchakov V. I. Approximation approach to the synthesis of control systems based on optimal program control. Izvestiya Tulskogo gosudarstvennogo universiteta. Tekhnicheskie nauki, 2017, no. 3, pp. 225–236. (In Russian). 31. Tabunshchikov Yu. A., Brodach M. M. Experimental study of the optimal control of energy consumption. ABOK, 2006, no. 1, pp. 32–36. (In Russian). 32. Panferov V. I., Anisimova E. Yu., Nagornaya A. N. On the optimal management of the thermal regime of buildings. Vestnik Yuzhno-Uralskogo gosudarstvennogo universiteta. Ehnergetika, 2007, no. 20 (92), pp. 3–9. (In Russian).

Информация об авторах Хорошавин Валерий Степанович, д. т. н., профессор кафедры электропривода и автоматизации промышленных установок, Политехнический институт, ФГБОУ ВО «Вятский государственный университет», 610000, Киров, ул. Московская, д. 36, тел: +7 (909) 717‑15‑91, e-mail: khoroshavin@vyatsu.ru. ResearcherID: G‑5298–2018, ORCID: 0000‑0002‑4355‑3866. Грудинин Виктор Степанович, к. т. н., доцент кафедры электропривода и автоматизации промышленных установок, Политехнический институт, ФГБОУ ВО «Вятский государственный университет», 610000, Киров, ул. Московская, д. 36, тел: +7 (953) 675‑49‑33, e-mail: grudinin@vyatsu.ru. ResearcherID: G‑5550–2018, ORCID: 0000‑0002‑1615‑6195.

Authors Valerii S. Khoroshavin, D.Sc. (Engineering), Professor of the Department of Electric Drive and Automation of Industrial Installations, Polytechnic Institute, Vyatka State University, 36, ulitsa Moskovskaya, Kirov, 610000, Russia, tel.: +7 (909) 717‑15‑91, e-mail: khoroshavin@vyatsu.ru. ResearcherID: G‑5298–2018, ORCID: 0000‑0002‑4355‑3866. Viktor S. Grudinin, Ph.D. (Engineering), Associate Professor of the Department of Electric Drive and Automation of Industrial Installations, Polytechnic Institute, Vyatka State University, 36, ulitsa Moskovskaya, Kirov, 610000, Russia, tel: +7 (953) 675‑49‑33, e-mail: grudinin@vyatsu.ru. ResearcherID: G‑5550–2018, ORCID: 0000‑0002‑1615‑6195. Поступила 14.05.2020; принята к публикации 27.06.2020; опубликована онлайн 07.09.2020. Submitted 14.05.2020; revised 27.06.2020; published online 07.09.2020.

Research and development of radio-electronic equipment and systems

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

ТЕХНОЛОГИИ И ПРОИЗВОДСТВО / TECHNOLOGIES AND PRODUCTION DOI: 10.21778/2413‑9599‑2020‑30‑3-50-56 УДК 621.315.2

Сравнительный анализ экранирующих характеристик сигнально-блокировочных кабелей для железнодорожного транспорта В. А. Андреев1, А. К. Бульхин2, Б. В. Попов1, В. Б. Попов1 1

ФГБОУ ВО Поволжский государственный университет телекоммуникаций и информатики, Самара, Россия 2АО «Самарская кабельная компания», Самара, Россия

Целью настоящей статьи является сравнение экранирующих характеристик наиболее применимых конструкций сигнально-блокировочных кабелей. В работе на основе расчетов и экспериментальных исследований выполнен сравнительный анализ экранирующих характеристик кабелей со сплошным прессованным экраном и экраном, состоящим из алюмополиэтиленовой ленты и повива алюминиевых проволок. Особое внимание уделено характеристикам влияния внешних электрических полей. Проведены измерения идеального коэффициента защитного действия (КЗД) образцов сигнально-блокировочных кабелей, выполнен оценочный расчет затухания экранирования. Для сравнительной оценки степени влияния внешних поперечных высокочастотных полей проведены измерения переходного затухания на ближнем конце на образцах исследуемых сигнально-блокировочных кабелей. Показано, что экранирующие характеристики кабелей со сплошным алюминиевым экраном лучше, чем у кабелей с экраном из алюмополиэтиленовой ленты и повива алюминиевых проволок. Даны рекомендации: на электрифицированных железных дорогах предпочтение отдавать сигнально-блокировочным кабелям со сплошным алюминиевым экраном. Ключевые слова: сигнально-блокировочный кабель, электрифицированные железные дороги, экспериментальные исследования, идеальный коэффициент защитного действия, коэффициент экранирования, затухание экранирования, переходное затухание, металлические защитные покровы кабеля Для цитирования: Сравнительный анализ экранирующих характеристик сигнально-блокировочных кабелей для железнодорожного транспорта / В. А. Андреев, А. К. Бульхин, Б. В. Попов, В. Б. Попов // Радиопромышленность. 2020. Т. 30, № 3. С. 50–56. DOI: 10.21778/2413-9599-2020-30-3-50-56 © Андреев В. А., Бульхин А. К., Попов Б. В., Попов В. Б., 2020

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Comparative analysis of shielding characteristics of signal-blocking cables for railway transport V. A. Andreev1, A. K. Bulkhin2, B. V. Popov1, V. B. Popov1 1 2

Povolzhskiy State University of Telecommunications and Informatics, Samara, Russia Samara Cable Company JSC, Samara, Russia

The objective of this article is to compare the shielding characteristics of the most applicable signal-blocking cables designs. In this paper, based on calculations and experimental studies, a comparative analysis of the shielding characteristics of cables with a solid pressed screen and a screen consisting of an aluminum-polyethylene tape and a layer of aluminum wires is performed. Special attention is paid to the characteristics of the influence of external electric fields. Measurements of the ideal protective action coefficient of signal-blocking cable samples were made, and an estimated calculation of shielding attenuation was performed. For a comparative assessment of the influence of external transverse high-frequency fields, measurements of transient attenuation at the near end were made on samples of signalblocking cables under study. It is shown that the shielding characteristics of cables with a solid aluminum screen are better than those of cables with a screen made of aluminum-polyethylene tape and aluminum wire layer. Recommendations are given – o n electrified railways, preference should be given to signal-blocking cables with a solid aluminum screen. Keywords: signal-blocking cable, electrified railways, experimental studies, ideal protective action coefficient, shielding coefficient, shielding attenuation, transient attenuation, metal cable protective covers For citation: Andreev V. A., Bulkhin A. K., Popov B. V., Popov V. B. Comparative analysis of shielding characteristics of signal-blocking cables for railway transport. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 50–56. (In Russian). DOI: 10.21778/2413-9599-2019-30-3-50-56

Введение Инновационное развитие ОАО «РЖД» осуществляется в соответствии с задачами, которые определены Стратегией развития железнодорожного транспорта в Российской Федерации до 2030 года и Долгосрочной программой развития ОАО «РЖД» до 2025 года (ДПР). Комплексная программа инновационного развития холдинга РЖД является инструментом реализации ДПР за счет внедрения инноваций. В 2016 году советом директоров ОАО «РЖД» были одобрены первоочередные мероприятия Комплексной программы инновационного развития холдинга РЖД на период до 2020 года (КПИР‑2020). Главной целью разработки и реализации КПИР‑2020 является обеспечение устойчивой конкурентоспособности компании на глобальном рынке транспортных и логистических услуг за счет повышения уровня удовлетворенности потребителей сервисов на базе рационального и целесообразного с экономической и технологической точек зрения использования актуальных результатов научно-технической деятельности. В 2019 году горизонт планирования Комплексной программы инновационного развития холдинга РЖД был расширен до 2025 года. ОАО «РЖД» реализует ряд крупных инвестиционных проектов в соответствии с утвержденным планом модернизации и развития Technologies and production

магистральной инфраструктуры со значительным объемом финансирования. Ряд инвестиционных проектов РЖД являются федеральными проектами. В соответствии со Стратегией научно-технологического развития холдинга РЖД на период до 2025 года и на перспективу до 2030 года (Белая книга) одними из основных направлений инновационного развития холдинга являются: создание и внедрение динамических систем управления перевозочным процессом в едином информационном пространстве с использованием искусственного интеллекта; внедрение инновационных систем автоматизации и механизации станционных процессов («интеллектуальная станция»); разработка и внедрение перспективных технических средств и технологий инфраструктуры путевого комплекса, железнодорожной автоматики и телемеханики, электрификации и электроснабжения, инновационных информационных и телекоммуникационных технологий; развитие системы управления безопасностью движения и методов управления рисками, связанных с безопасностью и надежностью перевозочного процесса; разработка и внедрение технических средств и технологий для развития скоростного и высокоскоростного пассажирского движения, развитие технологий организации грузового тяжеловесного движения. 51

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 На сети железных дорог ОАО «РЖД» широко используется электротяга переменного тока. При этом создаются электромагнитные поля большой интенсивности и возникает значительное внешнее электромагнитное влияние на цепи железнодорожных кабелей. Для снижения внешнего электромагнитного влияния на таких линиях железных дорог применяются сигнально-блокировочные кабели с алюминиевой оболочкой и броней из спирально наложенных стальных лент. Такие кабели обеспечивают требуемую защищенность цепей от внешних опасных и мешающих электромагнитных влияний. Наибольшее распространение на сети железных дорог получили сигнально-блокировочные кабели. Кабели для сигнализации и блокировки предназначены для сетей железнодорожной автоматики и телемеханики (ЖАТ), обеспечивающих передачу сигналов управления и информации, электропитания для работы устройств сигнализации, централизации и блокировки. Сигнально-блокировочные кабели обеспечивают надежную работу линейных цепей автоблокировки и целого комплекса устройств электрической централизации стрелок и сигналов, горочной автоматической и диспетчерской централизации и переездной сигнализации [1]. В основном на железных дорогах применяются сигнально-блокировочные кабели с полиэтиленовой изоляцией и сплошной алюминиевой оболочкой. Сплошная алюминиевая оболочка может накладываться на специализированном технологическом оборудовании. Для этого используются алюминиевые прессы или высокочастотные сварочные станы. Так, на одном из ведущих российских кабельных заводов, серийно выпускающих сигнально-блокировочные кабели для железных дорог, – АО «Самарская кабельная компания» (АО «СКК») – уже довольно давно налажено производство кабелей однородной конструкции, имеющих сплошную алюминиевую оболочку. Несколько лет назад на рынке кабельной продукции появились сигнально-блокировочные кабели, экран которых изготовлен из алюминиевой ленты и повива алюминиевых проволок [2]. К сожалению, в технической литературе сведения об экранирующих характеристиках различных по конструкции защитных металлических покровов весьма ограничены. В связи с этим сравнение экранирующих характеристик сигнально-блокировочных кабелей является актуальным и практически значимым для обоснованного выбора наилучшей конструкции сигнально-блокировочного кабеля, обеспечивающей соответствие нормам и требованиям нормативных и регламентных технических документов [3–5]. На протяжении уже более 30 лет предприятие АО «Самарская Кабельная Компания» является 52

основным поставщиком кабельно-проводниковой продукции на российские железные дороги. Разработка и освоение серийного производства железнодорожных кабелей осуществлялась с учетом большого опыта АО «СКК» в серийном выпуске кабелей специальной конструкции для нужд Министерства обороны РФ. Отличительной чертой этих кабелей является высокая надежность и повышенная устойчивость к разнообразным воздействиям механического и электромагнитного характера. Учитывая тот факт, что сеть железных дорог страны является важнейшим стратегическим объектом государственного значения, к железнодорожным кабелям предъявляются повышенные требования, особенно в части обеспечения стабильности их эксплуатационных параметров при различного рода негативных и дестабилизирующих воздействиях. Предприятием АО «СКК» были разработаны, изготовлены и испытаны различные конструкции сигнально-блокировочных кабелей, в том числе с экраном из алюмополимерной ленты, в цельном алюминиевом экране и экране из алюминиевых проволок. Принимая во внимание важность объектов ОАО «РЖД», по результатам проведенных испытаний и с учетом рекомендаций, разработанных Научно-исследовательским институтом управления на железнодорожном транспорте Министерства путей сообщения РФ для применения на железных дорогах, была выбрана конструкция кабеля со сплошной алюминиевой оболочкой, в том числе усиленной броневыми защитными покровами. Конструкция кабеля со сплошной прессованной или сварной алюминиевой оболочкой, кроме защиты от внешних электромагнитных воздействий обеспечивает надежную защиту кабельного сердечника от проникновения влаги. Этого нельзя сказать про конструкцию кабеля с экраном, изготовленным из алюмополимерной ленты и алюминиевых проволок. В статье проводится сравнительный анализ экранирующих характеристик сигнально-блокировочных кабелей со сплошной алюминиевой оболочкой и кабелей с неоднородным экраном, изготовленным из алюминиевой ленты и повива алюминиевых проволок. Сравнительный анализ результатов испытаний сигнально-блокировочных кабелей Испытания проводились на образцах сигнальноблокировочных кабелей марок СБПЗАуБпШп 7х2х0,9 и СБППэпЗБаПБбШп 7х2х0,9. Кабель марки СБПЗАуБпШп 7х2х0,9 имеет сплошную прессованную алюминиевую оболочку. Кабель марки СБППэпЗБаПБбШп 7х2х0,9 имеет неоднородный экран, изготовленный из алюмополиэтиленовой ленты и повива алюминиевых проволок. Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Были проведены измерения геометрических размеров конструктивных элементов сравниваемых кабелей. Результаты этих измерений показали незначительное отличие геометрических размеров конструктивных элементов кабелей, от которых зависят характеристики защищенности цепей от внешних электромагнитных влияний. В кабельной технике для оценки защищенности цепей кабелей от внешних электромагнитных влияний пользуются величиной идеального коэффициента защитного действия (КЗД) металлических защитных покровов кабеля. Оценка КЗД производится при воздействии продольной электродвижущей силы на частоте 50 Гц. Измерение идеального КЗД образцов сигнальноблокировочных кабелей марок СБПЗАуБпШп и СБППэпЗБаПБбШп проводилось при помощи универсального цифрового вольтметра GTM‑8145 в соответствии с требованиями ГОСТ 27893–88. Результаты измерения КЗД представлены в таблице. Анализ результатов проведенных испытаний (табл. 1) показывает, что кабель со сплошной алюминиевой оболочкой имеет заметный запас по величине КЗД и полностью соответствует нормам, а кабель с экраном из алюмополиэтиленовой ленты и повива из алюминиевых проволок по величине КЗД не соответствует нормам. Величина идеального КЗД металлических защитных покровов кабеля значительно зависит от их свойств как проводников, а именно от величины их сопротивления и индуктивности. В работе [6] наглядно показано, как, снижая сопротивление и увеличивая индуктивность металлических защитных покровов кабеля, можно заметно снизить величину идеального КЗД, тем самым улучшив их защитные свойства как экранов. Отсюда следует, что снизить величину идеального КЗД кабеля марки

БППэпЗБаПБбШп 7х2х0,9 возможно путем внеС сения таких конструктивных изменений, как применение алюминиевых проволок большего диаметра. Это улучшит экранные характеристики кабеля, но при этом вызовет увеличение его массогабаритных характеристик и дополнительный расход дорогостоящих кабельных материалов, что вызовет повышение себестоимости кабеля. Другим недостатком, кабеля марки СБППэпЗБаПБбШп, имеющим экран, изготовленный из алюминиевых проволок и алюмополимерной ленты, является тот факт, что этот экран является не только конструктивно, но и электрически неоднородным. Между алюминиевыми проволоками имеются щели. В алюминиевой ленте также имеется продольная щель, которая образуется, когда на ленту с двух сторон накладываются слои полимера. Теоретические и экспериментальные исследования наглядно свидетельствуют, что коэффициент экранирования S неоднородного экрана, изготовленного из повива проволок, всегда больше, а значит хуже коэффициента экранирования однородного сплошного экрана [6–8]. Особенно важно это в высокочастотной области спектра помех. Именно коэффициент экранирования S характеризует защищенность цепей кабеля от внешних электромагнитных влияний, неизбежно возникающих на электрифицированных железных дорогах, особенно на дорогах с электротягой переменного тока. Рассматривая экранирующее действие кабеля СБППэпЗБаПБбШп с алюминиевыми проволоками и алюмополиэтиленовой лентой, следует сказать, что этот экран является электрически неоднородным, так как в его конструкции имеются небольшие щели между алюминиевыми проволоками и продольная щель в алюминиевой ленте. Коэффициент

Таблица. Результаты измерения коэффициента защитного действия Table. Results of the protective action coefficient measurements

Вид испытаний / Test type

Идеальный коэффициент защитного действия металлопокровов кабеля при продольной электродвижущей силе 30–600 В при частоте 50 Гц, не более / The ideal protective action coefficient of metal cable sheath with a longitudinal electromotive force of 30–600 V at a frequency of 50 Hz, max

Technologies and production

Норма / Standard

Кабель СБПЗАуБпШп 7х2х0,9 / Cable СБПЗАуБпШп 7х2х0.9

Кабель СБППэпЗБаПБбШп 7х2х0,9 / Cable СБППэпЗБаПБбШп 7x2x0.9

0,1

0,070

0,16

0,1

0,070

0,13

100

0,1

0,050

0,11

150

0,1

0,047

0,12

200

0,1

0,047

0,14

250

0,1

0,050

0,16

Напряжение на оболочке / Cover voltage

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 экранирования S такой конструкции экрана записывается в общем виде [8]: S = Sc + S˘,

материалом, а сталь – магнитным материалом. Таким образом, при теоретическом анализе необходимо рассматривать комбинированный составной экран, состоящий из металлов с разными магнитными свойствами. Эффективность экранирования магнитного и немагнитного материалов в совокупности существенно выше эффективности экранирования каждого из материалов в отдельности. Однако расчетные оценки параметров экранирования комбинированных экранов часто носят очень приблизительный характер, а иногда значительно отличаются от реальных значений этих параметров. Это связано с известными приближениями математической модели, довольно большими погрешностями в расчетах и влиянием большого количества случайных факторов, не поддающихся учету. Поэтому при проведении исследований экранирующие характеристики кабелей, как правило, определяют экспериментальным путем, проводя измерения на образцах исследуемых кабелей. Для сравнительной оценки степени влияния внешних поперечных высокочастотных полей проведены измерения переходного затухания на ближнем конце А0 на образцах кабеля СБПЗАуБпШп 7х2х0,9 и СБППэпЗБаПБбШп 7х2х0,9 длиной 20 м. Для этого к образцам кабелей был прикреплен по всей длине изолирующей лентой кабель ПРППМ 1х2х0,9, который являлся влияющей цепью, а цепи измеряемых кабелей являлись цепями, подверженными влиянию. Кабельные цепи находились в согласованном режиме, для чего они были нагружены сопротивлениями, равными их волновому сопротивлению на высоких частотах. Результаты измерения отдельных реализаций частотных характеристик

(1)

где Sc – коэффициент экранирующего сплошного цельного экрана; Sщ – коэффициент экранирования, характеризующий влияние щели. Для экрана из круглых проволок коэффициент экранирования записывается как S = S˘ = 2

S a ln , 2πτù τ0

(2)

где S – ширина щели; τ0 – радиус проволоки; τэ – радиус проволоки экрана; а – расстояние между рядом лежащими проволоками. Экранное затухание Аэ (затухание экранирования), которым обычно оценивается защищенность от внешних влияний в области высоких частот, определяется по формуле

Aù = ln

1 1 = 8,7ln , ‰Å. 2S a S˘ ln πτù τù

(3)

Оценочный расчет по этой формуле затухания экранирования сплошного алюминиевого экрана и экрана из алюминиевых проволок и алюмополиэтиленовой лентой показал, что у сплошного экрана оно на 10 дБ выше. Реальная конструкция кабеля с алюминиевой оболочкой, который имеет броню в виде спирально наложенных стальных лент, является довольно сложным объектом для теоретического анализа электромагнитных процессов, происходящих в нем. Алюминиевая оболочка является немагнитным

Ao, дБ/км / Ao, dB/km

85 80 Для кабеля СБППэпЗБаПБбШп 7х2х0,9 / For cable СБППэпЗБаПБбШп 7х2х0.9

75 70

Для кабеля СБПЗАуБпШп 7х2х0,9 / For cable СБПЗАуБпШп 7х2х0.9

65 60 55 50 45 4

f, МГц / f, MHz

Рисунок. Частотные характеристики средних значений А0 между влияющей цепью кабеля ПРППМ 1х2х0,9 и цепями кабелей СБПЗАуБпШп 7х2х0,9 и СБППэпЗБаПБбШп 7х2х0,9 Figure. Frequency characteristics of the mean values A0 between the affecting cable chain ПРППМ 1х2х0.9 and cable chains СБПЗАуБпШп 7х2х0.9 and СБППэпЗБаПБбШп 7х2х0.9

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 переходного затухания на ближнем конце А0 в диапазоне частот 4–32 МГц были усреднены. На рисунке показаны частотные характеристики средних значений переходного затухания на ближнем конце А0 исследуемых кабелей. Анализ графиков позволяет отметить, что наличие щелей в конструкции экрана с алюминиевыми проволоками и алюминиевой лентой снижает защищенность от внешних электромагнитных полей высокой частоты на 5–10 дБ. Аналогичные выводы приводятся и в работе [8], где показано, что наличие в экране продольной щели шириной 2 мм снижает защищенность на 12–16 дБ. Выводы В результате проведенного сравнительного анализа экранирующих характеристик сигнально-блокировочных кабелей сравниваемых конструкций показано:

1. При влиянии внешних поперечных электромагнитных полей защищенность цепей кабеля с неоднородным экраном, изготовленным из повива алюминиевых проволок и алюмополимерной ленты, на 5–10 дБ ниже (хуже), чем у кабеля со сплошной алюминиевой оболочкой. 2. Значения идеального КЗД кабеля со сплошной алюминиевой оболочкой значительно ниже (лучше), чем кабеля с неоднородным экраном из алюмополиэтиленовой ленты и повива алюминиевых проволок, и полностью отвечают требованиям ГОСТ Р 56292–2014. 3. На электрифицированных железных дорогах предпочтение следует отдавать сигнально-блокировочным кабелям со сплошной алюминиевой оболочкой, которая обеспечивает высокую защищенность от внешних опасных и мешающих электромагнитных влияний, а также полную герметичность сердечника кабеля.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. К абели и провода. Основы кабельной техники / А. И. Балашов, М. А. Боев, А. С. Воронцов, И. Б. Пешков. М.: Энергоатомиздат, 2009. 467 с. 2. Патент на полезную модель № RU133344U1. Патентообладатель Совместное закрытое акционерное общество «Белтелекабель» (BY). Заявл. 2013.03.25. Опубл. 2013.10.10. Кабель для систем железнодорожной сигнализации, централизации и блокировки. 3. Технический регламент Таможенного союза «О безопасности низковольтного оборудования» (ТР ТС – 004–2011) [Электронный ресурс]. URL: https://www.gost.ru/documentManager/rest/file/load/1515749752028 (дата обращения 05.07.2020). 4. ГОСТ Р 56292–2014 Кабели для сигнализации и блокировки. Общие технические условия. М.: Стандартинформ, 2015. 28 с. 5. ГОСТ 31995–2012 Кабели для сигнализации и блокировки с полиэтиленовой изоляцией в пластмассовой оболочке. Технические условия. М.: Стандартинформ, 2014. 24 с. 6. Направляющие системы электросвязи / В. А Андреев., Э. Л. Портнов, В. А. Бурдин, А. В. Бурдин, А. А. Воронков. М.: Горячая линия-Телеком, 2018. 396 с. 7. Андреев В. А., Попов Б. В. Экранирующие характеристики сигнально-блокировочных кабелей // Автоматика, связи, информатика. 2015. № 4. С. 14–16. 8. Гроднев И. И., Сергейчук К. Я. Экранирование аппаратуры и кабелей связи. М.: Связьиздат, 1960. 316 с.

REFERENCES 1. Balashov A. I., Boev M. A., Vorontsov A. S., Peshkov.I. B. Kabeli i provoda. Osnovy kabelnoi tekhniki [Cables and wires. Cable technology basics]. Moscow, Ehnergoatomizdat Publ., 2009, 467 p. (In Russian). 2. Utility model patent no. RU133344U1. Kabel dlya sistem zheleznodorozhnoi signalizatsii, tsentralizatsii i blokirovki [Cable for railway signalling, centralisation and interlocking systems. [Railway signaling, interlocking and blocking cables]. The patent holder is joint-stock company «Beltelekabel» (BY), declared 2013.03.25, published 2013.10.10. (In Russian). 3. Technical regulations of the Customs Union «O bezopasnosti nizkovoltnogo oborudovaniya» [On the safety of low voltage equipment] (TR TS – 004–2011). (In Russian). Available: https://www.gost.ru/documentManager/rest/file/load/1515749752028 (accessed 05.07.2020). 4. GOST P 56292–2014 Kabeli dlya signalizatsii i blokirovki. Obshchie tekhnicheskie usloviya [State Standard P 56292–2014 Signaling and blocking cables. General specifications]. Moscow, Standartinform Publ., 2015, 28 p. (In Russian). 5. GOST 31995–2012 Kabeli dlya signalizatsii i blokirovki s poliehtilenovoi izolyatsiei v plastmassovoi obolochke. Tekhnicheskie usloviya [Signaling and blocking cables with polyethylene insulation in a plastic sheath. Technical conditions]. Moscow, Standartinform Publ., 2014. 24 p. (In Russian). 6. Andreev V. A., Portnov Eh. L., Burdin V. A., Burdin A. V., Voronkov A. A. Napravlyayushchie sistemy ehlektrosvyazi [Telecommunications system guides]. Moscow, Goryachaya liniya-Telekom Publ., 2018, 396 p. (In Russian). 7. Andreev V. A., Popov B. V. Shielding characteristics of signal-blocking cables. Avtomatika, svyazi, informatika, 2015, no. 4, pp. 14–16. (In Russian). 8. Grodnev I. I., Sergeichuk K. Ya. Ehkranirovanie apparatury i kabelei svyazi [Shielding of equipment and cables]. Moscow, Svyazizdat Publ., 1960, 316 p. (In Russian).

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ИНФОРМАЦИЯ ОБ АВТОРАХ Андреев Владимир Александрович, д. т. н., президент, Поволжский государственный университет телекоммуникаций и информатики, 443010, г. Самара, ул. Л. Толстого, д. 23., тел.: +7 (902) 375‑77‑44, e-mail: andreev@psati.ru. Бульхин Анвар Кашафович, к. т. н., президент, АО «Самарская Кабельная Компания», 443009 г. Самара, ул. Физкультурная, д. 103, тел.: +7 (846) 279‑12‑10, e-mail: scc@samaracable.ru. Попов Борис Владимирович, к. т. н., профессор кафедры «Линии связи», Поволжский государственный университет телекоммуникаций и информатики, 443010, г. Самара, ул. Л. Толстого, д. 23., тел.: +7 (902) 336‑16‑03, e-mail: inkat@inbox.ru. Попов Виктор Борисович, к. т. н., профессор кафедры «Линии связи», Поволжский государственный университет телекоммуникаций и информатики, 443010, г. Самара, ул. Л. Толстого, д. 23., тел.: +7 (902) 371‑47‑77, e-mail: inkat@inbox.ru.

AUTHORS Vladimir A. Andreev, D.Sc. (Engineering), President, Povolzhskiy State University of Telecommunications and Informatics, 23, ulitsa L. Tolstogo, Samara, 443010, Russia, tel.: +7 (902) 375‑77‑44, e-mail: andreev@psati.ru. Anvar K. Bulkhin, Ph.D. (Engineering), President, Samara Cable Company JSC, 103, ulitsa Fizkulturnaya, Samara, 443009, Russia, tel.: +7 (846) 279‑12‑10, e-mail: scc@samaracable.ru. Boris V. Popov, Ph.D. (Engineering), professor, Communication Lines Department, Povolzhskiy State University of Telecommunications and Informatics, 23, ulitsa L. Tolstogo, Samara, 443010, Russia, tel.: +7 (902) 336‑16‑03, e-mail: inkat@inbox.ru. Viktor B. Popov, Ph.D. (Engineering), professor, Communication Lines Department, Povolzhskiy State University of Telecommunications and Informatics, 23, ulitsa L. Tolstogo, Samara, 443010, Russia, tel.: +7 (902) 371‑47‑77, e-mail: inkat@inbox.ru. Поступила 18.03.2020; принята к публикации 26.03.2020; опубликована онлайн 07.09.2020. Submitted 18.03.2020; revised 26.03.2020; published online 07.09.2020.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-57-66 УДК 551.515: 551.510

Метод условной пространственной интерполяции для обнаружения минимально загрязненных зон при точечных аэрозольных выбросах в городскую атмосферу Х. Г. Асадов1, Р. Ш. Маммадли2 1 2

НИИ Аэрокосмической информатики, Баку, Азербайджанская Республика Национальное аэрокосмическое агентство, Баку, Азербайджанская Республика

Интерполирование непрерывной поверхности является одним из важных аспектов пространственного анализа. Для интерполирования непрерывной поверхности используется ряд методов, одним из которых является метод пространственной интерполяции с инверсно-дистанционными весовыми коэффициентами (Inverse Distance Weight, IDW). Целью настоящей статьи является разработка метода условной пространственной интерполяции для нахождения таких пространственной точек в городской зоне, где влияние точечных аварийных выбросов аэрозоля в атмосферу города минимально. Под условным пространственным интерполированием подразумевается тот случай, когда расстояния до интерполируемых точек задаются по определенному условию и требуется определить ту интерполируемую точку, где вышеуказанное влияния минимально. При этом пространственные выборки или базовые точки, используемые для интерполяции, формируются при воздействии одного мощного источника аэрозоля по индивидуальным каналам (дистанциям). Показано существование такой оптимальной взаимосвязи между дистанциями от точки выборки до точки интерполяции и от точки выборки до мощного источника аэрозоля, при которой суммарное воздействие мощного источника на интерполируемую точку минимально. Ключевые слова: интерполяция, минимизация, моделирование, ослабление, модификация Для цитирования: Асадов Х. Г., Маммадли Р. Ш. Метод условной пространственной интерполяции для обнаружения минимально загрязненных зон при точечных аэрозольных выбросах в городскую атмосферу // Радиопромышленность. 2020. Т. 30, № 3. С. 57–66. DOI: 10.21778/2413-9599-2020-30-3-57-66 © Асадов Х. Г., Маммадли Р. Ш., 2020

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Conditional spatial interpolation method for detecting minimally polluted areas with selective aerosol emissions to the city atmosphere H. H. Asadov1, R. Sh. Mammadli2 1 2

Research Institute of Aerospace Informatics, Baku, Azerbaijan Republic Azerbaijan National Aerospace Agency, Baku, Azerbaijan Republic

Continuous surface interpolation is an important aspect of spatial analysis. A number of methods are used to interpolate a continuous surface, one of which is the spatial interpolation method with the Inverse Distance Weight (IDW) ratio. The purpose of this article is to develop a method of conditional spatial interpolation for finding such spatial points in the urban zone where the impact of selective accidental aerosol emissions into the city atmosphere is minimal. Conditional spatial interpolation refers to the case when the distances to the interpolated points are set by a certain condition, and it is necessary to determine the interpolated point where the above influence is minimal. In this case, spatial samples or base points used for interpolation are formed when a single powerful aerosol source is exposed to individual channels (distances). It is shown that there is an optimal relationship between the distances from the sampling point to the interpolation point and from the sampling point to the powerful aerosol source, at which the total effect of the powerful source on the interpolated point is minimal. Keywords: interpolation, minimization, simulation, attenuation, modification For citation: Asadov H. H., Mammadli R. Sh. Conditional spatial interpolation method for detecting minimally polluted areas with selective aerosol emissions to the city atmosphere. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 57–66. (In Russian). DOI: 10.21778/24139599-2019-30-3-57-66

Введение Одним из важных вопросов пространственного анализа является интерполирование непрерывной поверхности с использованием значений отдельных пространственных выборок в виде базовых точек. Известно значительное количество методов интерполяции, к числу которых можно отнести метод сплайнов, метод полиномиальной регрессионной трендовой поверхности, метод радиально-базовой функции (Radial Base Function, RBF), метод триангулярной нерегулярной сети, метод инверсно-дистанционных весовых коэффициентов (IDW), метод Кригинга, метод линейно-смешанной модели и т. д. [1–12]. Наиболее распространенным является метод IDW. Однако этот метод имеет ряд недостатков, таких как: • нежелательность образования кластера выбранными точками; • сложность выбора той или иной точки в качестве базовой; • отсутствие возможности проведения поисковых оптимизационных процедур, в частности обнаружения точек с экстремальной величиной интерполяционной оценки. 58

Известен ряд усовершенствований метода IDW, таких как градиентно-инверсно-дистанционный метод [13, 14] и др. Однако эти усовершенствования не позволяют полностью устранить вышеуказанные недостатки. В настоящей статье рассматривается возможность дальнейшего развития метода IDW в направлении условного выбора дистанций до интерполируемой точки для получения возможности обнаружения точек с экстремальной величиной интерполяционной оценки в рамках этого метода. Актуальность этой цели объясняется потребностью в размещении материальных и человеческих ресурсов на минимально загрязненных участках. Предлагаемый новый подход к развитию метода IDW заключается в следующем: 1. Считаем, что все базовые точки интерполяции формируются из одного главного источника на различных расстояниях от него и базовые точки связаны с главным источником по индивидуальным каналам. 2. Считаем, что имеется оптимальная взаимосвязь между двумя следующими расстояниями: Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 • расстояние между базовыми точками и интерполируемой точкой; • расстояние между главным источником и базовыми точками. 3. Функция взаимосвязи между вышеуказанными расстояниями удовлетворяет некоторому ограничительному условию. Дадим некоторое пояснение по первому пункту на примере динамики загрязнения воздуха в городской среде. Как отмечается в работе [15], «сила и направление ветра в городе зависят не только от погоды и природного рельефа, но и от типа городской застройки… в городе возникает устойчивое направления ветра, противоположное набегающему на город ветровому потоку». Указанная мысль подтверждается результатами экспериментальных исследований приведенных в [16]. Как отмечено в заключении работы [16], «… установлено существенное влияние рельефа местности на формирование полей выпадения пыли от высотных труб Искитимского цементного завода. Несмотря на преобладание юго-западных и южных ветров, основной вынос загрязняющей примеси произошел в направлении на северо-запад, вдоль долины реки Берд». Похожие выводы сделаны также в работах [17, 18]. Таким образом, применительно к равнинной городской местности можно ожидать, что из-за плотной застройки жилых кварталов вынос загрязняющей примеси, возникающей из-за точечных техногенных аварийных выбросов, будет осуществляться вдоль открытых трасс городских улиц и магистралей. При этом конечные пункты выноса пыли будут приходиться на городские площади и парки, где повторно пересекаются ответвления этих трасс ветрового сгона пыли и которые могут рассматриваться в качестве зон экстремального загрязнения. В настоящей статье исследуются условия появления таких городских зон с экстремальным загрязнением и условия достижения минимального уровня такого загрязнения. Краткий обзор работ по применению методов и алгоритмов пространственной интерполяции Согласно работе [19], сравнение двух методов интерполяции – метода сплайнов и метода инверсно-дистанционного взвешивания (IDW) – показало, что при применении этих методов к различным метеорологическим показателям предпочтение следует отдать методу IDW при исследовании зимних температурных показателей. Однако при исследовании летных температурных показателей метод сплайнов показывает более точные результаты. Как указывается в работе [20], применение в Италии мультифрактальной модификации метода IDW Technologies and production

с целью разделения участков фонового и антропогенного загрязнения земель тяжелыми металлами показало хорошую работоспособность этого метода. Согласно работе [21], в Австрии с целью интерполяции показаний дождемеров была использована модификация метода IDW, отличающаяся тем, что при расчетах вместо географической дистанции была использована статистическая величина расстояния, что дало более устойчивые результаты. Исследования, проводимые в Каракасе (Венесуэла) по интерполяции напряженности электромагнитного поля с использованием трех методов (метод сплайнов, IDW и метод Кригинга) показали, что предпочтительным оказывается метод IDW [22]. В качестве недостатка использования метода IDW для интерполяции данных метеорологических осадков отмечается [23], что этот метод не учитывает пространственную ковариационную структуру, а также различные орографические эффекты, имеющие место на полигонах. Согласно работе [24], при использовании метода IDW происходит прямое распространение погрешности и этот эффект особенно усиливается при исследовании горной местности, где необходима трехэтапная реализация метода. Как отмечено в работе [25], использование метода IDW в Индии для интерполяции данных об атмосферном аэрозоле, малых газах, таких как SO2, NO2 показало, что метод IDW обеспечивает более высокую точность, чем метод Кригинга. В работе [26] была исследована возможность применения методов IDW и Кригинга для построения карты возвышенности территории (Япония). При выявлении линеаментов было обнаружено, что оба сравниваемых метода имеют свои преимущества и недостатки. Исследование проводились с пространственным разрешением 30м. Как указано в работе [27], интерполирование данных показало, что основным требованием при интерполировании дождевых осадков является применение геостатистического подхода, обеспечивающего высокое качество гидрологического моделирования. Согласно работе [28], проблема пространственно-временной интерполяции данных о мелкодисперсной аэрозольной составляющей может быть решена проведением последовательных во времени интерполяционных процедур с применением метода IDW на базе веб-данных с использованием метода параллельного программирования. В работе [29] отмечается, что сравнение двух методов пространственной интерполяции (метод радиальных базисных функций (RBF) и метод IDW) измеренных уровней грунтовых вод показало некоторое преимущество метода RBF. В работе [30] было проведено сравнение шести известных методов пространственной 59

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 интерполяции, таких как ANUDEM, IDW, TIN, метод методов интерполирования позволяет сделать слеКригинга. По точности метод IDW уступил только дующие выводы: методу ANUDEM, при этом с увеличением территории точность всех указанных методов снижалась. 1. Точность статистических методов выше, чем Согласно работе [31], сравнение таких методов точность детерминистических методов. интерполяции как IDW и метод «ближайшего со2. Среди детерминистических методов интерполяседа» (Near Neighbor, NN) применительно к данным ции наиболее предпочтительным оказывается грунтовых вод показало предпочтительность выметод IDW. бора метода IDW. 3. Применительно к задачам исследования реКак отмечается в работе [32], батиметрические льефа, в том числе горной местности, использоинтерполяционные исследования, проводимые вание метода IDW нецелесообразно. на гидроэлектрическом резервуаре реки Амазонки 4. Задача условного пространственного интер(Бразилия) с использованием детерминистических полирования с привлечением метода IDW, сои геостатистических алгоритмов показали преимугласно результатам проведенного поиска, до сих щество последних. пор не рассматривалась. Вместе с тем, согласно работе [33], среди таких детерминистических методов как ANUDEM, метод Предлагаемый метод сплайнов, IDW, метод Кригинга, использованных Хорошо известно [1–10], что в методе IDW индля интерполирования дождевых данных, по критерполяционная оценка вычисляется по следуютериям средней абсолютной погрешности и средщей формуле: ней относительной погрешности IDW оказался n более предпочтительным методом интерполиро Z (x0 ) = ∑ wi Z (xi ), (1) i=1 вания. Согласно работе [34], применение метода IDW где wi – весовой коэффициент; Z(xi) – величина выи стандартных технологий географических инфорборки в точке xi. мационных систем (ГИС) для интерполирования Весовые коэффициенты wi вычисляются по форсвойств почвы в Турции показало преимущество муле 1 p метода при оценке качества почвы по таким покаℓ зателям, как содержание карбоната кальция, орга (2) wi = n i , 1 нических веществ, емкость катионного обмена. ∑ ℓpi i=1 Согласно работе [35], проводимые в Китае исследования по моделированию пространственгде ℓi – расстояние между точкой i и интерполируеного распределения мелко-дисперсного аэрозоля мой точкой; p – численный показатель, существую(PM2.5) в атмосфере с использованием методов щий в известной методике. IDW, Кригинга и др. показали преимущество меС учетом (1) и (2) получим тода IDW по таким показателям, как средняя аб⎡ z(x ) ⎤ солютная погрешность и средняя относительная i ⎥ n ⎢ ℓ pi ⎥ погрешность. Аналогичные исследования модели⎢ Z (x0 ) = ∑ n . (3) рования распределения в атмосфере PM2.5 с ис⎢ ⎥ i=1 1 ⎢ ∑ ℓp ⎥ пользованием метода IDW и метода «Функция i ⎦ ⎣ i=1 формы» (Shape function), проводимые в США, показали преимущество последнего, что объясняется Далее рассмотрим случай, когда значения Z (x0 ), i = (1,n) использованием в этом методе процедур статистиZ (x0 ), i = (1,n) сформированы за счет единого мощного ческого анализа данных [36]. источника Z(x0), действующего в точке xm, что илКак сообщается в работе [27], были проведены люстрируется на рис. 1. геоморфометрические интерполяционные исслеДля определенности примем, что ослабление дования с применением методов IDW, NN, метода Z(xi) на пути длиной Li происходит по экспоненцисплайнов, RBF, кригинга. Было установлено, что альному закону, т. е. выражение может быть запидля исследования рельефа наилучшими оказывасано в виде ются кригинг и NN. ⎡ z(x )exp(−bL ) ⎤ m i В работе [38] сообщается о преимуществе ис⎥ n ⎢ ℓ pi ⎥ ⎢ Z (x0 ) = ∑ . (4) пользования метода IDW по сравнению с методом n ⎢ ⎥ i=1 1 NN при осуществлении интерполировании грунто∑ ℓpi ⎢ ⎥ ⎣ ⎦ i=1 вых вод с целью составления карты подземных вод. Непрерывный эквивалент выражения (4) имеет Приведенный краткий обзор сравнительных исвид следований детерминистических и статистических 60

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Z (x0 )Ì =

ℓ max

∫ 0

Z (xm )exp(−bL)d(ℓ) ℓp ℓ max

∫ 0

Z(x1) ,

(5)

где b = const. Покажем, что функционал (5) имеет следующие свойства: 1. В определенных условиях Z(x0)н может достичь экстремума. 2. Функционал (5) позволяет вычислить оптимальные позиции точек xi, i = (1,n), при которых результат интерполяции даст минимальную величину. Чтобы показать вышеуказанные свойства, проведем соответствующее модельное исследование. Аналитико-модельное исследование В предлагаемой модификации метода IDW допускаем существование функции связи между переменными ℓ и L, т. е. L = L(ℓ).

∫

L(ℓ)d ℓ = C; C = const.

Z(x0)

(7)

ℓ max

∫ 0

где F =

ℓ max

∫ 0

⎤ ⎡ ℓ max Z (xm )exp[−bL ( ℓ )]dℓ + λ ⎢ ∫ L(ℓ) − C ⎥ , (8) p γℓ ⎢⎣ 0 ⎥⎦

Согласно условиям известного уравнения Эйлера-Лагранжа оптимальная функция L(ℓ) приводящая F к его экстремальному значению должно удовлетворить условию

⎧ Z (xm )exp[−bL(ℓ)] ⎫ d⎨ +[λL ( ℓ )]⎬ p γℓ ⎩ ⎭ = 0. d[L ( ℓ )]

(9)

Из условия (9) находим

−bZ (xm )exp[−bL(ℓ)] + λ = 0. γℓ p

(10)

Из выражения (10) получим

bZ (xm )exp[−bL ( ℓ )] = λγℓ p .

Technologies and production

(11)

L2 Z(x3)

ℓn

Z0(xm)

Рисунок.1. Графическая интерпретация рассматриваемого случая, когда все выборки Z(xi); i = (ℓ, n) имеют происхождение от мощного источника Z(xm), находящегося от точек xi на соответствующих расстояниях Li; i = (1,n). Figure 1. Graphical interpretation of the case under study, when all samples Z(xi); i = (ℓ, n) have origin from a powerful source Z(xm), located from points xi at corresponding distances Li; i = (1,n).

Из выражения (11) окончательно получим

1 bZ (xm ) L ( ℓ ) = ln . b λγℓ p

(12)

С учетом выражений (7) и (12) получим

1 b

ℓ max

∫ 0

bZ (x) dℓ = C. λγℓ p

(13)

Очевидно, что величина λ может быть вычислена из выражения (13). Опустив для краткости изложения процедуру такого вычисления, обозначим результат как λ0. Следовательно, выражение (12) может быть записано как

⎛1⎞ ножитель Лагранжа. ⎜⎝ ℓp ⎟⎠ dℓ, λ – м

ℓ3

ℓ2

Z(xn)

С учетом выражений (5) и (7) составим задачу безусловной вариационной оптимизации. Соответствующий функционал оптимизации имеет вид

Z(x2)

(6)

Также допускаем, что вновь введенная функция L = L(ℓ) удовлетворяет следующему ограничительному условию: ℓ max

ℓ1

⎡ 1 ⎤dℓ ⎣ ℓp ⎦

1 bZ (x) L ( ℓ ) = ln . b λ 0 γℓ p

(14)

Можно показать, что функционал (8) при решении (14) достигает минимума. Для этого достаточно взять в выражении (10) производную по L(ℓ) и убедиться, что вторая производная F по L(ℓ) является положительной величиной. Экспериментально-модельное исследование Чтобы показать работоспособность метода, рассмотрим упрощенную модель его реализации. На рис. 2 показан наиболее упрощенный случай, где число базовых точек равно трем. В каждой из базовых точек возможны разветвления. Однако нас интересуют следующие трассы движения аэрозоля. По верхней трассе происходит распространение аэрозоля по направлению 61

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 I1 ℓ1 ℓ2

ℓ3

Рисунок 2. Упрошенная модель реализации предложенного метода экстремальной интерполяции: xi , i = (1,3) – базовые точки; x0 – мощный источник загрязнения атмосферы; xm – точка экстремальной интерполяции; Ii – концентрация загрязнителя в точке xi; I0 – исходная концентрация загрязнителя в точке x0 Figure 2. A simplified model for implementing the proposed extreme interpolation method: xi , i = (1,3) – base points; x0 – a powerful source of atmospheric pollution; xm – extreme interpolation point; Ii – concentration of the pollutant at point xi; I0 – initial concentration of the pollutant at point x0

L1[km]

L1=50 ℓ2=100

ℓ3=150

ℓ[km]

Рисунок 3. Графики рассматриваемых функциональных зависимостей L = f(ℓ) Figure 3. Diagrams of the considered functional dependencies L = f(ℓ)

x0 − x1 − xm .

По средней трассе происходит распространение аэрозоля по направлению

x0 − x2 − xm .

По нижней трассе происходит распространение аэрозоля по направлению

x0 − x1 − xm .

I i = I 0 (1 − αLi ) / a,

(16)

где a – коэффициент разветвления в точке x0. Для упрощения математических выкладок допускаем равномерное разветвление в указанных точках при величине a равной трем. При L1=5,0 км; L2=10,0 км, и L3=5,0 км соответственно получим I1=950/3; I2=900/3; I3=850/3. В первом случае, когда функция L = f(ℓ) является линейно убывающей функцией (линия 1 на рис. 3), суммарная концентрация в точке xm учетом тройного ослабления из-за равномерного разветвления в точках xi вычисляется следующим образом:

ℓ1=50

(15)

I s1 = 950⋅0,85 / 9 + 900⋅0,90 / 9 + 850⋅0,95 / 9 = = 807,5 / 9 + 810,0 / 9 + 807,5 / 9 = 2425 / 9.

Во втором случае, когда функция L = f(ℓ) является линейно нарастающей функцией (линия 2 на рис. 3), суммарная концентрация в точке x0 вычисляется следующим образом:

L2=100

I i = I 0e −αL i .

1 ⎞ Примем α = 10−2 ⎛⎜ ; I = 1000( y.e). (Далее кон⎝ km ⎟⎠ 0 центрации указываются в условных единицах.)

L3=150

Рассмотрим три случая функциональной зависимости Li = ƒ(ℓi), графики которых приведены на рис. 3. Концентрации Ii, вычислим в предложении, что исходная концентрация I0 уменьшается по экспоненциальному закону

I s2 = 950⋅0,95 / 9 + 900⋅0,90 / 9 + 850⋅0,85 / 9 = = 902,5 / 9 + 810,0 / 9 + 722,5 / 9 = 2435 / 9

В третьем случае, когда функция L = f(ℓ) является постоянной величиной (линия 3 на рис. 3) суммарная концентрация в точке x0 вычисляется следующим образом:

I s3 = 950⋅0,90 / 9 + 900⋅0,90 / 9 + 850⋅0,90 / 9 = = 855,0 / 9 + 810,0 / 9 + 765,0 / 9 = 2430 / 9

Таким образом, согласно проведенным вычислениям имеем Is2 > Is1 а также Is3 > Is1 т. е. линия 3 на рис. 3. Следовательно, оптимальной является убывающая функция L = f(ℓ) т. е. линия 1 на рис. 3. Этот вывод хорошо согласуется с формулой (14), которая также является убывающей функцией. Выводы Таким образом, в настоящей статье рассмотрена ситуация, когда используемые для пространственной интерполяции выборки, по сути, формируются из одного мощного источника аэрозоля, Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 воздействующего по дистанциям Li, подвергаясь экспоненциальному ослаблению. При обеспечении независимых путей распространения Li предлагаемый метод позволяет определить такие позиции точек Xi, при которых с учетом выполнения условия (7) суммарное воздействие источника Xm на точку X0 окажется минимальным. Сформулируем основные выводы проведенного исследования: 1. Предложен метод условной интерполяции с привлечением метода IDW, при которой пространственные выборки, используемые для интерполяции формируются при воздействии одного

мощного источника аэрозоля по индивидуальным каналам (дистанциям). 2. В предложенном методе условной интерполяции расстояния до интерполируемой точки задаются по определенному условию, вследствие чего эти расстояния оказываются связанными с расстояниями между базовыми точками и местом аномального выброса. 3. Показано существование такой оптимальной взаимосвязи между дистанциями ℓ от i-й точки выборки до точки интерполяции и от i-й точки до мощного источника L, при которой суммарное воздействие мощного источника на интерполируемую точку минимально.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. L i J., Heap A. D. A review of spatial interpolation methods for environmental scientists. Canberra, Geoscience Australia, 2008, 127 p. 2. Delbari M., Afrasiab P., Jahani S. Spatial interpolation of monthly and annual rainfall in northeast of Iran. Meteorology and Atmospheric Physics, 2013, vol. 122 (1–2), pp. 103-–113. 3. Wang S., Huang G. H., Lin Q. G., Li Z., Zhang H., Fan Y. R. Comparison of interpolation methods for estimating spatial distribution of precipitation in Ontario, Canada. International Journal of Climatology, 2014, vol. 34(14), pp. 3745–3751. 4. Borges P. D. A., Franke J., Weiss H., Bernhofer C. Comparison of spatial interpolation methods for the estimation of precipitation distribution in distrito federal, Brazil. Theoretical and Applied Climatology, 2016, vol. 123(1–2), pp. 335–348. 5. Chen T., Ren L. L., Yuan F., Yang X. Comparison of spatial interpolation schemes of rainfall data and application in hydrological modeling. Water, 2017, vol. 9(5), pp. 342–342. 6. Chen F. W., Lui C. W. Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment, 2012, vol. 10, pp. 209–222. 7. Apaydin H., Sonmez F. K., Yildirim Y. E. Spatial interpolation techniques for climate data in the gap region in Turkey. Climate Research, 2001, vol. 28, pp. 31–40. 8. Yeh H. C., Chen H. Z., Wei C., Chen R. H. Entropy and kriging approach and rainfall network design. Paddy and Water Environment, 2011, vol. 93, pp. 345–355. 9. Li X., Cheng G., Lu L. Spatial analysis of air temperature in the Qringhai-Tibet Plateau. Arctic, Antarctic, and Alpine Research, 2005, vol. 37, pp. 246–252. 10. Shi W. Z., Tian Y. A hybrid interpolation method for the refinement of a regular grid digital elevation model. International Journal of Geographical Information Science, 2006, vol. 20, iss. 1, 53–67. 11. Ozelkan E., Bagis S., Ozelkan E. C., Ustundag B. B., Meric Y. Spatial interpolation of climatic variables using land surface temperature and modified inverse distance weighting. International Journal of Remote Sensing, 2015, vol. 36 (4), pp. 1000– 1025. 12. Wang Y. H., Yang H. B., Yang D. W., Qin Y., Gao B., Cong Z. Spatial interpolation of daily precipitation in a high mountainous watershed based on gauge observation and a regional climate model Simulation. Journal of Hydrometeorology, 2016, vol. 18(3), pp. 845–862. 13. Hooyberghs J., Mensink C., Dumont G., Fierens F. Spatial interpolation of ambient ozone concentrations from sparse monitoring points in Belgium. Journal of Environmental Monitororing, 2006, vol. 8, pp. 1129–1135. 14. Golkhatmi N. S., Sanaeinegad S. H., Ghahraman B. Extended modified inverse distance method for interpolation rainfall. International Journal of Engineering Inventions, 2012, vol. 1, pp. 57–65. 15. Задереев Е. Учtные изучили влияния застройки на «продуваемость» города [Электронный ресурс]. URL: http://news. sfu-kras.ru/node/18234 (дата обращения: 30.06.2020). 16. Леженин А. А., Рапута В. Ф., Ярославцева Т. В., Соловьёва И. А. Оценка влияния рельефа местности на распространение пылевых выбросов Искитимского цементного завода // Междунар. науч. конф. «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология»: сб. материалов в 2 т. Т. 1. Новосибирск: СГУГиТ, 2015. С. 160–144. 17. Русакова Т. И. Прогнозирование загрязнения воздушной среды от автотранспорта на улицах и в микрорайонах города // Наука та прогрес транспорту. Висник Днепропетровского национального университету зализничного транспорту. 2013. № 6. С. 32–44. 18. Старавойтова Е. В., Галеев А. Д., Поникаров С. И. Моделирование и оценка последствий аварийного выброса сжиженного аммиака // Вестник Казанского Технологического Университета. 2011. № 13. С. 175–179. 19. Kurtzman D., Kadmon R. Mapping of temperature variables in Israel: a comparison of different interpolation methods. Climate Research, 1999, vol. 13, pp. 33–43. 20. Lima A., Vivo B. D., Cicchella D., Cortini M., Albanese S. Multifractal IDW interpolation and fractal filtering method in environmental studies: an application on regional stream sediments of (Italy), Campania Region. Applied Geochemistry, 2003, vol. 18, pp. 1853–1865.

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 21. Ahrens B. Distance in spatial interpolation of daily rain gauge data. Hydrology and Earth System Sciences Discussions, 2006, vol. 10, pp. 197–208. 22. Azpurua M., Teixeira K. D. R. A comparison of spatial interpolation methods for estimation of average electromagnetic field magnitude. Progress In Electromagnetics Research M, 2010, vol. 14, pp. 135–145. 23. Krahenmann S., Ahrens B. On daily interpolation of precipitation backed with secondary information. Adv. Sci. Res, 2010, vol. 4, pp. 29–35. 24. Achilleos G. A. The inverse distance weighted interpolation method and error propagation mechanism – creating a DEM from an analogue topographical map. Journal of spatial Science, 2011, vol. 56, no. 2, pp. 283–304. 25. Dilip Kumar Jha, Sabesan M., Das A., Vinithkumar N. V., Kirubagaran R. Evaluation of interpolation technique for air quality parameters in Port Blair, India. Universal Journal of Environmental Research and Technology, 2011, vol. 1, iss. 3, pp. 301– 310. 26. Setianto A., Triandini T. Comparison of kriging and inverse distance weighted (IDW) interpolation methods in lineament extraction and analysis. Journal of Applied Geology, 2013, vol. 5(1), pp. 21–39. 27. Saran L., Charles C., Degre A. Different methods for spatial interpolation of rainfall data for operational hydrology and hydrological modeling at watershed scale. A review. Biotechnology, Agronomy, Society and Environment, 2013, vol. 17, pp. 392–406. 28. Li L., Losser T., Yorke C., Piltner R. Fast inverse distance weighting – based spatiotemporal interpolation: a web – based application of interpolating daily fine particulate matter PM2.5 in the contiguous U.S. using parallel programming and k-d tree. International Journal of Environmental Research and Public Health, 2014, vol. 11, pp. 9101–9141. DOI:103390/ ijerph110909101. 29. Kaminska A., Grzywna A. Comparison of deterministic interpolation methods for the estimation of groundwater level. Journal of Ecological Engineering, 2014, vol. 15, no. 4, pp. 55–60. 30. Qulin T., Xiao X. Comparative analysis of spatial interpolation methods: an experimental study. Sensor & Trancducers, 2014, vol.165, iss. 2, pp. 155–163. 31. Malla M. A., Rahter M. A., Teli M. N., Kuchhay N. A. Comparison of spatial interpolation techniques – a case study of Anantnag District J&K, India. International Journal of Modern Engineering Research (IJMER), 2014, pp. 59–67. 32. Curtarelli M., Leao J., Ogashawara I., Lorenzzetti J., Stech J. Assessment of spatial interpolation methods to map the bathymetry of an Amazonian hydroelectric reservoir to aid decision making for water management. International Journal of Geo-Information, 2015, vol. 4, pp. 220–235. 33. Yang X., Xie X., Lu D. L., Wang L. Spatial of daily rainfall data for local Climate impact assessment over greater Sydney region. In: Advances in Meteorology. Hindawi publishing Corporation, 2015, no. 2, 12 p. 34. Tuncay T., Bayramin I., Atalay F., Unver I. Assessment of inverse distance weighting (IDW) interpolation on spatial variability of selected soil properties in the Cukurova plain. Journal of agriculture Sciences, 2016, vol. 22, pp. 377–384. 35. Zhang P., Shen T. Comparison of different spatial interpolation methods for atmospheric pollutant PM2.5 by using GIS and Spearman correlation. Journal of Chemical and Pharmaceutical Research, 2015, vol. 7(12), pp. 452–469. 36. Li L., Zhou X., Kalo M., Piltner R. Spatiotemporal interpolation methods for the application of estimating population exposure to fine particulate matter in the contiguous U.S. and a real-time web – application. International Journal of Environmental Research and Public Health. 2016, vol. 13(8). 37. Szypula B. Geomorphometric comparison of DEMs built by different interpolation methods. Landform Analysis, 2016. no. 32, pp. 45–58. 38. Al-Taee M. H., Al-Dilli A., Sivakugan N. Comparison of two deterministic interpolation methods for predicting ground water level in Baghdad. Journal of Babylon University. Engineering Sciences, 2017. vol. 25, no. 5, pp. 1787–1796.

REFERENCES 1. Li J., Heap A. D. A review of spatial interpolation methods for environmental scientists. Canberra, Geoscience Australia, 2008, 127 p. 2. Delbari M., Afrasiab P., Jahani S. Spatial interpolation of monthly and annual rainfall in northeast of Iran. Meteorology and Atmospheric Physics, 2013, vol. 122(1–2), pp. 103–113. 3. Wang S., Huang G. H., Lin Q. G., Li Z., Zhang H., Fan Y. R. Comparison of interpolation methods for estimating spatial distribution of precipitation in Ontario, Canada. International Journal Climatology, 2014, vol. 34(14), pp. 3745–3751. 4. Borges P. D. A., Franke J., Weiss H., Bernhofer C. Comparison of spatial interpolation methods for the estimation of precipitation distribution in distrito federal, Brazil. Theoretical and Applied Climatology, 2016, vol. 123(1–2), pp. 335–348. 5. Chen T., Ren L. L., Yuan F., Yang X. Comparison of spatial interpolation schemes of rainfall data and application in hydrological modeling. Water, 2017, vol. 9(5), pp. 342–342. 6. Chen F. W., Lui C. W. Estimation of the spatial rainfall distribution using inverse distance weighting (IDW) in the middle of Taiwan. Paddy and Water Environment, 2012, vol. 10, pp. 209–222. 7. Apaydin H., Sonmez F. K., Yildirim Y. E. Spatial interpolation techniques for climate data in the gap region in Turkey. Climate Research, 2001, vol. 28, pp. 31–40. 8. Yeh H. C., Chen H. Z., Wei C., Chen R. H. Entropy and kriging approach and rainfall network design. Paddy and Water Environment, 2011, vol. 93, pp. 345–355. 9. Li X., Cheng G., Lu L. Spatial analysis of air temperature in the Qringhai-Tibet Plateau. Arctic, Antarctic, and Alpine Research, 2005, vol. 37, pp. 246–252. 10. Shi W. Z., Tian Y. A hybrid interpolation method for the refinement of a regular grid digital elevation model. International Journal of Geographical Information Science, 2006, vol. 20, iss. 1, 53–67.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 11. Ozelkan E., Bagis S., Ozelkan E. C., Ustundag B. B., Meric Y. Spatial interpolation of climatic variables using land surface temperature and modified inverse distance weighting. International Journal of Remote Sensing, 2015, vol. 36 (4), pp. 1000– 1025. 12. Wang Y. H., Yang H. B., Yang D. W., Qin Y., Gao B., Cong Z. Spatial interpolation of daily precipitation in a high mountainous watershed based on gauge observation and a regional climate model Simulation. Journal of Hydrometeorology, 2016, vol. 18(3), pp. 845–862. 13. Hooyberghs J., Mensink C., Dumont G., Fierens F. Spatial interpolation of ambient ozone concentrations from sparse monitoring points in Belgium. Journal of Environmental Monitororing, 2006, vol. 8, pp. 1129–1135. 14. Golkhatmi N. S., Sanaeinegad S. H., Ghahraman B. Extended modified inverse distance method for interpolation rainfall. International Journal of Engineering Inventions, 2012, vol. 1, pp. 57–65. 15. Zadereev E. Uchenye izuchili vliyaniya zastroiki na “produvaemost” goroda [Scientists have studied the impact of the housing development on the «ventilation» of the city]. (In Russian). Available at: http://news.sfu-kras.ru/node/18234 (accessed: 30.06.2020). 16. Lezhenin A. A., Raputa V. F., Yaroslavtseva T. V., Soloveva I. A. Otsenka vliyaniya relefa mestnosti na rasprostranenie pylevykh vybrosov Iskitimskogo tsementnogo zavoda. Mezhdunarodnaya nauchnaya konferensya «Distantsionnye metody zondirovaniya Zemli i fotogrammetriya, monitoring okruzhayushchei sredy, geoehkologiYA» [Международная научная конференция «Дистанционные методы зондирования Земли и фотограмметрия, мониторинг окружающей среды, геоэкология»]. Vol. 1. Novosibirsk, SGUGIT Publ, 2015, pp. 160–144. (In Russian). 17. Rusakova T. I. Forecasting air pollution from vehicles on the streets and in the city neighborhoods. Nauka ta progres transportu. Visnik Dnepropetrovskogo natsionalnogo universitetu zaliznichnogo transportu, 2013, no. 6, pp. 32–44. (In Russian). 18. Staravoitova E. V., Galeev A. D., Ponikarov S. I. Modeling and assessment of the consequences of an emergency release of liquefied ammonia. Vestnik Kazanskogo Tekhnologicheskogo Universiteta, 2011, no. 13, pp. 175–179. (In Russian). 19. Kurtzman D., Kadmon R. Mapping of temperature variables in Israel: a comparison of different interpolation methods. Climate Research, 1999, vol. 13, pp. 33–43. 20. Lima A., Vivo B. D., Cicchella D., Cortini M., Albanese S. Multifractal IDW interpolation and fractal filtering method in environmental studies: an application on regional stream sediments of (Italy), Campania Region. Applied Geochemistry, 2003, vol. 18, pp. 1853–1865. 21. Ahrens B. Distance in spatial interpolation of daily rain gauge data. Hydrology and Earth System Sciences Discussions, 2006, vol. 10, pp. 197–208. 22. Azpurua M., Teixeira K. D. R. A comparison of spatial interpolation methods for estimation of average electromagnetic field magnitude. Progress In Electromagnetics Research M, 2010, vol. 14, pp. 135–145. 23. Krahenmann S., Ahrens B. On daily interpolation of precipitation backed with secondary information. Adv. Sci. Res. 2010, vol. 4, pp. 29–35. 24. Achilleos G. A. The inverse distance weighted interpolation method and error propagation mechanism – creating a DEM from an analogue topographical map. Journal of spatial Science, 2011, vol. 56, no. 2, pp. 283–304. 25. Dilip Kumar Jha, Sabesan M., Das A., Vinithkumar N. V., Kirubagaran R. Evaluation of interpolation technique for air quality parameters in Port Blair, India. Universal Journal of Environmental Research and Technology, 2011, vol. 1, iss. 3, pp. 301– 310. 26. Setianto A., Triandini T. Comparison of kriging and inverse distance weighted (IDW) interpolation methods in lineament extraction and analysis. Journal of Applied Geology, 2013, vol. 5(1), pp. 21–39. 27. Saran L., Charles C., Degre A. Different methods for spatial interpolation of rainfall data for operational hydrology and hydrological modeling at watershed scale. A review. Biotechnology, Agronomy, Society and Environment, 2013, vol. 17, pp. 392–406. 28. Li L., Losser T., Yorke C., Piltner R. Fast inverse distance weighting – based spatiotemporal interpolation: a web – based application of interpolating daily fine particulate matter PM2.5 in the contiguous U.S. using parallel programming and k-d tree. International Journal of Environmental Research and Public Health, 2014, vol. 11, pp. 9101–9141. DOI:103390/ ijerph110909101. 29. Kaminska A., Grzywna A. Comparison of deterministic interpolation methods for the estimation of groundwater level. Journal of Ecological Engineering, 2014, vol. 15, no. 4, pp. 55–60. 30. Qulin Tan, Xiao Xu. Comparative analysis of spatial interpolation methods: an experimental study. Sensor & Trancducers, 2014, vol.165, iss. 2, pp. 155–163. 31. Malla M. A., Rahter M. A., Teli M. N., Kuchhay N. A. Coparison of spatial interpolation techniques – a case study of Anantnag District J&K, India. International Journal of Modern Engineering Research (IJMER), 2014, pp. 59–67. 32. Curtarelli M., Leao J., Ogashawara I., Lorenzzetti J., Stech J. Assessment of spatial interpolation methods to map the bathymetry of an Amazonian hydroelectric reservoir to aid decision making for water management. International Journal of Geo-Information, 2015, vol. 4, pp. 220–235. 33. Yang X., Xie X., Lu D. L., Wang L. Spatial of daily rainfall data for local Climate impact assessment over greater Sydney region. In: Advances in Meteorology, Hindawi publishing Corporation, 2015, no. 2, 12 p. 34. Tuncay T., Bayramin I., Atalay F., Unver I. Assessment of inverse distance weighting (IDW) interpolation on spatial variability of selected soil properties in the Cukurova plain. Journal of agriculture Sciences, 2016, vol. 22, pp. 377–384. 35. Zhang P., Shen T. Comparison of different spatial interpolation methods for atmospheric pollutant PM2.5 by using GIS and Spearman correlation. Journal of Chemical and Pharmaceutical Research, 2015, vol. 7(12), pp. 452–469. 36. Li L., Zhou X., Kalo M., Piltner R. Spatiotemporal interpolation methods for the application of estimating population exposure to fine particulate matter in the contiguous U.S. and a real-time web-application. International Journal of Environmental Research and Public Health. 2016, vol. 13(8).

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 37. Szypula B. Geomorphometric comparison of DEMs built by different interpolation methods. Landform Analysis, 2016. no. 32, pp. 45–58. 38. Al-Taee M. H., Al-Dilli A., Sivakugan N. Comparison of two deterministic interpolation methods for predicting ground water level in Baghdad. Journal of Babylon University. Engineering Sciences, 2017. vol. 25, no. 5, pp. 1787–1796.

ИНФОРМАЦИЯ ОБ АВТОРАХ Асадов Хикмет Гамидович, д. т. н., профессор, начальник отдела, НИИ Аэрокосмической информатики, Азербайджанская Республика, AZ1115, г. Баку, улица С. С. Ахундова, д. 1, тел.: + 994 (50) 324‑72‑40, e-mail: asadzade@rambler.ru. Маммадли Рашад Шохрат оглы, докторант, Национальное аэрокосмическое агентство Азербайджана, Азербайджанская Республика, AZ1115, г. Баку, улица С. С. Ахундова, д. 1, e-mail: r-mammadli@list.ru.

AUTHORS Hikmet H. Asadov, D.Sc. (Engineering), professor, head of department, Research Institute of Aerospace Informatics, 1, S. S. Akhundov street, Baku, AZ1115, Azerbaijan Republic, tel.: + 994 (50) 324‑72‑40, e-mail: asadzade@rambler.ru. Rashad Sh. Mammadli, Ph.D. student, Azerbaijan National Aerospace Agency, 1, S. S. Akhundova street, Baku, AZ1115, Azerbaijan Republic, e-mail: r-mammadli@list.ru. Поступила 10.08.2019; принята к публикации 01.10.2019; опубликована онлайн 07.09.2020. Submitted 10.08.2019; revised 01.10.2019; published online 07.09.2020.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-67-74 УДК 004.051

Сравнительный анализ эффективности существующих методов защиты сетей связи от DDoS-атак Н. В. Евглевская1, А. Ю. Зуев1, А. О. Карасенко1, О. С. Лаута1 1 Военная

академия связи имени Маршала Советского Союза С. М. Буденного, Санкт-Петербург,

Россия.

В настоящее время весьма актуальными являются вопросы, связанные с защитой информации. DoS и DDoSатаки реализуются злоумышленниками достаточно часто, так как такие компьютерные атаки позволяют довести до отказа практически любую систему, не оставляя юридически значимых улик. При этом отказ подсистемы, подвергнувшейся нападению, может являться лишь промежуточным этапом атаки на целевую систему. Наиболее уязвимы перед DDoS-атаками интернет-магазины, системы интернет-платежей, новостные ресурсы и компании, деятельность которых зависит от регулярности обращения пользователя к ресурсу. Основными способами защиты от компьютерных атак, в частности от DDoS-атак, на данный момент являются антивирусные программы и межсетевые экраны. В статье представлено описание некоторых видов DDoS-атак, а также результаты сравнительного анализа ряда существующих методов защиты сетей связи от DDoS-атак, которые позволят упростить выбор оптимального решения по обеспечению надежной защиты телекоммуникационного объекта. Учитывая все достоинства и недостатки, метод организации системы защиты сети связи от атак типа DDoS на основе технологии искусственных нейронных сетей является наиболее подходящим решением для обеспечения информационной безопасности сетей различного назначения. Ключевые слова: DDoS-атака, ботнет, защита, предотвращение атак, обнаружение атак, отражение атак Для цитирования: Сравнительный анализ эффективности существующих методов защиты сетей связи от DDoS-атак / Н. В. Евглевская, А. Ю. Зуев, А. О. Карасенко, О. С. Лаута // Радиопромышленность. 2020. Т. 30, № 3. С. 67–74. DOI: 10.21778/2413-95992020-30-3-67-74 © Евглевская Н. В., Зуев А. Ю., Карасенко А. О., Лаута О. С., 2020

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Comparative analysis of the effectiveness of existing methods of networks security from DDoS attacks N. V. Evglevskaya1, A. Yu. Zuev1, A. O. Karasenko1, O. S. Lauta1 1 Military Telecommunications Academy named after the Soviet Union Marshal Budienny S. M., Saint Petersburg, Russia

At present, issues related to information security are highly relevant. DoS and DDoS attacks are carried out by cybercriminals quite often, because cyberattacks can bring almost any system to failure, leaving no legally significant evidence. At the same time, the failure of the attacked subsystem can be an intermediate stage towards the target system. The most vulnerable to DDoS attacks are online stores, online payment systems, news resources and companies, whose activities depend on the frequency of user access to the resource. The main methods of protection against cyberattacks and DDoS attacks, in particular, are currently antivirus programs and firewalls. The article presents a description of some types of DDoS attacks as well as the results of a comparative analysis of several existing methods of networks security from DDoS attacks, which will simplify the choice of the optimal solution to ensure reliable protection of a telecommunication facility. Considering all the advantages and disadvantages, the method of organizing a network protection system against DDoS attacks based on the technology of artificial neural networks is the most suitable solution for ensuring the information security of networks of various purpose. Key words: DDoS attack, botnet, protection, attack prevention, attack detection, attack repulsion For citation: Evglevskaya N. V., Zuev A. Yu., Karasenko A. O., Lauta O. S. Comparative analysis of the effectiveness of existing methods of networks security from DDoS attacks. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 67–74. (In Russian). DOI: 10.21778/24139599-2019-30-3-67-74

Введение Одними из наиболее опасных незаконных воздействий на сети связи различного назначения являются компьютерные атаки типа DDoS (distributed denial-of-service). Активное развитие сетей Интернета вещей (Internet of Things, IoT), промышленного Интернета вещей (Industrial Internet of Things, IIoT) и, как следствие, рост числа подключаемых к ним устройств различного назначения неизбежно приведут к росту числа угроз сетевой безопасности. Причинами распространения компьютерных атак указанного типа является простота их реализации, исчерпывающие сведения о механизме исполнения и низкие требования к знаниям и вычислительным ресурсам злоумышленника. Существует множество методов и механизмов обнаружения, предотвращения и отражения компьютерных атак типа DDoS. У каждой системы защиты сети связи имеются свои преимущества и недостатки. Так как само наличие информационного ресурса в сети Интернет уже является достаточным для проведения межсетевой атаки типа DDoS, любая организация может оказаться потенциальной целью злоумышленника. Несмотря на то, что для бизнеса очевидны негативные последствия реализации DDoS-атак, данную 68

угрозу часто недооценивают. Исследования показывают, что лишь менее 40% компаний принимают превентивные меры против DDoS-атак. Это говорит о том, что руководители компаний не всегда четко осознают и принимают в расчет риски, которые несут подобного рода атаки, правда, до тех пор, пока сами не подвергнутся нападению злоумышленника. Основным последствием успешно проведенной DDoS-атаки является такое нежелательное событие, как полный отказ работы сети, что влечет за собой остановку бизнес-процессов компании. В статье представлены результаты сравнительного анализа ряда существующих методов защиты сетей связи от DDoS-атак, которые могли бы помочь найти оптимальное решение по обеспечению надежной защиты телекоммуникационного объекта. Краткий обзор видов DDoS-атак и методов защиты от них Проблема поиска универсального решения для защиты сетей связи от атак типа DDoS представлена в научных исследованиях как зарубежных, так и отечественных ученых. Так, автором [1] проводятся детальные исследования актуальных DDoS-атак и сравнительный анализ различных решений по обеспечению защиты Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 от DDoS-атак в среде облачных вычислений. Для проведения исследований в [1] использована модель обнаружения и защиты от DDoS-атак. Модель ориентирована на обнаружение аномалий и способна защитить публичное/частное облако от атак «нулевого дня». Доступность облачных приложений для потребителей существенно возрастает за счет обеспечения защиты от облачных DDoS-атак. Результаты исследования позволяют детально изучить предметную область, связанную с DDoSатаками, и основные меры защиты от них. Авторами [2] приводятся результаты экспериментальных исследований, в которых представлено решение обнаружения аномалий с помощью машинно-синестетического метода. В данном случае машинная синестезия понимается как интерфейс, позволяющий использовать алгоритмы классификации изображений в задаче обнаружения сетевых аномалий, что позволяет использовать неспециализированные методы обнаружения изображений, которые в последнее время получили широкое и активное развитие. Предлагаемый подход заключается в том, что данные сетевого трафика проецируются на изображение. При проведении экспериментальных исследований проводилась комплексная оценка эффективности обнаружения сетевых аномалий. Рассматриваемый метод позволил выявить порядка 97% аномалий. Кроме того, в [2] предложены способы повышения эффективности данного метода путем совершенствования используемой нейронной сети. В [3] определены преимущества и недостатки актуальных видов защиты от DDoS-атак, что позволяет разрабатывать новые и модифицировать существующие методы защиты. Рассмотренные методы защиты преимущественно ориентированы на противодействие атакам, реализуемым с помощью протокола DNS. Идеи, лежащие в основе этих методов, могут быть использованы для выявления других типов атак, а сами методы модифицированы и применены для более широкого круга атак. В [4] приведено подробное описание и классификация DDoS-атак. Также представлен анализ эффективности применения различных методов защиты в тех или иных условиях. В результате проведенных исследований авторами [4] определена эффективность основных методов защиты, предупреждения и обнаружения DDoS-атак, выявлены достоинства и недостатки каждого анализируемого метода. В результате сделано заключение, что в качестве универсального решения для защиты от атак необходимо развивать систему кооперативного IP traceback, которая обеспечит невозможность фальсификации адреса созданного вредоносного пакета, что позволит обнаружить возможного злоумышленника. Technologies and production

Виды DDoS-атак DDoS-атакой называют совокупность действий, способных полностью или частично вывести из строя сеть связи или отдельные ее элементы. Сетевые ресурсы, такие как веб-серверы, имеют ограничения по количеству запросов, которые они могут обслуживать одновременно. Помимо исчерпания пропускной способности канала связи, который соединяет сервер с глобальной сетью Интернет, при превышении количества запросов на соединение с любым компонентом инфраструктуры может произойти следующее: • существенное увеличение времени ответа на запросы; • отказ в обслуживании всех запросов пользователей или их части. Как правило, конечной целью злоумышленника является полное прекращение работы вебресурса – «Отказ в обслуживании». Для прекращения атаки злоумышленник нередко вымогает у своей жертвы денежные средства. В некоторых случаях DDoS-атака может являться попыткой дискредитировать или разрушить бизнес конкурента. Алгоритм реализации типовой DDoS-атаки представлен на рисунке. DDoS-атака выполняется злоумышленником при помощи множества заранее зараженных зомбикомпьютеров, образующих ботнет. Ботнет – это компьютерная сеть, состоящая из некоторого количества хостов с запущенными ботами – автономным программным обеспечением. Бот в составе ботнета является программой, скрытно устанавливаемой на устройство жертвы и позволяющей злоумышленнику выполнять некие

Злоумышленник / Intruder

Зомби 1 / Zombie 1

Зомби 2 / Zombie 2

Зомби 3 / Zombie 3

Зомби N / Zombie N

Жертва / Victim

Рисунок. Алгоритм осуществления DDoS-атаки Figure. DDoS attack algorithm

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 действия с использованием ресурсов зараженного компьютера. Часто злоумышленники стремятся заразить вредоносными программами и таким образом взять под свой контроль тысячи, десятки тысяч и даже миллионы компьютеров, что дает возможность свободно управлять большой зомби-сетью. В настоящий момент существует множество вариантов осуществления DDoS-атак. В зависимости от особенностей и специфики функционирования предполагаемой жертвы, DDoS-атаки можно распределить по уровням эталонной модели взаимосвязи открытых систем. Согласно [5], можно выделить несколько классов атак данного типа, различающихся способами реализации: 1. Атаки, направленные на переполнение канала связи. Суть атаки заключается в отправлении на атакуемый компьютер огромного потока флуда, то есть запросов неправильного формата или бессмысленных по сути. Флуд полностью забивает всю ширину канала данных или входной маршрутизатор. Поскольку объем данных превышает объем ресурсов для их обработки, становится невозможным получение корректных пакетов данных от других пользователей. В результате система отказывает им в обслуживании. 2. Атаки, использующие уязвимости стека сетевых протоколов. На этом уровне происходит маршрутизация и обмен данными между сетями посредством передачи пакетов с информацией по протоколам IP, ICMP, ARP, RIP. Примером такой DDoS-атаки является ICMP-флуд. Суть атаки состоит в том, что хост постоянно запрашивается злоумышленниками, которые вынуждают его отвечать на ping-запросы. Когда таких запросов приходит значительное количество, пропускной способности сети не хватает и ответы на запросы приходят со значительной задержкой. Для предотвращения таких DDoS-атак можно полностью отключить обработку ICMP-запросов посредством межсетевого экрана или хотя бы ограничить их количество. 3. Атаки на прикладной уровень, или уровень приложений. На этом уровне происходит оперирование данными посредством пользовательских протоколов (FTP, HTTP, POP3, SMTP, Telnet, RAS). Следствием DDoS-атак в данном случае становится тотальная нехватка ресурсов для выполнения простейших операций на ресурсежертве. Наиболее эффективным способом противодействия злоумышленникам является постоянный мониторинг состояния системы в целом и программного обеспечения в частности. После выявления атаки на данном уровне 70

существует возможность идентификации злоумышленника и последующего блокирования возможности совершения им каких-либо действий. Сравнительный анализ актуальных методов защиты Существование большого количества способов и механизмов реализации атак типа DDoS требует применения соответствующих контрмер. Защита от DDoS-атак включает в себя [1–4]: • предотвращение атаки, • обнаружение атаки, • отражение атаки. Для предотвращения DDoS-атак применяются способы проектирования и настройки сетей связи в соответствии с требованиями правил информационной безопасности, фильтрации трафика, а также прогнозирования событий. Сравнительный анализ данных способов отражен в табл. 1 [3, 4]. При непосредственном использовании и администрировании сетей связи важно своевременно обнаружить и распознать атаку для последующей ее ликвидации. На данный момент существует множество эффективных способов обнаружения DDoSатак, сравнительный анализ которых представлен в табл. 2 [6–9]. При непосредственном отражении атаки необходимо руководствоваться разработанными методиками защиты и объективно отслеживать поведение данной атаки для оперативного реагирования и применения соответствующих действий. В табл. 3 представлено несколько способов отражения атак типа DDoS [8, 9]. Выводы В результате проведенного анализа ряда научных работ было выявлено противоречие между проявляющейся активностью злоумышленников, реализующих DDoS-атаки, и не всегда эффективными методами защиты от них. Многие из наиболее часто используемых способов защиты от DDoS-атак не могут быть применены для противодействия современным способам нападения на сеть организации. Решения типа фильтрации или «blackholing», основанные на отбрасывании подозрительного трафика, существенно ограничивают доступность сети и в долговременной перспективе вредят организации больше, чем защищают от отказа в обслуживании. Обнаружение атак средствами сетевого администрирования или использование услуг сетевого Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Таблица 1. Способы предотвращения DDoS-атак Table 1. Methods for preventing DDoS attacks

Способ предотвращения DDoS-атак / DDoS attacks prevention method

Преимущества / Advantages

Недостатки / Disadvantages

Комплекс мер по защите информации. Организационноправовые мероприятия / A set of measures to protect information. Organizational and legal measures

Снижение вероятности появления Человеческий фактор / Human factor нежелательных событий. Возможность комбинирования с другими методами / Reducing the likelihood of unwanted events. Possibility of combining with other methods

Фильтрация входящего/ исходящего сетевого трафика / Filtering incoming/outgoing network traffic

Предотвращение IP Spoofing. Вероятность обхода фильтрации Снижение мощности DDoS-атаки / IP злоумышленником / Probability of Spoofing prevention. Reducing the power filtering bypass by an attacker of a DDoS attack

Фильтрация пакетов на базе маршрутизатора (RPF) / Router-based Packet Filtering (RPF)

Предотвращение IP Spoofing. Многоуровневая проверка сетевого пакета / IP Spoofing prevention. Multilevel network packet inspection

Интеллектуальные способы анализа данных / Intelligent ways to analyze data

Выявление различных девиаций трафика и подозрительного поведения клиентов. Возможность прогнозирования атаки с высокой точностью / Identification of various traffic deviations and suspicious customer behavior. The ability to predict attacks with high accuracy

провайдера также не являются актуальными. Выявление поддельных адресов подразумевает работу со слишком большим массивом данных, при этом вероятность найти источник атаки достаточно низкая. Более того, блокирование источника атаки, а также фильтрация сетевого трафика влекут за собой блокирование части трафика сети. Многие крупные организации решают проблему отказа в обслуживании путем перенасыщения пропускной полосы каналов связи и сетевых устройств. Данное решение обеспечивает устойчивость сети при незапланированном увеличении загруженности информационного ресурса, но требует больших экономических затрат, а также правильную настройку оборудования для обеспечения избыточности. С учетом информации о методах защиты и результатах исследований отечественных и зарубежных ученых проведен сравнительный анализ актуальных мер защиты сетей связи по направлениям предотвращения, обнаружения и отражения возможных атак. Наиболее приоритетными методами на данный момент являются предотвращение и своевременное обнаружение атак. Данные Technologies and production

Относительно долгая разработка и инсталляция системы. Поддержка большой базы данных с информацией об атаках и их вариациях / Relatively long development and installation of the system. Support for a large database with information about attacks and their variations

методы обладают рядом преимуществ, заключающихся в применении интеллектуальных способов анализа данных, которые подразумевают использование алгоритмов нечеткой логики и машинного обучения. Эффективность таких способов заключается в их адаптивности и возможности прогнозирования с высокой точностью, что подразумевает уменьшение или полное исключение материальных затрат на восстановление систем после возможного нежелательного воздействия злоумышленника. Также они отличаются свойством модульности, что позволяет внедрять их совместно с другими методами. Преимуществом использования технологий искусственного интеллекта при обнаружении компьютерных атак типа DDoS является гибкость, которую предоставляют искусственные нейронные сети. Нейронная сеть способна анализировать данные, получаемые от сети, даже если эти данные являются неполными или искаженными, обладает возможностью проводить анализ данных в нелинейном режиме. Искусственные нейронные сети способны проводить анализ информации с последующим предоставлением оценки, согласуются ли данные 71

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица 2. Способы обнаружения DDoS-атак Table 2. Methods for detecting DDoS attacks

Способ обнаружения DDoSатак / DDoS attack detection method

Преимущества / Advantages

Недостатки / Disadvantages

Кибер-расследование Обнаружение атаки и определение (Forensic analysis) / Cyber ее механизма для последующего investigation (Forensic analysis) отражения / Detecting an attack and determining its mechanism for subsequent reflection

Несвоевременность. Человеческий фактор / Lateness. Human factor

Фильтрация сетевого трафика / Filtering of network traffic

Своевременное обнаружение атаки / Timely attack detection

Вероятность обхода фильтрации злоумышленником / Probability of filtering bypass by an attacker

Отслеживание энтропии трафика / Tracking traffic entropy

Своевременное обнаружение атаки c определением ее механизма. Относительная простота использования конечным пользователем / Timely detection of an attack with the definition of its mechanism. The relative ease of use by the end-user

Сложность определения атак, сетевая активность которых незначительна. Затруднена диагностика в сетях с малыми объемами передаваемого трафика / Difficulty identifying attacks with negligible network activity. Diagnostics in networks with small volumes of transmitted traffic is complicated

Интеллектуальные способы анализа данных / Intelligent ways to analyze data

Выявление различных девиаций трафика и подозрительного поведения клиентов. Совместимость с другими методами / Identification of various traffic deviations and suspicious customer behavior. Compatibility with other methods

Относительно долгая разработка и инсталляция системы. Невозможность обнаруживать атаки, не заложенные в систему / Relatively long development and installation of the system. Inability to detect attacks not embedded in the system

Таблица 3. Способы отражения DDoS-атак Table 3. Methods of reflecting DDoS attacks

Способ отражения DDoS-атак / DDoS reflection method

Преимущества / Advantages

Недостатки / Disadvantages

Фильтрация сетевого трафика Снижение активности DDoSна основе блокировки атак / Reducing DDoS attack подозрительных клиентов / Filtering activity network traffic based on blocking suspicious clients

Вероятность ошибок Возможность обхода фильтрации злоумышленником / Error probability The ability to bypass filtering by an attacker

Введение ограничений/запретов на соединения, обработку запросов / Introduction of restrictions/bans on connections, request processing

Снижение активности DDoSатак. Повышение общей устойчивости сети / Reduced DDoS attack activity. Improving overall network resilience

Ухудшение работы ресурса сети на стороне конечного пользователя / Deterioration of the network resource operation on the end-user side

Резервирование каналов связи / Reservation of communication channels

Возможность административного доступа к серверу в аварийных ситуациях / Possibility of administrative access to the server in emergencies

Прямая зависимость от аппаратной части. Использование только в комбинации с другими методами / Direct dependence on the hardware. Usage only in combination with other methods

Увеличение производительности аппаратной части / Increased hardware performance

Повышение общей устойчивости сети / Improving overall network resilience

Относительно высокие материальные затраты / Relatively high material costs

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 с характеристиками, которые она научена распознавать или нет. С помощью технологий искусственного интеллекта можно решать задачи, связанные с обнаружением аномального поведения в процессе информационного обмена в сети. При этом нейронные сети не ограничены знаниями, которые заложил в них разработчик. Они имеют возможность учиться на предшествующих событиях – как на аномальном, так и на нормальном трафике. За счет этого достигается высокая эффективность и адаптивность систем предотвращения и своевременного обнаружения компьютерных атак типа DDoS. К недостаткам таких систем относятся долгие сроки разработки и оптимизации. Также при

применении данного способа желательно использовать высокопроизводительные аппаратные системы. На сегодняшний день бурно развивающиеся технологии искусственного интеллекта уже имеют целый ряд полезных решений. Учитывая все достоинства и недостатки, метод организации системы защиты сети связи от компьютерных атак типа DDoS на основе технологий искусственного интеллекта является наиболее подходящим решением для обеспечения информационной безопасности сетей различного назначения. Представленный материал в дальнейшем планируется использовать в исследованиях вопросов построения универсальной системы защиты сетей связи.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. K iruthika Devi B. S., Subbulakshmi T. A. Comparative Analysis of Security Methods for DDoS Attacks in the Cloud Computing Environment. Indian Journal of Science and Technology, 2016, vol. 9(34), pp. 1–7. DOI: 10.17485/ijst/2016/v9i34/93175. 2. Monakhov Y., Nikitin O., Kuznetsova A. A. Machine-Synesthetic Approach to DDoS Network Attack Detection. Intelligent Systems Conference (IntelliSys), 2019, vol. 1038, pp. 179–191. 3. Бекенева Я. А. Анализ актуальных типов DDoS-атак и методов защиты от них // Известия СПбГЭТУ ЛЭТИ. 2016. Вып. 1. С. 7–14. 4. Peng T., Leckie Ch., Ramamohanarao K. Survey of network-based defense mechanisms countering the DoS and DDoS problems. Journal ACM Computing Surveys (CSUR), 2007, vol. 39, iss. 1, pp. 1–42. 5. Гаврилова Е. А. Исследование методов обнаружения сетевых атак // Научные записки молодых исследователей. 2017. № 4. C. 55–58. 6. Морозов Д. И. Энтропийный метод анализа аномалий сетевого трафика в IP-сетях // Информационное противодействие угрозам терроризма. 2006. № 7. С. 195–202. 7. Сафронова Е. О., Жук Г. А. Применение искусственных нейронных сетей для прогнозирования DoS атак // Молодой ученый. 2019. № 23. С. 27–30. 8. Yijie Li, Boyi Liu, Shang Zhai, Mingrui Chen. DDoS attack detection method based on feature extraction of deep belief network. IOP Conference Series: Earth and Environmental Science, 2019, vol. 252, 5 p. 9. Дубонос А. С., Евглевская Н. В., Карасенко А. О., Лаута О. С. Обзор методов защиты сетей связи специального назначения от DDOS атак // Библиотека журнала «Военмех. Вестник БГТУ», 2020. № 62. С. 260–264.

REFERENCES 1. Kiruthika Devi B. S., Subbulakshmi T. A. Comparative Analysis of Security Methods for DDoS Attacks in the Cloud Computing Environment. Indian Journal of Science and Technology, 2016, vol. 9(34), pp. 1–7. DOI: 10.17485/ijst/2016/v9i34/93175. 2. Monakhov Y., Nikitin O., Kuznetsova A. A. Machine-Synesthetic Approach to DDoS Network Attack Detection. Intelligent Systems Conference (IntelliSys), 2019, vol. 1038, pp. 179–191. 3. Bekeneva Ya. A. Analysis of current types of DDoS attacks and methods of protection against them. Izvestiya SPBGEHTU LEHTI, 2016, iss. 1, pp. 7–14. (In Russian). 4. Peng T., Leckie Ch., Ramamohanarao K. Survey of network-based defense mechanisms countering the DoS and DDoS problems. Journal ACM Computing Surveys (CSUR), 2007, vol. 39, iss. 1, pp. 1–42. 5. Gavrilova E. A. Research of methods of detecting network attacks. Nauchnye zapiski molodykh issledovatelei, 2017, no. 4, pp. 55–58. (In Russian). 6. Morozov D. I. Entropy method for analyzing network traffic anomalies in IP networks. Informatsionnoe protivodeistvie ugrozam terrorizma, 2006, no. 7, pp. 195–202. (In Russian). 7. Safronova E. O., Zhuk G. A. Application of artificial neural networks for predicting DoS attacks. Molodoi uchenyi, 2019, no. 23, pp. 27–30. (In Russian). 8. Yijie Li, Boyi Liu, Shang Zhai, Mingrui Chen. DDoS attack detection method based on feature extraction of deep belief network. IOP Conference Series: Earth and Environmental Science, 2019, vol. 252, 5 p. 9. Dubonos A. S., Evglevskaya N. V., Karasenko A. O., Lauta O. S. Review of methods for protecting special-purpose communication networks from DDoS attacks. Biblioteka zhurnala «Voenmekh. Vestnik BGTU», 2020, № 62, pp. 260–264. (In Russian).

ИНФОРМАЦИЯ ОБ АВТОРАХ Евглевская Наталья Валерьевна, к. т. н., преподаватель, Военная академия связи имени Маршала Советского Союза С. М. Буденного, 194064, Санкт-Петербург, Тихорецкий пр-кт, д. 3, тел.: +7 (906) 277‑12‑89, e-mail: n.evglevskaya@ gmail.com. ORCID: 0000‑0002‑9811‑5353.

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Зуев Александр Юрьевич, оператор научной роты, Военная академия связи имени Маршала Советского Союза С. М. Буденного, 194064, Санкт-Петербург, Тихорецкий пр-кт, д. 3, тел.: +7 (987) 498‑14‑91, e-mail: altereager@mail.ru. ORCID: 0000‑0003‑3300‑8386. Карасенко Анатолий Олегович, оператор научной роты, Военная академия связи имени Маршала Советского Союза С. М. Буденного, 194064, Санкт-Петербург, Тихорецкий пр-кт, д. 3, тел.: +7 (777) 307‑02‑01, e-mail: mclot1234@ gmail.com. ORCID: 0000‑0001‑9024‑7215. Лаута Олег Сергеевич, к. т. н., старший преподаватель, Военная академия связи имени Маршала Советского Союза С. М. Буденного, 194064, Санкт-Петербург, Тихорецкий пр-кт, д. 3, тел.: +7 (911) 842‑02‑28, e-mail: laos‑82@yandex.ru. ORCID: 0000‑0001‑7826‑9083.

AUTHORS Natalya V. Evglevskaya, Ph.D. (Engineering), lecturer, Military Telecommunications Academy named after the Soviet Union Marshal Budienny S. M., 3, Tikhoretsky prospect, Saint Petersburg, 194064, Russia, tel.: +7 (906) 277‑12‑89, e-mail: n.evglevskaya@ gmail.com. ORCID: 0000‑0002‑9811‑5353. Aleksandr Yu. Zuev, scientific platoon operator, Military Telecommunications Academy named after the Soviet Union Marshal Budienny S. M., 3, Tikhoretsky prospect, Saint Petersburg, 194064, Russia, tel.: +7 (987) 498‑14‑91, e-mail: altereager@mail.ru. ORCID: 0000‑0003‑3300‑8386. Anatolii O. Karasenko, scientific platoon operator, Military Telecommunications Academy named after the Soviet Union Marshal Budienny S. M., 3, Tikhoretsky prospect, Saint Petersburg, 194064, Russia, tel.: +7 (777) 307‑02‑01, e-mail: mclot1234@gmail. com. ORCID: 0000‑0001‑9024‑7215. Oleg S. Lauta, Ph.D. (Engineering), senior lecturer, Military Telecommunications Academy named after the Soviet Union Marshal Budienny S. M., 3, Tikhoretsky prospect, Saint Petersburg, 194064, Russia, tel.: +7 (911) 842‑02‑28, e-mail: laos‑82@yandex.ru. ORCID: 0000‑0001‑7826‑9083. Поступила 04.05.2020; принята к публикации 06.07.2020; опубликована онлайн 07.09.2020. Submitted 04.05.2020; revised 06.07.2020; published online 07.09.2020.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-75-85 УДК 621. 397.6

Алгоритмы цифровой обработки изображений в задачах визуальной навигации беспилотного воздушного судна А. А. Макаренко1, 2, Л. А. Винокуров2 1 АО

«Научно-производственное предприятие «Радар ммс», Санкт-Петербург, Россия ФГАОУ ВО «Национальный исследовательский университет информационных технологий, механики и оптики», Санкт-Петербург, Россия 2

В статье изложены алгоритмы цифровой обработки изображения в визуальной навигационной системе беспилотного воздушного судна и представлены результаты работы программы, реализующей эти алгоритмы. В соответствии с изложенными алгоритмами выполняется оценка спектра пространственных частот изображения. Вид и структура двумерного амплитудного пространственного спектра изображения позволяет выделить наличие вертикальных и горизонтальных границ и линий на изображении и дать общее представление об их пространственной ориентации. Для ускорения расчетов корреляционной функции также используется спектральное представление сравниваемых изображений. По результатам цифровой обработки амплитудного двумерного пространственного спектра изображения, наблюдаемого бортовой телевизионной камерой, формируются данные, позволяющие уточнить пространственные координаты беспилотного воздушного судна и оценить состояние и положение посадочной площадки. Метод основан на численном анализе двумерного амплитудного спектра изображения. Представлены результаты работы описанных алгоритмов. Ключевые слова: навигационная система, корреляционно-экстремальная система, цифровая обработка изображения, амплитудный спектр, дискретное преобразование Фурье Для цитирования: Макаренко А. А., Винокуров Л. А. Алгоритмы цифровой обработки изображений в задачах визуальной навигации беспилотного воздушного судна // Радиопромышленность. 2020. Т. 30, № 3. С. 75–85. DOI: 10.21778/2413-9599-2020-30-3-75-85 © Макаренко А. А., Винокуров Л. А., 2020

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Digital image processing algorithms for visual navigation of an unmanned aircraft A. A. Makarenko1, 2, L. A. Vinokurov2 1 2

Research and Production Enterprise Radar mms JSC, Saint Petersburg, Russia National Research University of Information Technologies, Mechanics and Optics, Saint Petersburg, Russia

The algorithms of digital image processing in the unmanned aerial vehicle (UAV) visual navigation system are stated and the program realization of the method is presented in the article. Assessment of a range of spatial frequencies of the image is carried out using the stated algorithms. The look and structure of a two-dimensional amplitude spatial spectrum of the image allow allocating existence of vertical and horizontal borders and lines on the image and giving a general idea about their spatial orientation. The spectral submission of the compared images is also used for the acceleration of correlation function calculations. Using the results of digital processing of an amplitude two-dimensional spatial range of the image observed by the onboard TV camera the data allowing to specify the spatial UAV coordinates and to estimate a condition and position of the airfield are formed. The method is based on the numerical analysis of a two-dimensional amplitude spectrum of the image. Results of operation that confirm efficiency of the stated algorithms are presented. Keywords: navigation system, correlation-extremal system, digital image processing, amplitude spectrum, discrete Fourier transform For citation: Makarenko A. A., Vinokurov L. A. Digital image processing algorithms for visual navigation of an unmanned aircraft. Radio industry (Russia), 2020, vol. 30, no. 2, pp. 75–85. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-75-85

Введение В настоящее время большинство беспилотных воздушных судов (БВС) оснащены различными системами навигации, в том числе визуальными. Также широко используются системы автоматического возврата в точку взлета. Данные системы используются для облегчения пилотирования летательного аппарата либо активируются при возникновении внештатных ситуаций. Визуальная (или оптическая) система навигации может применяться для более точного позиционирования БВС в пространстве, а также использоваться как резервная при отказе основной навигационной системы. Существует два основных класса визуальных навигационных систем: основанные на методе одновременной локализации и построения карты (simultaneous location and mapping, SLAM), а также корреляционно-экстремальные системы навигации (КЭСН). SLAM-системы основаны на группе методов, позволяющих определять местоположение объекта по изображению с бортовой телевизионной камеры (или стереопары) и одновременно строить трехмерную карту местности, которая попадает в поле зрения телевизионной камеры. Алгоритмы, реализующие такие методы, в настоящее время находят применение в самоуправляемых автомобилях, домашних роботах [1]. 76

Алгоритмы SLAM эффективно работают на глубоких рельефах, однако при использовании для работы над плоской подстилающей поверхностью они часто не обеспечивают требуемой точности. Также они крайне требовательны к точности калибровки ТВ-камеры и вычислительным ресурсам платформы. Принцип работы КЭСН основан на сравнении изображения земной поверхности или совокупности ориентиров (текущего изображения) с эталонным изображением, сформированным заранее. Рассогласование положения этих изображений в принятой системе координат позволяет сформировать команду для удержания объекта управления на заданной траектории [2]. Информативным признаком, позволяющим визуальной системе навигации беспилотного воздушного судна определять величину тангажа, крена и/или рыскания этого БВС по величине угла наклона или поворота наблюдаемого бортовой телевизионной камерой изображения, является амплитудный пространственный двумерный спектр. Научная новизна работы заключается в применении амплитудного пространственного двумерного спектра наблюдаемого изображения не только в качестве информативного признака при корреляционном сопоставлении изображений (как, например, в [2]), но и в качестве источника информации, применяемой для определения направления перемещения БВС в пространстве. Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Для расчета спектра используется преобразование Фурье [3]. Для дискретного двумерного случая преобразование Фурье всегда существует и может быть выражено следующим равенством:

F (u,v) =

1 MN

M-1 N-1

∑∑

f (x, y)e

ux uv −i2π⎛⎜ + ⎞⎟ ⎝M N⎠

Исходное / Original

Фурье-спектр / Fourier spectrum

(1)

u=0 v=0

где f (x, y) – массив значений яркости текущего кадра изображения – функция двух переменных размерами M×N, x = 0, 1, 2,…, M – 1, y = 0, 1, 2,…, N – 1, u = 0, 1, 2,…, M – 1, v = 0, 1, 2,…, N – 1. Данное выражение должно быть вычислено для всех u и v. Переменные x и y называются пространственными переменными или переменными изображения, переменные u и v – переменными преобразования или частотными переменными. При работе с изображениями гармонические составляющие, из которых состоит спектр, принято называть пространственными частотами. Их значения численно характеризуют количество периодов повторения изменяющихся по синусоидальному закону значений яркости элементов изображения на единицу длины. Вид и структура двумерного амплитудного пространственного спектра изображения позволяет выделить наличие вертикальных и горизонтальных границ и линий на изображении и дать общее представление об их пространственной ориентации. Как видно из рис. 1, ориентация двумерного амплитудного пространственного спектра изображения характеризует в локальной системе координат направление границ и линий на исходном изображении. Таким образом, определив направление максимального сосредоточения спектральных составляющих спектра, можно в локальной системе координат найти угол поворота всего изображения и расположенных на нем объектов. Полет над протяженным объектом Важной областью применения математического аппарата спектрального анализа, относящейся к визуальной навигации беспилотного воздушного судна, является исследование наблюдаемой с борта БВС подстилающей земной поверхности. Такое исследование позволяет уточнить координаты места нахождения летательного аппарата и наземных объектов и скорректировать, если это необходимо, параметры. Эти действия обычно проводятся посредством корреляционного анализа [2, 3], скорость осуществления которого значительно повышается при реализации корреляционной процедуры в области пространственных частот [3]. Математический аппарат корреляционного анализа применяется для определения степени связи между двумя сигналами. Мерой корреляции двух сигналов является коэффициент корреляции. Technologies and production

а) Исходное / Original

Фурье-спектр / Fourier spectrum

б) Исходное / Original

Фурье-спектр / Fourier spectrum

в) Рисунок 1. Изображения прямоугольника и их пространственные спектры: а – н аклон 0°, б – наклон 45°, в – наклон 60° Figure 1. Images of a rectangle and their spatial spectra: a – tilt of 0°, б – tilt of 45°, в – tilt of 60°

В общем случае, корреляция эталона w(x, y) размерами n×m (n и m – нечетные числа) с изображением f (x, y) размерами M × N (рис. 2) задается выражением

c(x, y) = ∑ ∑ w(s,t) f (x + s, y + t), s

(2)

где s = –(n – 1)/2, …, –1, 0, 1, …, –(n – 1)/2, t = –(m – – 1)/2, …, –1, 0, 1, …, –(m– 1)/2 и суммирование ведется по области пересечения w и f. Это выражение так вычисляется для всевозможных значений переменных сдвига x и y, чтобы каждый элемент эталона w в какой-то момент попадал на каждый пиксель изображения f, в предположении, что размеры 77

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 изображения больше размеров эталона [3]. Такое предположение справедливо, поскольку его всегда можно обеспечить содержанием полетного задания БВС, указав в задании высоту полета и сформировав эталон соответствующего масштаба. Коэффициент корреляции выражается следующим равенством:

γ(x, y) =

∑ ∑[w(s,t) − w][ f (x + s, y + t) − fxy ] s

∑ ∑[w(s,t) − w]2 ∑ ∑[ f (x + s, y + t) − fxy ]2 s

, (3)

где суммирование ведется по всем парам координат, общим для f и w, w – среднее значение элементов маски w (вычисляемое только один раз), а f xy – среднее значение элементов изображения f по области, совпадающей с текущим положением w. Маску w часто называют эталоном, а вычисление корреляции – сопоставлением с эталоном. Коэффициент корреляции γ(x, y) изменяется в диапазоне от –1 до 1. Максимальное значение γ(x, y) достигается при наибольшем сходстве нормализованного (вычитанием среднего значения) эталона и соответствующей области в f (также нормализованной). Минимум достигается, когда обе нормализованные функции имеют наименьшее сходство. Рис. 2 демонстрирует выполнение описанной процедуры корреляции. Функция f дополняется нулевыми элементами для ситуаций, когда центр w оказывается вблизи границы f. На рис. 2 показан эталон w размерами m × n с центром в произвольной точке (x, y) изображения f. В этой точке с помощью формулы (4) производится расчет коэффициента корреляции, следующим шагом эталон смещается в соседнюю точку, и процедура повторяется. Полное множество

(m – 1)/2 Начало координат / Origin of coordinates n m

(n – 1)/2

(x, y)

Эталон w с центром в произвольной точке (x, y) / Standard w centered at an arbitrary point (x, y) Изображение, f / Image, f Расширение / Extension

Рисунок 2. Схема корреляционного сопоставления с эталоном Figure 2. Scheme of correlation comparison with the standard

коэффициентов корреляции γ(x, y) находится путем перебора значений x и y при условии, что центр эталона w проходит по всем значениям f. После этого находится максимальное значение коэффициента корреляции γ(x, y), координаты найденной точки (x, y) являются координатами максимального совпадения изображения f с эталоном w. Описанный выше алгоритм требует большого количества вычислений. Поэтому целесообразно определить способ ускорения расчетов, чтобы обеспечить возможность реализации процедуры корреляционного поиска в бортовой аппаратуре БВС. Пространственная корреляция связана с преобразованием Фурье согласно теореме о корреляции:

COR( f ,w) ⇔ F * (u,v)W (u,v),

(4)

где F и W – Фурье-образы функций f и w соответственно, а символ * означает комплексное сопряжение. Однако при расчете пространственной корреляции по формуле (4) требуется равенство размеров функций f и w. Для этого функцию w дополняют нулями до размеров изображения f. Как правило, для упрощения вычислений применяются алгоритмы с использованием быстрого преобразования Фурье [2], так как данное действие позволяет заменить операции умножения на операции сложения. В соответствии с формулой (4) коэффициент корреляции (3) можно вычислить с помощью следующего равенства:

γ(x, y) =

COR( f ,w) , COR( f ,q)

(5)

где оператор COR – вычисление корреляции по формуле (2), f – изображение размерами x × y, w – эталон размерами m × n, q – изображение размерами m × n, заполненное единицами (таким путем ограничивается область, в которой вычисляется корреляция). Пользуясь теоремой о корреляции (4) выражение (5) принимает следующий вид:

γ(x, y) =

IFFT[F (u,v)W * (u,v)] , IFFT[F (u,v)Q * (u,v)]

(6)

где IFFT – оператор обратного преобразования Фурье, F, W и Q – Фурье-образы функций f, w и q соответственно, * – символ комплексного сопряжения. Следует отметить, что при использовании выражения (6) изображения w и q дополняются нулевыми значениями до размеров изображения f. В данном случае значения коэффициентов корреляции будут лежать в диапазоне от 0 до 255, для нормировки значений необходимо воспользоваться следующим выражением:

γ(x, y)ÌÓÏ =

γ(x, y) , γ max

(7)

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 где γmax – максимальное значение функции γ(x, y). Данное выражение рассчитывается для всех пар координат (x, y). Таким образом, коэффициент корреляции будет изменяться в диапазоне от 0 до 1, где 1 – полное совпадение эталона w с изображением f. Координаты точки γ(x, y) = γmax соответствуют координатам точки (x, y) изображения f, в которой оно максимально совпадает с эталоном w. При использовании равенства (6) нет необходимости вычислять коэффициент корреляции в каждой точке изображения f, т. к. расчет производится параллельно. Рис. 3 иллюстрирует пример расчета коэффициентов корреляции γ(x, y) (6) с использованием выражения (7).

Как следует из рис. 3в, координаты максимального коэффициента корреляции соответствуют координатам положения эталона на изображении. Таким приемом можно осуществлять поиск объектов на изображении, а также сравнивать изображения между собой. Рис. 4 демонстрирует результаты поиска эталонных изображений на реальных изображениях протяженных объектов. На незашумленных изображениях координаты расположения эталонов представлены в табл. 1. Для анализа возможностей практического применения разработанного алгоритма проведена его проверка на устойчивость к шумам на изображении. Для этого к исходным изображениям

а) Нормированные коэффициенты корреляции / Normalized correlation coefficients 1 0,98

500

0,96

y, пикс. / y, pix.

1000

0,94 0,92

1500

0,9 2000 0,88 2500

0,86 0,84

3000

0,82 500

б)

1000 1500 2000 2500 3000 3500 4000 4500 5000 x, пикс. / x, pix

в)

Рисунок 3. Иллюстрация результатов поиска эталона в изображении: а – изображение, б – эталон, в – график нормированных коэффициентов корреляции γ(x, y)норм Figure 3. Illustration of the standard search results in the image: a – image, б – standard, в – graph of normalized correlation coefficients γ(x, y)norm

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

а)

б)

в)

г)

SNR = –6,8774 дБ / SNR = –6,8774 dB

SNR = –1,218 дБ / SNR = –1,218 dB

д)

е)

Рисунок 4. Иллюстрация результатов поиска эталона на изображении протяженного объекта: а, б – эталоны, в, г – н айденные эталоны на незашумленных изображения подстилающей поверхности, д, е – найденные эталоны на зашумленных изображениях подстилающей поверхности Figure 4. Illustration of the results of the search for the standard on the image of an extended object: a, б – s tandards, в, г – found standards on non-noisy images of the underlying surface, д, е – f ound standards on noisy images of the underlying surface

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 добавлялся гауссовский белый шум с различными параметрами дисперсии D и математического ожидания M. Рис. 4д и 4е демонстрируют результаты работы алгоритма при наличии на исходном изображении гауссовского белого шума и соотношениях объект/фон (сигнал/шум) –6,8774 и –1,218 дБ соответственно. На зашумленных изображениях координаты расположения эталонов представлены в табл. 2. Сопоставляя содержание табл. 1 и 2, можно сделать вывод о том, что разработанный алгоритм позволяет находить положение эталона в исходном изображении даже при уровне шумов, превышающем уровень полезного сигнала. Пользуясь вышеописанными зависимостями, можно синтезировать алгоритм информационного обеспечения бортовой навигационной системы беспилотных воздушных судов для решения задачи автоматического полета БВС от одного пункта до другого и обратно над железнодорожными путями, автомобильными дорогами или трубопроводами. Двумя основными частями такого алгоритма являются:

вычисления угла поворота объекта можно разделить на три шага (для наглядности в качестве примера взято изображение черного прямоугольника на случайном фоне): 1. Шаг I – вычисление пространственного спектра изображения. Результат вычисления представлен на рис. 5. 2. Шаг II – вычисление сумм амплитуд всех гармоник пространственного спектра по направлениям, соответствующим в локальной системе координат углам поворота в диапазоне от 0° до 180° с шагом в 1° (на рис. 6 продемонстрировано только несколько направлений суммирования). 3. Определение направления, по которому сумма амплитуд гармоник имеет максимальное значение (рис. 7). Зная, какому углу наклона соответствует направление с максимальной суммой гармоник, можно судить об угле поворота объекта.

Определение угла поворота объекта Для нахождения угла поворота объекта, расположенного на наблюдаемой подстилающей поверхности, используется наличие связи между ориентацией амплитудного пространственного двумерного спектра изображения и ориентацией изображения, которому этот спектр соответствует. Процедуру

Линия, соответствующая максимальной сумме амплитуд гармоник, отклонена от вертикальной оси локальной системы координат на 26°. На такой угол поворачивалось изображение прямоугольника при создании тестового изображения поворота, то есть программа, работающая по изложенному алгоритму, корректно определила положение повернутого в плоскости изображения объекта. Алгоритм вычисления угла поворота объекта также был проверен на устойчивость к шумам на изображении. Для этого к исходному изображению (рис. 5а) добавлялся гауссовский белый шум с различными параметрами дисперсии D и математического ожидания M. Рис. 8 демонстрирует результаты работы алгоритма вычисления угла поворота объекта при соотношении объект/фон 12,6 дБ на изображении. Устойчивость алгоритма к воздействию шумов объясняется тем, что энергия спектральных составляющих широкополосного шума в спектре рассредоточена по всей ширине спектра и изменение уровня шума изменяет только амплитуды всех спектральных составляющих, практически не изменяя рельефную структуру амплитудного спектра,

Таблица 1. Координаты расположения эталонов на незашумленных изображениях Table 1. Coordinates of the location of standards on non-noisy images

Таблица 2. Координаты расположения эталонов на зашумленных изображениях Table 2. Coordinates of the location of standards in noisy images

1. Вычисление параметров ориентации объекта, находящегося на подстилающей поверхности. В рамках данной задачи объектами являются шоссейные дороги или железнодорожные пути. 2. Нахождение пункта разворота БВС. По введенному в полетное задание эталонному изображению пункта разворота летательный аппарат должен в автоматическом режиме определить область, в которой нужно совершить разворот и полететь в обратном направлении вдоль того же протяженного объекта до пункта старта, эталонное изображение которого также введено в полетное задание.

Изображение / Image

x, пикс. / x, pix. y, пикс. / y, pix.

Изображение / Image

x, пикс. / x, pix. y, пикс. / y, pix.

Рис. 4в / Fig. 4в

533

1492

Рис. 4д / Fig. 4д

534

1493

Рис. 4г / Fig. 4г

621

2228

Рис. 4е / Fig. 4е

621

2228

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

а)

б)

Рисунок 5. Результат вычисления пространственного спектра – ш аг I: а – и сходное изображение, б – п ространственный спектр Figure 5. Result of calculating the spatial spectrum – step I: a – o riginal image, б – spatial spectrum

Рисунок 6. К пояснению процедуры вычисления сумм амплитуд гармоник – шаг II; в выделенном круге показаны линии, по которым производится суммирование амплитуд гармоник спектра Figure 6. To an explanation of the procedure for calculating the sums of harmonic amplitudes – step II; the highlighted circle shows the lines along which the amplitudes of the spectrum harmonics are summed

Рисунок 7. Результат вычисления направления, по которому сумма амплитуд гармоник имеет максимальное значение, соответствующего углу поворота объекта – шаг III; черным цветом показана линия, соответствующая вычисленному направлению Figure 7. The result of calculating the direction along which the sum of the amplitudes of the harmonics has a maximum value corresponding to the angle of rotation of the object – step III; black color shows the line corresponding to the calculated direction

определяемую объектами, находящимися на изображении.

интереса. Перемещение в следующую точку должно происходить с таким шагом, чтобы область интереса смещалась не более, чем на 30%. То есть при размерах окна 512×512 пикселей шаг смещения должен быть меньше 153 пикселей. Такая величина смещения позволит распознать ситуацию, при которой протяженный объект, вдоль которого осуществляется полет, изменит свое направление (например, дорога повернет на 90° в сторону) или протяженный объект частично «исчезнет» под каким-либо препятствием (под мостом или густыми

Пример работы алгоритмов Для иллюстрации работы данного алгоритма в составе имитационной модели полета БВС использовано схематичное (рис. 9) и реальное (рис. 10) изображение автомобильной дороги. Для передвижения вдоль линии необходимо с некоторой частотой, обусловленной размером шага, определять угол поворота линии, которая попадает в область 82

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

а)

б)

Рисунок 8. Иллюстрация результатов работы алгоритма при наличии шумов на изображении: а – исходное изображение, б – у гол наклона 26° Figure 8. Illustration of the results of the algorithm in the presence of noise in the image: a – the original image, б – tilt of 26°

Из представленных результатов исследования можно сделать вывод, что данный алгоритм позволяет отслеживать путем перемещения область интереса вдоль кривой линии.

зарослями деревьев). Поскольку предложенный алгоритм оперирует не с конкретными объектами на изображении, как себя обычно ведет визуальная система сопровождения, а с целым изображением, представленным в виде спектра, то спектральные составляющие резко изменившего ориентацию протяженного объекта или сохранившейся на изображении части этого протяженного объекта позволят определить степень изменения этого объекта и не нарушить его сопровождение (здесь можно допустить некоторую аналогию с голографическим представлением объекта).

а)

Нахождение пункта разворота беспилотного воздушного судна Нахождение пункта разворота БВС выполняется на основе корреляционно-экстремального анализа последовательности изображений. Предварительно формируется изображение области, содержащей пункт разворота. Для этого могут

б)

в)

Рисунок 9. Использование алгоритма нахождения угла поворота для движения вдоль кривой линии: а – первый шаг, б – n-й шаг, в – заключительный шаг Figure 9. Using the algorithm for finding the angle of rotation for movement along the curved line: a – f irst step, б – n-th step, в – the final step

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

а)

б)

в)

Рисунок 10. Иллюстрация работы алгоритма для случая полета над автомобильной дорогой: а – начало автоматического полета, б – прохождение беспилотного воздушного судна вдоль дороги, в – остановка беспилотного воздушного судна (пункт разворота для полета в обратном направлении) Figure 10. Illustration of the algorithm operation for the case of flight over a road: a – the beginning of an automatic flight, б – the passage of an unmanned aircraft along the road, в – a stop of an unmanned aircraft (turning point for the opposite direction flight)

быть использованы доступные аэрофотоснимки земной поверхности или специально произведенные снимки местности, где предполагается осуществить полет БВС. Алгоритм нахождения места разворота включает в себя следующие шаги: 1. Получение эталонного изображения. Для получения эталонного изображения, с которым в дальнейшем будут сравниваться текущие кадры, делается снимок в точке старта. Рассчитывается значение корреляции по формуле (6) и определяется максимальное значение результирующей функции γmax. В данном случае эталоном w(x, y) и изображением f(x, y) будет являться один и тот же кадр, т. е. данным действием производится расчет автокорреляции. Полученное значение принимается за полное совпадение (100%). 2. Сравнение последовательности кадров с эталоном. При каждом шаге смещения области интереса, обусловленном перемещением БВС, получаемый кадр сравнивается с эталоном с помощью равенства (6). В этом случае f(x, y) – текущий кадр, w(x, y) – эталон. Затем вычисляется максимальное значение функции корреляции в данный момент γ(x, y) Результаты имитационного моделирования полета беспилотного БВС позволили сделать вывод о том, что если текущее значение корреляции γ(x, y) меньше, чем 96% от γmax, область интереса смещается в следующую точку согласно выбранному шагу. 84

Значение корреляции γ(x, y), равное или превышающее 96%, в 200 экспериментах с различными изображениями и эталонами обеспечило безошибочное нахождение эталона на наблюдаемом изображении. 3. Сравнение с изображением области, содержащей точку разворота. Если совпадение отсутствует, текущий кадр принимается за новый эталон и продолжается движение. 4. Остановка в пункте разворота. Если регистрируется совпадение с изображением области, содержащей пункт разворота (при выполнении неравенства γ(x, y)≥0,96γmax), движение прекращается и выполняется разворот для движения к пункту старта. Результаты полунатурного моделирования разработанных алгоритмов продемонстрировали возможность их практического применения. Выводы Авторами разработаны алгоритмы цифровой обработки изображения в визуальной навигационной системе беспилотного воздушного судна и представлены результаты работы программной реализации разработки, входящей в имитационную модель полета БВС. В соответствии с изложенными алгоритмами выполняется оценка спектра пространственных частот изображения. По результатам цифровой обработки амплитудного двумерного пространственного спектра изображения, Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 наблюдаемого бортовой телевизионной камерой, формируются данные, позволяющие уточнить пространственное положение БВС. Результаты полунатурных испытаний представленных в статье алгоритмов определения углов поворота объекта и полета над протяженным объектом, проведенных на имитационной модели полета

беспилотного воздушного судна с вертикальным взлетом и посадкой, показали возможность применения этого алгоритма для обеспечения полета БВС вдоль трубопровода, шоссейной дороги или железнодорожных путей и локализации места разворота для полета в обратном направлении после достижения конечного пункта полета.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Глаголев В. М., Ладонкин А. В. Оптическая система навигации летательных аппаратов // Известия ТулГУ. Технические науки. 2016. Вып. 10. С. 186–194. 2. Баклицкий В. К. Корреляционно-экстремальные методы навигации и наведения. Тверь: ТО «Книжный клуб», 2009. 360 с. 3. Гонсалес Р., Вудс Р. Цифровая обработка изображений. М: Техносфера, 2012.1104 с.

REFERENCES 1. Glagolev V. M., Ladonkin A. V. Optical navigation system of aircrafts. Izvestiya TuLGU. Tekhnicheskie nauki, 2016, iss.10, pp. 186–194. (In Russian). 2. Baklitskii V. K. Korrelyatsionno-ehkstremalnye metody navigatsii i navedeniya [Correlation-extreme methods of navigation and guidance]. Tver, TO Knizhnyi kluB Publ., 2009, 360 p. (In Russian). 3. Gonsales R., Vuds R. Tsifrovaya obrabotka izobrazhenii [Digital image processing]. Moscow, Tekhnosfera Publ., 2012,1104 p. (In Russian).

СВЕДЕНИЯ ОБ АВТОРАХ Макаренко Александр Александрович, к. т.н, доцент, АО «Научно-производственное предприятие «Радар ммс», 197375, Санкт-Петербург, ул. Новосельковская, д. 37, лит. А, тел.: +7 (911) 920‑37‑89, e-mail: makarenko_aa_el@radar-mms.com. Винокуров Лев Александрович, магистрант, Национальный исследовательский университет информационных технологий, механики и оптики, 197101, Санкт-Петербург, Кронверкский пр., д. 49, тел.: +78 (911) 119‑21‑13, e-mail: levka.vin@ gmail.com.

AUTHORS Aleksandr A. Makarenko, Ph.D. (Engineering), associate professor, Research and Production Enterprise Radar mms JSC, 37A, ulitsa Novoselkovskaya, Saint Petersburg, 197375, Russia, tel.: +7 (911) 920‑37‑89, e-mail: makarenko_aa_el@radar-mms.com. Lev A. Vinokurov, master’s degree student, National Research University of Information Technologies, Mechanics and Optics, 49, Kronverksky prospekt, Saint Petersburg, 197101, Russia, tel.: +7 (911) 119‑21‑13, e-mail: levka.vin@gmail.com. Поступила 14.07.2020; принята к публикации 23.07.2020; опубликована онлайн 07.09.2020. Submitted 14.07.2020; revised 23.07.2020; published online 07.09.2020.

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-86-98 УДК 681.518.5

Обзор методов диагностики электронасосных агрегатов спутниковых платформ С. А. Матвеев1, Ю. А. Жуков1, Е. Б. Коротков1, О. В. Широбоков1, М. И. Надежин1, А. П. Ладыгин2 1

Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, СанктПетербург, Россия 2 АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва», Железногорск, Россия

В статье дана краткая характеристика электронасосного агрегата системы терморегулирования спутниковой системы как электромеханической подсистемы. Рассмотрены общие вопросы разработки систем диагностики электромеханических систем. Определены дефекты частей системы и причины, приводящие к отказам электромеханических агрегатов. По современным источникам представлен обзор методов и подходов к решению задач диагностики дефектов механической, электрической и электромагнитной частей исследуемых систем. Отмечены достоинства и недостатки современных подходов. Показана диагностическая карта перспективной токовой диагностики. Дана оценка эффективности применения различных методов и практические рекомендации к применению представленных методов для проектирования систем диагностики электронасосных агрегатов спутниковых систем. Определены перспективные направления исследований в области диагностики электромеханических систем, такие как применение токовых методов или методов на основе нейросетей. Ключевые слова: диагностика, мониторинг, методы диагностики, электронасосный агрегат, система терморегулирования, спутниковая платформа Для цитирования: Обзор методов диагностики электронасосных агрегатов спутниковых платформ / С. А. Матвеев, Ю. А. Жуков, Е. Б. Коротков, О. В. Широбоков, М. И. Надежин, А. П. Ладыгин // Радиопромышленность. 2020. Т. 30, № 3. С. 86–98. DOI: 10.21778/2413-9599-2020-30-3-86-98 © Матвеев С. А., Жуков Ю. А., Коротков Е. Б., Широбоков О. В., Надежин М. И., Ладыгин А. П., 2020

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Overview of diagnostic methods for electric pump units of satellite platforms S. A. Matveev1, Y. A. Zhukov1, E. B. Korotkov1, O. V. Shirobokov1, M. I. Nadezhin1, A. P. Ladygin2 1 2

State Technical University «VOENMEH» named after D. F. Ustinov, Saint Petersburg, Russia Academician M. F. Reshetnev Information Satellite Systems JSC, Zheleznogorsk, Russia

The article gives a brief description of the electric pump unit of the satellite thermal control system as an electromechanical subsystem. General issues of development of diagnostics systems for electromechanical systems are considered. Defects of system parts and the reasons leading to failures of electromechanical units are determined. Using modern sources, an overview of methods and approaches to solving problems of diagnosing defects in the mechanical, electrical, and electromagnetic parts of the systems under study is presented. The advantages and disadvantages of modern approaches are noted. A diagnostic chart of prospective current diagnostics is shown. The paper gives an effectiveness assessment of various methods and practical recommendations for the use of the presented methods for the diagnostics system design for electric pump units of satellite systems. Promising areas of research in the field of diagnostics of electromechanical systems, such as the use of current methods or methods based on neural networks, have been identified. Keywords: diagnostics, monitoring, diagnostic methods, electric pump unit, thermal control system, satellite platform For citation: Matveev S. A., Zhukov Y. A., Korotkov E. B., Shirobokov O. V., Nadezhin M. I., Ladygin A. P. Overview of diagnostic methods for electric pump units of satellite platforms. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 86–98. (In Russian). DOI: 10.21778/24139599-2019-30-3-86-98

Введение Современные информационные спутниковые системы решают широкий спектр прикладных и исследовательских задач: телекоммуникационное обеспечение телевещания, глобальной спутниковой связи, интернета; мониторинг земной поверхности; передовые исследования ближнего, среднего и дальнего космоса. В условиях открытого космоса при тепловых перегрузках высокую надежность и бесперебойный режим работы спутниковой системы обеспечивает система терморегулирования (СТР) космического аппарата. В свою очередь работоспособность СТР зависит от функционирования электронасосного агрегата (ЭНА), обеспечивающего циркуляцию теплоносителя и стабилизацию его температуры. ЭНА должен непрерывно работать в течение всего срока активного существования космического аппарата. Неисправность ЭНА может привести к непредсказуемым последствиям – от кратковременной потери сигнала между Землей и станцией до утраты дорогостоящего космического аппарата (КА). Выход из строя системы терморегулирования в основном происходит в результате отказа электронасосного агрегата, причем одной из возможных причин отказа является дефект электромеханической части ЭНА – электродвигателя с электронным преобразователем. Таким образом, крайне важной является задача мониторинга Technologies and production

и диагностики электромеханической части ЭНА информационных спутниковых систем. В настоящей работе объектом диагностического контроля является электромеханическая подсистема ЭНА космического аппарата, состоящая из управляемого силовыми электронными преобразователями исполнительного двигателя с нагрузкой – насосным агрегатом. В процессе эксплуатации электромеханических агрегатов КА их технические характеристики могут меняться, что может приводить к отказам техники. Контроль состояния бортового оборудования позволяет уменьшить вероятность появления таких отказов. Успешное решение задач технической диагностики и мониторинга сложных электромеханических подсистем и узлов обеспечивает увеличение срока службы, ресурса и надежности систем в целом. В ходе проектирования систем технической диагностики электромеханического оборудования возникает дерево конструктивных и методологических решений, допускающее множество реализаций. Углубленный обзор и анализ современных методов диагностики, оценка их достоинств и недостатков позволит сделать обоснованный выбор, обеспечивающий удачное решение поставленных задач разработки. Область технической диагностики электромеханических систем хорошо изучена и проработана. 87

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Известны фундаментальные работы [1–4], посвященные базовым вопросам проектирования систем диагностики. Наиболее популярным методом считается вибродиагностика: так, в работе [5] представлен обзор методов вибродиагностики в системах асинхронного электропривода. В работе [6] приведено обоснование методов вибрационной диагностики неисправностей синхронных двигателей с постоянными магнитами. Отметим, что существующие работы не охватывают современные методы диагностики, появившиеся в последние несколько лет. Перечисленные обстоятельства обуславливают актуальность, целесообразность и важность поставленных задач настоящего исследования. Основными задачами диагностического контроля электромеханических систем КА являются: • получение информации о фактическом состоянии объекта контроля; • принятие решения о годности или негодности конкретной системы для выполнения определенных функций; • осуществление диагностики неисправностей в случае принятия решения о негодности контролируемой системы; • принятие решения о замене отказавшего блока, при возможности, или о переходе на резервные агрегаты на основании результатов диагностики; • получение исходных данных для анализа влияния условий эксплуатации, конструкции, схемных решений и технологии производства на качество функционирования объектов. Дефекты электромеханических агрегатов Конечной целью технической диагностики является устранение дефекта. По статистике [2–4] основными распространенными дефектами электрической и механической части двигателей ЭНА являются: • повреждения подшипников; • повреждение, перегрев, обрыв, межвитковые замыкания фазных обмоток; • межфазные замыкания; • распайка паек в обмотках и бандажах, перегрев контактов; • изменение зазора между статором и ротором; • дисбаланс (биение) ротора; • перегрузки по моменту; • перегрев и размагничивание постоянных магнитов ротора; • неисправности силовой электроники управляющих блоков. Указанные дефекты могут приводить как к параметрическому, так и функциональному отказу 88

агрегатов и в общем случае уменьшают срок работы КА. Для повышения надежности КА реализуется непрерывный мониторинг параметров электромеханической части, который обеспечивает определение остаточного ресурса работы, а также функционального и параметрического отказов. В настоящее время для диагностики неисправностей электромеханических агрегатов разработано множество методов, основанных на обработке информации с измерительных преобразователей, в качестве которых используют акустические и вибрационные датчики, датчики токов и напряжений, датчики температуры и электромагнитные преобразователи. В системах диагностики первичная информация с датчиков предварительно обрабатывается, после чего выполняются распознавание и классификация дефектов привода в реальном времени. При этом, как правило, реализуется комплексная диагностика неисправностей по двум направлениям: выявление механических и электромагнитных дефектов агрегата. Диагностика неисправностей электродвигателя основывается на измерениях тока, напряжения, электромагнитного потока, температуры, момента и вибрации. Методы диагностики неисправности подшипников электромеханических систем Являясь неотъемлемой частью машин и приборов, подшипниковые узлы часто лимитируют их ресурс. Причиной преждевременного выхода из строя подшипников являются дефекты, которые образуются в процессе изготовления узла, его сборки и эксплуатации. Дефекты изготовления представляют собой отклонения от проектных форм, размеров и определенных физико-механических свойств поверхностей качения. Дефекты сборки подшипникового узла изменяют форму поверхностей качения и сопровождаются появлением дополнительных радиальных нагрузок на поверхности качения. Повреждения подшипников при эксплуатации могут быть связаны с усталостными разрушениями материала, его износом, вызваны изменением зазора и посадок между деталями подшипников и опорами ротора, недостаточным поступлением смазки. Основными диагностическими признаками предельного состояния подшипниковых узлов являются [1]: • повышение амплитуды виброускорений на характерных составляющих частотного спектра вибрационной характеристики, а также общего уровня подшипниковой вибрации; • понижение до нуля электрических сопротивлений смазочных слоев между телами и дорожками качения, что указывает на отсутствие гидродинамического режима смазки; Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 • изменение толщины и фактического состояния разделяющей поверхности смазочной пленки; • повышение температуры подшипников на 30…40%; • сокращение времени выбега ротора в 2…3 раза относительно исходного значения; • изменение макрогеометрии и появление дефектов рабочих поверхностей подшипников. В современной практике технической диагностики подшипников электромеханических систем успешно используются методы комплексного контроля и методы диагностирования отдельных параметров. К методам комплексного контроля можно отнести виброакустический способ, так как с его помощью принципиально возможна оценка всей совокупности параметров состояния. Достоинством методов виброакустической диагностики является простота съема соответствующего сигнала с помощью пьезоакселерометра или других вибропреобразователей, закрепленных на корпусе двигателя, что не требует внесения изменений в конструкцию узла. В современных источниках упоминается также способ комплексной диагностики подшипников качения на основе спектральной обработки токов статора двигателя [7]. Также известен метод [8], основанный на анализе спектральных характеристик расширенного вектора Парка межфазных токов в пространстве d-q. К комплексным методам контроля можно также отнести фазохронометрический [9] и электрорезистивный [10, 11] методы контроля состояния подшипников. В качестве первичных измерительных преобразователей используются [1]: 1) преобразователи абсолютной вибрации: • генераторные (в том числе пьезоэлектрические); индукционные; на основе эффекта Холла; • параметрические: резисторные; пьезорезисторные; индуктивные; трансформаторные; магнитоупругие; емкостные; электронно-механические; вибрационно-частотные; предельно контактные; импедансные; 2) бесконтактные измерители относительной вибрации: магнитные; радиоволновые; электромагнитные; акустические; радиационные; оптические. Для вибродиагностики машин и механизмов используют в основном пьезоэлектрические и электродинамические преобразователи, относящиеся к генераторным, а также индуктивные, вихретоковые и емкостные, относящиеся к параметрическим. Technologies and production

Существующие методы вибродиагностики подшипников качения основаны на различных алгоритмах обработки сигналов различного частотного диапазона. Отметим сложность расшифровки и выделения из суммарного вибросигнала полезной информации о техническом состоянии, что ограничивает применение этого метода, например, в случае использования виброакустических преобразователей [12, 13]. Анализ современных работ показывает, что оценка технического состояния и поиск дефектов подшипников качения при вибродиагностике осуществляется: • по среднеквадратическому значению виброскорости [14–16]; • по соотношению пик/фон вибросигнала [15]; • по фазовым портретам (траекториям колебаний) [17]; • по спектру вибросигнала [18–22]; • биспектральными методами обработки [23, 24]; • по спектру огибающей сигнала [15]; • по вейвлет-преобразованию сигнала [25, 26]. Данный метод дополняет результаты диагностирования по прямому спектру и спектру огибающей тем, что является трехмерным и отражает изменение гармоник вибросигнала во времени. Вейвлет-преобразование одномерных сигналов дает возможность рассматривать сигнал сразу в двух пространствах, что при дальнейшем анализе позволяет получить количественно новые диагностические заключения. Это раскрывает главное достоинство метода – его информативность; • на основе кепстрального анализа сигнала [27– 29]. Присутствие десятков гармоник основных частот возбуждения при развитии некоторых дефектов усложняет нахождение диагностических признаков при спектральном анализе. В этом случае при оценке состояния оборудования прибегают к нелинейным преобразованиям, например, логарифмированию спектра с последующим преобразованием Фурье, иными словами получению вторичного спектра, или кепстра. Он позволяет сжать спектральную информацию гармонических рядов с выявлением и идентификацией первых гармоник, диагностирующих дефекты. Кепстральный анализ малочувствителен к изменению фазы исследуемых сигналов; • на основе модели вибрации и по среднеквадратическому значению сигнала датчика акустической эмиссии [30]; • на основе нейросетевых методов обработки вибросигналов [28], применения глубоких сверточных сетей (CNN), остаточных сверточных сетей (СRN), рекуррентных сетей (RNN) для обработки 89

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 спектрограмм [31], огибающих спектра [32], вейвлет-образов [33] вибросигналов. Отметим, что рассмотренные методы вибродиагностики также применяются для оценки механических неисправностей ротора (увеличение зазора, дисбаланс ротора). К методам диагностирования на основе изменения отдельных параметров состояния подшипников относятся [1] измерение сопротивления вращению колец подшипников, температуры его колец, кинематических параметров движения деталей подшипника, состояния смазочного слоя, износа и др. Для использования любого из этих методов необходимо провести определительные испытания с целью однозначно установить взаимосвязь между изменениями рассматриваемого параметра с техническим состоянием подшипника. Выделение необходимой информации о состоянии объекта осуществляется путем создания алгоритмов обработки информации об изменении контролируемого параметра адаптированных к имеющему место в объекте или создаваемому при диагностировании характеру его нагружения. Одним из важных методов комплексной диагностики является также температурный анализ: с помощью измерения температуры в контрольных точках корпуса диагностируют возникновение дефекта подшипников. Методы диагностики механических неисправностей ротора К основным дефектам роторов механических частей относятся: задевания и затирания элементов валопровода друг о друга; небаланс вращающихся масс ротора электродвигателя, который приводит к резкому увеличению значения вибрации. Для диагностики дефектов валопроводов машин и механизмов применяются комплексные методы: • вибродиагностика на основе спектральных оценок параметров скоростей и положений вращающихся масс, как показано в работе [34], или на основе спектральной оценки сигналов с датчиков вибрации [27]; • в работе [30] применяется теория вейвлет-преобразования к сигналам вибрации для обнаружения трещин во вращающемся валу, данные формируются из аналитической модели ротора Джефкота (Jeffcott rotor) [31] c учетом образования трещин; • на основе моделей механики вращающихся масс, например, в работе [28] предлагается идентифицировать параметры вращающихся систем на основе конечно-элементной модели и фильтра Калмана для оценки параметров дисбаланса 90

по результатам измерений, в работе [29] – на основе нелинейной модели механики с сосредоточенными параметрами. Как показано выше, для диагностики механических неисправностей электромеханических систем (ЭМС) разработано и успешно применяется множество разнообразных методов, однако наиболее популярным и предпочтительным является вибродиагностика на основе спектрального анализа параметров вибрации исследуемого объекта. Перечислим достоинства спектральной вибродиагностики: • высокая чувствительность к изменениям параметров системы; • возможность выявления дефектов на ранней стадии их развития; • возможность идентификации дополнительных источников возмущения, неизвестных ранее, по частотному составу; • возможность выявления источника возмущения вплоть до конкретного узла (например, сепаратора подшипника); • возможность «проследить» весь путь деградации узла: от зарождения дефекта до выхода из строя элемента; Недостатки спектральной вибродиагностики: • для анализа необходимо знать параметры системы для расчета характерных частот; • необходимо рассчитывать характерные частоты, специфичные для каждой отдельно конкретной ЭМС и для каждого режима ее работы; • сложно рассчитать все характерные частоты с высокой точностью (например, подшипниковые частоты зависят от угла контакта, который невозможно определить точно); • в процессе работы ЭМС возможно смещение частотного состава вследствие изменения параметров системы, что необходимо учитывать при анализе; • сложно идентифицировать все частотные составляющие рассматриваемой ЭМС. Методы диагностики межвитковых и межфазных замыканий обмоток Сложность установления причинно-следственных связей присуща практически всем видам дефектов электромеханических систем. Конструктивное и схемотехническое исполнение электрических машин затрудняет выявление однозначно трактуемых признаков межвитковых замыканий на основе известных принципов построения устройств защиты и диагностики электрооборудования. Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Межвитковые и двойные на землю замыкания в обмотках электрических машин вызывают ряд негативных эффектов: • магнитную дисбалансировку и механические вибрации ротора; • появление паразитных токов, протекающих через подшипники скольжения, что резко снижает ресурс подшипников и масла; • появление больших электрических потерь; • возникновение термического дисбаланса; • перегрев закороченных витков, что может привести к пробою изоляции на землю с вероятностью второго замыкания на землю. Тем не менее, на практике нашли применение несколько косвенных подходов к решению задачи диагностики межвитковых замыканий электрических машин: • метод [32] выделения диагностического признака виткового замыкания обмотки явнополюсного ротора синхронной машины на основе анализа изменений характеристик магнитного поля рассеяния в торцевой зоне, отличающийся тем, что из выпрямленного сигнала от индукционного магнитометрического датчика выделяется чувствительная к возникновению повреждения гармоническая компонента за счет специально настроенного эллиптического фильтра; • метод [33] основан на одновременном измерении в рабочем режиме электрических параметров статора, напряжения и тока ротора, о начале повреждений в обмотке ротора судят по наличию короткозамкнутых витков. В рабочем режиме синхронного генератора измеряют мгновенные величины тока, напряжения ротора и мгновенные величины фазных токов, напряжений статора. Измеренные мгновенные величины фазных токов и напряжений статора преобразуют из естественной системы координат в двухфазную α-β систему координат. Используя полученные значения преобразованных токов и напряжений статора, определяют коэффициент квазиреактивной мощности. Измеренные и вычисленные значения подают на вход нейронной сети, распознающей диагностируемые дефекты; • метод [35] спектрального анализа напряжений нулевой последовательности трехфазной машины; • в работе [36] демонстрируются преимущества статистической обработки токовых сигналов на основе дискретной оценки спектральной плотности мощности сигнала – периодограммы Уэлча (Welch’s method); Technologies and production

• методы вибродиагностики [2], основанные на анализе спектральных характеристик вибросигналов, межвитковые замыкания вызывают высокочастотные вибрации корпуса машины; • на основе анализа годографа Парка межфазных токов [21, 37, 38]; • на основе спектрального анализа квадратичных токов в обмотках машины [38]; • нейросетевые методы обработки вэйвлет-bh образов токов статора [40]. Методы диагностики размагничивания ротора В процессе эксплуатации электрических машин с постоянными магнитами влияния внешней среды и режимы функционирования могут приводить к утере магнитных свойств материалов магнитов, что отражается на параметрах двигателя, вызывая нестабильность рабочих характеристик. В работе [41] дан обзор комплексных методов оценки размагничивания ротора электрической машины, таких как: • метод на основе частотного анализа измерений статора (токов нулевой последовательности статора, напряжений, токов статора); • метод на основе частотно-временного анализа измерений статора; • метод на основе вибродиагностики, методов акустической эмиссии, измерения момента; • метод по реконструкции поля на основе анализа акустической мощности; • метод на основе измерения напряжений нулевой последовательности противо-ЭДС; • метод анализа токов инвертора; • метод на основе оценки электромагнитного момента; • метод на основе аналитических или полуаналитических электромагнитных моделей. Кроме того, для полноценной диагностики выполняется также измерение локальной температуры в критических точках конструкции, как, например, демонстрируется в работе [42] с помощью инфракрасной камеры. Методы диагностики неисправности силовой электроники В современной практике электропривода [43] для создания электромеханических систем применяются асинхронные, синхронные машины, шаговые, бесколлекторные двигатели под управлением силовых электронных ключей – полупроводниковых компонентов: IGBT-, МОSFET-транзисторов, управляемых тиристоров. Типовые неисправности в электрических цепях связаны: с обрывом обмотки двигателя; 91

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 с неисправностью силового ключа (короткое замыкание); с неисправностью силового ключа (обрыв). Диагностика фазных токов двигателя является методом комплексного контроля технического состояния. Протекающие в обмотках машины токи являются важнейшими диагностическими параметрами, для их регистрации используют датчики токов. На основании анализа статорных токов машины разработаны несколько методов и схем диагностики состояния. К ним относятся: • метод спектрального анализа потребляемого тока; • метод спектрального анализа токов в фазах; • метод спектрального анализа вектора эквивалентного тока Iэ; • построение годографа эквивалентного тока Iэ; • метод вихретокового контроля; • метод интегрирования потребляемого тока. Наиболее перспективными [21, 22, 38] считаются спектральные методы обработки эквивалентного тока. Для диагностического анализа спектров тока применяют метод диагностических карт. Диагностическая карта (ДК) – это наглядное визуальное представление спектральной характеристики сигнала с нанесением всех характерных частот исследуемой ЭМС. При использовании ДК анализ и определение неисправностей выполняется экспертом или группой специалистов, имеющих необходимую квалификацию, опыт работы с оборудованием и базу знаний, позволяющую сопоставить спектральную картину с возможными неисправностями.

Вращение вала / Shaft rotation

Данные диагностической карты визуализируются на спектрограммах в виде вертикальных линий (обычно разного цвета), отражающих предварительно сформированный частотный состав, присутствующий в рассматриваемой ЭМС. Как демонстрируется на рисунке, спектрограмма эквивалентного тока [21] может дать информацию о характерных частотах электромеханического объекта: • частота вращения ротора (shaft rotation); • частота крыльчатки насоса (impeller); • частота вращения электромагнитного поля статора (field); • частота полюсных пульсаций тока (current pul sation). ДК [21] охватывает до 80% гармоник вибрационных сигналов в амплитудных спектрах. Цветовая раскраска линий ДК на спектрах позволяет визуально идентифицировать частотный состав и уровень колебаний отдельных элементов диагностируемого объекта при достаточно высоком уровне кратности отдельных диагностических признаков. Также методы токовой диагностики с помощью годографа эквивалентного тока позволяют оценить пространственную картину распределения электромагнитного поля статора и его радиальные пульсации. Методы распознавания и классификации дефектов Отдельную сложность представляет задача распознавания и классификации неисправностей

Вращение поля / Field rotation

Коммутация обмоток / Windings switch

Крыльчатка / Impeller

0,1

Iэ, A

0,08

0,06

0,04

0,02

500

1000

1500

2000

2500

3000

3500

4000

4500

5000

Частота, Гц / Frequency, Hz

Рисунок. Пример диагностической карты эквивалентного тока электронасосного агрегата Figure. Example of a diagnostic chart of the equivalent current of an electric pump unit

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 по признакам, извлеченным из первичных сигналов. Основная трудность связана с тем, что некоторые дефекты не имеют явной корреляции с базовыми признаками и не могут быть описаны на основе общепринятых математических моделей. В современной литературе наиболее перспективными считаются методы, основанные на технологиях машинного обучения, причем для выявления дефектов решается задача классификации, а при прогнозе технического состояния – задача регрессии. К наиболее популярным методам машинного обучения относят [41]: • статистические методы на основе регрессионного анализа; • метод случайных деревьев; • метод опорных векторов; • нейросетевые методы на основе нейронных сетей прямого распространения (NN); • нейросетевые методы на основе самоорганизующихся сетей; • нейросетевые методы на основе рекуррентных (RNN), сверточных (CNN) и остаточных сверточных (CRN) сетей, рекуррентных сетей долгой кратковременной памяти (LSTM); • нейронечеткие методы на основе правил нечеткой логики. Так, в статье [42] предлагаются алгоритмы классификации неисправностей ротора на основе случайного леса. В работе [43] предлагается оптимизированный метод опорных векторов для классификации неисправностей подшипников на основе объединенного анализа сигналов во временной, частотной и VMD (Variational Mode Decomposition) областях. В работах [44, 45] оценивается применение нейросетевого ансамбля для обработки фазных токов и классификации неисправностей синхронной машины на основе метода роя частиц (PSO). При использовании методов машинного обучения не требуется определять характерные диагностические признаки и параметры системы, в ходе тренинга алгоритмов предъявляются входные и выходные сигналы, а исследуемая система рассматривается как «черный ящик». Однако для качественного обучения необходимо получить большой массив исходных данных при всех возможных вариациях дефектов с учетом изменения параметров объекта, требуется корректная разметка данных и удачный синтез макропараметров алгоритма. Указанные проблемы обуславливают вычислительные затраты и высокую «стоимость» обучения, что существенно ограничивает реальное применение рассмотренных подходов. Technologies and production

Перечисленные в настоящей работе методы диагностики обладают множеством достоинств, однако отметим, что из-за больших вычислительных затрат часть методов имеет ограничения для реализации во встраиваемых системах диагностики реального времени. Поэтому возникает необходимость определения подходящих для диагностики первичных параметров, методов диагностики и аппаратной базы для осуществления исследуемых подходов. Выводы Проведенный анализ современной научно-технической литературы в области диагностики сложных электромеханических систем позволяет сделать следующие выводы: • выполненный обзор основных диагностических признаков, вызывающих возникновение и развитие дефектов в электромеханических системах, а также результаты статистических исследований отказов электрических машин демонстрируют, что 41% неисправностей связаны с дефектами подшипников, 37% и 10% отказов – с неисправностями обмоток статора и ротора соответственно, оставшиеся 12% – с прочими причинами, поэтому при проектировании системы диагностики электромеханических агрегатов наибольшее внимание следует уделить реализации методов контроля технического состояния подшипников механической части и обмоток статора и ротора машины; • метод комплексной диагностики на основе анализа токов статора может стать самой экономически эффективной технологией контроля состояния электрических вращающихся машин. В качестве диагностических параметров электромеханической системы рекомендуется измерять следующие параметры: виброскорости и виброускорения механической системы; общий ток потребления; напряжение питания; фазные напряжения; фазные токи, подаваемые на обмотки двигателя; сигналы датчика положения ротора; внутренние напряжения блока управления в отдельных точках (выходы операционных усилителей, шины питания и т. п.); частота вращения ротора двигателя; момент, развиваемый двигателем; температуру в контрольных точках. Анализ современных источников позволяет дать априорную оценку эффективности методов диагностики: самым эффективным из перечисленных методов обнаружения дефектов подшипников механической части на ранних стадиях являются методы диагностики по спектрам огибающих. Поэтому наиболее предпочтительным является 93

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 использование в практике этого метода диагностики дефектов в роторных машинах, так как он менее остальных подвержен различным помехам и в результате имеет большую достоверность, а также способен замечать возникновение дефектов гораздо раньше других методов. Сочетание данных методов с методами вейвлет-преобразований и кепстрального анализа могут дать дополнительные возможности при проведении виброакустической диагностики на разрабатываемых системах диагностики. Что касается реализации виброакустических спектральных методов, то если динамические свойства механизма можно описать в рамках линейной теории и если априори известно, что влияние неисправностей проявляется увеличением уровней спектральных составляющих, соответствующих основным частотам возмущения, то тогда операция

локализации источников может предшествовать операции качественного диагностирования. Недорогие и надежные датчики тока позволяют обнаруживать как электрические, так и механические неисправности, измерение тока выгодно в комплексе с применением других методов, такими как вибрационный, акустический или температурный анализ. Тем не менее, поскольку интерпретация механических дефектов машин на основе токовой диагностики очень сложна, применение указанного метода требует дополнительных исследований и обоснований. В современных источниках считаются перспективными нейросетевые подходы в решении задач диагностики и мониторинга состояния электромеханических систем, однако остаются открытыми вопросы целесообразности их применения и реализуемости в системах диагностики реального времени.

Благодарность Исследования являются частью актуальных работ, проводимых в БГТУ «ВОЕНМЕХ» им. Д. Ф. Устинова при финансовой поддержке Министерства науки и высшего образования Российской Федерации, по проектированию и созданию высокоресурсных электронасосных агрегатов для авиационной, транспортной и космической техники. Данная работа выполнена в рамках НИОКТР комплексного проекта «Создание высокотехнологичного импортозамещающего производства высокоресурсных элементов систем исполнительной автоматики транспортной и авиационно-космической техники, обеспечивающей освоение и использование Мирового Океана, Арктики и Антарктики» при финансовой поддержке Министерства науки и высшего образования Российской Федерации (соглашение № 075‑11‑2019‑077 от 13.12.2019) в соответствии с постановлением Правительства РФ от 09.04.2010 № 218. Работа выполнена в организации Головного исполнителя НИОКТР ФГБОУ ВО БГТУ «ВОЕНМЕХ» им. Д. Ф. Устинова.

Acknowledgment The research is part of the current work carried out at BSTU «VOENMEH» named after D. F. Ustinov with the financial support of the Ministry of Science and Higher Education of the Russian Federation for the design and creation of high-resource electric pumping units for aviation, transport, and space technology. This work was performed within the framework of the research and technology complex project «Creation of high-tech importsubstituting production of damage tolerant elements of executive automation systems transport and aerospace engineering, ensuring the development and use of the World Ocean, Arctic and Antarctic» with the financial support of the Ministry of Science and Higher Education of the Russian Federation (Agreement No. 075‑11‑2019‑077 of 13.12.2019) following the decree of the RF Government of 09.04.2010 No. 218. The work was carried out in the organization of the Chief Executive Officer of Research and Technology of BSTU «VOENMEH» named after D. F. Ustinov.

Список использованных источников 1. Носов В. В. Диагностика машин и оборудования. СПб.: Лань, 2017. 376 с. 2. Geitner F. K., Bloch H. P. Machinery Failure Analysis and Troubleshooting. Butterworth Heinemann, 2012. 743 p. 3. Гемке Р. Г. Неисправности электрических машин. Ленинград: Энергоатомиздат, 1989. 334 с. 4. Muenchhof M., Beck M., Isermann R. Fault-tolerant actuators and drives – Structures, fault detection principles and applications. Annual Reviews in Control, 2009, vol. 33, pp. 136–148. 5. Калинов А. П., Браташ О. В. Анализ методов вибродиагностики асинхронных двигателей // Известия высших учебных заведений и энергетических объединений СНГ. Энергетика. 2012. Т. 5. С. 43–51. 6. Alameh K., Cite N., Hoblos G., Barakat G. Vibration-based Fault Diagnosis Approach for Permanent Magnet Synchronous Motors. IFAC-PapersOnLine, 2015, vol. 48, iss. 21, pp. 1444–1450. 7. Han Q., Ding Z., Xu X., Wang T., Chu F. Stator current model for detecting rolling bearing faults in induction motors using magnetic equivalent circuits. Mechanical Systems and Signal Processing, 2019, no. 131, pp. 554–575. 8. Corne B., Vervisch B., Derammelaere S., Knockaert J., Desmet J. The reflection of evolving bearing faults in the stator current’s extended park vector approach for induction machines. Mechanical Systems and Signal Processing, 2018, no. 107, pp. 168–182. 9. Диагностика подшипников качения фазохронометрическим методом / В. И. Пронякин, Е. А. Кудрявцев, А. С. Комшин, К. Г. Потапов // Известия высших учебных заведений. Машиностроение. 2017. № 3 (684). C. 48–55. 10. Подмастерьев К. В. Комплексное диагностирование подшипников и опор качения машин и механизмов на различных этапах их жизненного цикла // Известия ТулГУ. Технические науки. 2011. № 2 (5). C. 304‑3014.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 11. Подмастерьев К. В., Подмастерьев А. К. Электрорезистивный метод контроля процесса приработки подшипников качения // Приборы и методы измерений. 2015. № 1 (10). C. 47–55. 12. Павлов Б. В. Акустическая диагностика механизмов. М.: Машиностроение, 1974. 224 с. 13. Кирякин И. Л., Железная А. В. Акустическая диагностика узлов и блоков РЭА. М.: Радио и связь, 1984. 192 с. 14. Bovet C., Zamponi L. An approach for predicting the internal behaviour of ball bearings under high moment load. Mechanism and Machine Theory, 2016, vol. 101, pp. 1–22. 15. Системы виброзащиты, виброконтроля и вибродиагностики промышленного оборудования / Е. Н. Ишметьев, Д. В. Чистяков, А. Н. Панов, Е. Э. Бодров, М. Врабел // Электротехнические системы и комплексы. 2009. Т. 1. № 42. С. 67–73. 16. Вибрационно-импульсный метод оценки технического состояния подшипников качения. Расчет параметров ударных импульсов / С. Н. Поддубко, Н. Н. Ишин, А. М. Гоман, А. С. Скороходов, Ю. А. Дакало // Механика машин, механизмов и материалов. 2019. № 1 (46). С. 5–12. 17. Hongrui C., Fei S., Yamin L., Bijian L., Xuefeng C. Vibration and stability analysis of rotor-bearing-pedestal system due to clearance fit. Mechanical Systems and Signal Processing, 1019, no. 133. 18. Adams M. L. Rotating Machinery Vibration from Analysis to Troubleshooting. New York, Marcel Dekker Publ., 2000, 354 p. 19. Bulgakova A., Kruglova T. Intelligent Method for Fault Finding of Electric Drive Based on Wavelet Analysis of its Electrical and Mechanical Parameters. International Conference on Industrial Engineering, ICIE2017, 2017, vol. 206, pp. 929–935. 20. Silva A. A., Gupta S., Bazzi A. M., Ulatowski A. Wavelet-based information filtering for fault diagnosis of electric drive systems in electric ships. ISA Transactions, 2018, vol. 78, pp. 105–115. 21. Наземная система комплексной диагностики электромеханических устройств космических аппаратов / Е. Б. Коротков, Н. С. Слободзян, О. В. Широбоков, А. А. Киселев, М. И. Надежин // Радиопромышленность. 2019. Т. 29, № 4. С. 54–62. 22. Патент на полезную модель RU193341. Система управления и диагностики электродвигателя / Е. Б. Коротков, В. О. Гончаров, Н. С. Слободзян. Заявлен 04.02.2019. Опубликован 24.10.2019. 23. Benbouzid M. E. H. A Review of Induction Motors Signature Analysis as a Medium for Faults Detection. IEEE transactions on industrial electronics, 2000, vol. 47, no. 5, pp. 984–993. 24. Enayet H. B., Choudhury S. M. A. A., Shah S. L., Zuo M. J. Fault Detection of Rotating Machinery from Bicoherence Analysis of Vibration Data. Fault Detection. Supervision and Safety of Technical Processes 2006, 2007, vol. 2, pp. 1348–1353. 25. Attoui I., Fergani N., Boutasseta N., Oudjani B., Deliou A. A new time–frequency method for identification and classification of ball bearing faults. Journal of Sound and Vibration, 2017, vol. 397, pp. 241–265. 26. Карандин О. В., Ивченко В. Д. Диагностика роторных машин на основе вейвлет-анализа и алгоритма дискриминантного базиса // Приборы. 2009. № 5 (227). С. 42–48. 27. Ambur R., Rinderknecht S. Unbalance detection in rotor systems with active bearings using self-sensing piezoelectric actuators. Mechanical Systems and Signal Processing, 2018, no. 102, pp. 72–86. 28. Zou D., Zhao H., Liu G., Ta N., Rao Z. Application of augmented Kalman filter to identify unbalance load of rotor-bearing system: Theory and experiment. Journal of Sound and Vibration, 2019, vol. 463. 29. Zi W., Caichao Z. A new model for analyzing the vibration behaviors of rotor-bearing system. Communications in Nonlinear Science and Numerical Simulation, 2020, vol. 83. 30. Gomez M. J., Castejon C., Garcia-Prada J. C. Crack detection in rotating shafts based on 3 × energy: Analytical and experimental analyses. Mechanism and Machine Theory, 2016, no. 96, pp. 94–106. 31. Genta G. Dynamics of Rotating Systems. New York, Springer-Verlag Publ., 2005, 660 p. 32. Патент на изобретение RU2 546 131 C2. Способ защиты синхронной электрической машины от витковых замыканий обмотки ротора / В. И. Полищук. Заявлен 19.06.2013, опубликован 10.04.2015. 33. Патент на изобретение RU2 629 708 C1. Способ диагностики витковых замыканий в обмотке ротора синхронного генератора / А. С. Глазырин, В. И. Полищук, В. В. Тимошкин. Заявлен 19.09.2016, опубликован 31.08.2017. 34. Wang N., Jiang D. Vibration response characteristics of a dual-rotor with unbalance-misalignment coupling faults: Theoretical analysis and experimental study. Mechanism and Machine Theory, 2018, no. 125, pp. 207–219. 35. Urrestya J. C., Ribab J. R., Romerala L. Application of the zero-sequence voltage component to detect stator winding interturn faults in PMSMs. Electric Power Systems Research, 2012, vol. 89, pp. 38–44. 36. Picot A., Obeid Z., Regnier J., Poignant S., Darnis O., Maussion P. Statistic-based spectral indicator for bearing fault detection in permanent-magnet synchronous machines using the stator current. Mechanical Systems and Signal Processing, 2014, vol. 46, pp. 424–441. 37. Ciprian H., Szabo L. Wavelet Analysis and Park’s Vector Based Condition Monitoring of Induction Machines. Journal of Computer Science and Control Systems, 2011, vol. 4, no. 2, pp. 35–38. 38. Matveev S. A., Korotkov E. B., Zhukov Y. A., Slobodzian N. S., Gorbunov A. V., Tanklevskiy L. T. Diagnostic and Monitoring System for Technical Condition of Electromechanical Section of Thermal Control Systems in Spacecraft. International Journal of Mathematical, Engineering and Management Sciences, 2020, no. 5 (1), pp. 181–192. 39. Singh G., Naikan N. A. Detection of half broken rotor bar fault in VFD driven induction motor drive using motor square current MUSIC analysis. Mechanical Systems and Signal Processing, no. 110, pp. 333–348. 40. Chuang C., Wei Z., Zhifu W., Zhi L. The diagnosis method of stator winding faults in PMSMs based on SOM neural networks. In: The 8th International Conference on Applied Energy – ICAE2016, 2017, pp. 2295–2301. 41. Moosavi S., Djerdir A., Amirat Y., Khaburi D. Demagnetization fault diagnosis in permanent magnet synchronous motors: A review of the state-of-the-art. Journal of Magnetism and Magnetic Materials, 2015, vol. 391, pp. 203–212. 42. Waqar T., Demetgul M. Thermal analysis MLP neural network based fault diagnosis on worm gears. Measurement, 2016, vol. 86, pp. 56–66.

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 43. Sobie C., Freitas C., Nicolai M. Simulation-driven machine learning: Bearing fault classification. Mechanical Systems and Signal Processing, 2018, vol. 99, pp. 403–419. 44. Nyanteh Y., Srivastava S., Edrington C., Cartes D. A. Application of artificial intelligence to stator winding fault diagnosis in Permanent Magnet Synchronous Machines. Electric Power Systems Research, 2013, vol. 103, pp. 20–213. 45. Ma S., Chu F. Ensemble deep learning-based fault diagnosis of rotor bearing systems. Computers in Industry, 2019, no. 105, pp. 143–152.

REFERENCES 1. Nosov V. V. Diagnostika mashin i oborudovaniya [Diagnostics of machines and equipment]. Saint-Petersburg, Lan Publ., 2017. 376 p. (in Russian). 2. Geitner F. K., Bloch H. P. Machinery Failure Analysis and Troubleshooting. Butterworth Heinemann, 2012. 743 p. 3. Gemke R. G. Neispravnosti electricheskih mashin [Electric machines defects]. Leningrad, Energoatomizdat Publ., 1989. 334 p. (in Russian). 4. Muenchhof M., Beck M., Isermann R. Fault-tolerant actuators and drives – Structures, fault detection principles and applications. Annual Reviews in Control, 2009, vol. 33, pp. 136–148. 5. Kalinov A. P., Bratash O. V. Review of asynchronous motor vibrodiagnostic methods. Izvestiya visshih uchebnih zavedeniy I energeticheskih obedineniy SNG. Energetika, 2012, vol. 5, pp. 43–51 (in Russian). 6. Alameh K., Cite N., Hoblos G., Barakat G. Vibration-based Fault Diagnosis Approach for Permanent Magnet Synchronous Motors. IFAC-Papers On Line, 2015, vol. 48, iss. 21, pp. 1444–1450. 7. Han Q., Ding Z., Xu X., Wang T., Chu F. Stator current model for detecting rolling bearing faults in induction motors using magnetic equivalent circuits. Mechanical Systems and Signal Processing, 2019, no. 131, pp. 554–575. 8. Corne B., Vervisch B., Derammelaere S., Knockaert J., Desmet J. The reflection of evolving bearing faults in the stator current’s extended park vector approach for induction machines. Mechanical Systems and Signal Processing, 2018, no. 107, pp. 168–182. 9. Pronyakin V. I., Kudryavtsev E. A., Komshin A. S., Potapov K. G. The diagnostics of roller bearing using the phasechronometric method. Izvestiya vysshih uchebnih zavedeniy. Mashinostroenie, 2017, no. 3 (684), pp. 48–55. (in Russian). 10. Podmasterev K. V. Complex diagnostics of machinery rolling bearings at different life cycle stages. Izvestiya TulGU, Tehniceskiye nauki, 2011, no. 2 (5), pp. 304‑3014. (in Russian). 11. Podmasterev K. V., Podmasterev A. K. Electrically resistive method of control rolling bearing burn-in process. Pribory i metody izmereniy, 2015, no. 1 (10), pp. 47–55. (in Russian). 12. Pavlov B. V. Akusticheskaya diagnostika mehanizmov [Acoustic diagnostics of machines]. Moscow, Mashinostroenie Publ., 1974, 224 p. (in Russian). 13. Kiryakin I. L., Zheleznaya A. V. Akusticheskaya diagnostika uzlov I blokov REA [Acoustic diagnostics of communication electronics equipment assemblies and packages]. Moscow, Radio i svyaz Publ., 1984, 192 p. (in Russian). 14. Bovet C., Zamponi L. An approach for predicting the internal behaviour of ball bearings under high moment load. Mechanism and Machine Theory, 2016, vol. 101, pp. 1–22. 15. Ishmetev E. N., Chistyakov D. V., Panov A. N., Bodrov E. E., Vrabel M. Systems of vibration protection, vibration monitoring and vibration diagnostics of industrial equipment. Elektrotekhnicheskie sistemy i kompleksy, 2019, vol. 1, no. 42. pp. 67–73. (In Russian). 16. Poddubko S. N., Ishin N. N., Goman A. M., Skorohodov A. S., Dakalo Y. A. Vibration-pulse method for assessing the technical condition of rolling bearings. Calculation of shock pulse parameters. Mekhanika mashin, mekhanizmov i materialov, 2019, no. 1 (46), pp. 5–12. (In Russian). 17. Hongrui C., Fei S., Yamin L., Bijian L., Xuefeng C. Vibration and stability analysis of rotor-bearing-pedestal system due to clearance fit. Mechanical Systems and Signal Processing, 1019, no. 133. 18. Adams M. L. Rotating Machinery Vibration from Analysis to Troubleshooting. New York, Marcel Dekker Publ., 2000, 354 p. 19. Bulgakova A., Kruglova T. Intelligent Method for Fault Finding of Electric Drive Based on Wavelet Analysis of its Electrical and Mechanical Parameters. International Conference on Industrial Engineering, ICIE2017, 2017, vol. 206, pp. 929–935. 20. Silva A. A., Gupta S., Bazzi A. M., Ulatowski A. Wavelet-based information filtering for fault diagnosis of electric drive systems in electric ships. ISA Transactions, 2018, vol. 78, pp. 105–115. 21. Korotkov E. B., Slobodzyan N. S., Shirobokov O. V., Kiselev A. A., Nadezhin M. I. Spacecraft electromechanical devices’ complex ground diagnostics system. Radio industry (Russia), 2019, vol. 29, no. 4, pp. 54–62. (In Russian). 22. Patent RF no. RU193341. Sistema upravleniya i diagnostiki elektrodvigatelya [Motor control and diagnostic system]. E. B. Korotkov, V. O. Goncharov, N. S. Slobodzyan, declared 04.02.2019, published 24.10.2019. (In Russian). 23. Benbouzid M. E. H. A Review of Induction Motors Signature Analysis as a Medium for Faults Detection. IEEE transactions on industrial electronics, 2000, vol. 47, no. 5, pp. 984–993. 24. Enayet H. B., Choudhury S. M. A. A., Shah S. L., Zuo M. J. Fault Detection of Rotating Machinery from Bicoherence Analysis of Vibration Data. Fault Detection. Supervision and Safety of Technical Processes 2006, 2007, vol. 2, pp. 1348–1353. 25. Attoui I., Fergani N., Boutasseta N., Oudjani B., Deliou A. A new time–frequency method for identification and classification of ball bearing faults. Journal of Sound and Vibration, 2017, vol. 397, pp. 241–265. 26. Karandin O. V., Ivchenko V. D. Diagnostics of rotary machines based on wavelet analysis and discriminant basis algorithm. Pribory, 2019, no 5, pp. 42–48. (In Russian). 27. Ambur R., Rinderknecht S. Unbalance detection in rotor systems with active bearings using self-sensing piezoelectric actuators. Mechanical Systems and Signal Processing, 2018, no. 102, pp. 72–86. 28. Zou D., Zhao H., Liu G., Ta N., Rao Z. Application of augmented Kalman filter to identify unbalance load of rotor-bearing system: Theory and experiment. Journal of Sound and Vibration, 2019, vol. 463.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 29. Zi W., Caichao Z. A new model for analyzing the vibration behaviors of rotor-bearing system. Communications in Nonlinear Science and Numerical Simulation, 2020, vol. 83. 30. Gomez M. J., Castejon C., Garcia-Prada J. C. Crack detection in rotating shafts based on 3 × energy: Analytical and experimental analyses. Mechanism and Machine Theory, 2016, no. 96, pp. 94–106. 31. Genta G. Dynamics of Rotating Systems. New York, Springer-Verlag Publ., 2005, 660 p. 32. Patent RF no. RU2 546 131 C2. Sposob zashchity sinhronnoj elektricheskoj mashiny ot vitkovyh zamykanij obmotki rotora [A method for protecting a synchronous electric machine from windings circuits of a rotor winding]. Polishchuk V. I., declared 19.06.2013, published 10.04.2015 (In Russian). 33. Patent RF no. RU2 629 708 C1. Sposob diagnostiki vitkovyh zamykanij v obmotke rotora sinhronnogo generatora [A method for the diagnosis of windings circuits in the rotor winding of a synchronous generator]. A. S. Glazyrin, V. I. Polishchuk, V. V. Timoshkin, declared 19.09.2016, published 31.08.2017 (In Russian). 34. Wang N., Jiang D. Vibration response characteristics of a dual-rotor with unbalance-misalignment coupling faults: Theoretical analysis and experimental study. Mechanism and Machine Theory, 2018, no. 125, pp. 207–219. 35. Urrestya J. C., Ribab J. R., Romerala L. Application of the zero-sequence voltage component to detect stator winding interturn faults in PMSMs. Electric Power Systems Research, 2012, vol. 89, pp. 38–44. 36. Picot A., Obeid Z., Regnier J., Poignant S., Darnis O., Maussion P. Statistic-based spectral indicator for bearing fault detection in permanent-magnet synchronous machines using the stator current. Mechanical Systems and Signal Processing, 2014, vol. 46, pp. 424–441. 37. Ciprian H., Szabo L. Wavelet Analysis and Park’s Vector Based Condition Monitoring of Induction Machines. Journal of Computer Science and Control Systems, 2011, vol. 4, no. 2, pp. 35–38. 38. Matveev S. A., Korotkov E. B., Zhukov Y. A., Slobodzian N. S., Gorbunov A. V., Tanklevskiy L. T. Diagnostic and Monitoring System for Technical Condition of Electromechanical Section of Thermal Control Systems in Spacecraft. International Journal of Mathematical, Engineering and Management Sciences, 2020, no. 5 (1), pp. 181–192. 39. Singh G., Naikan N. A. Detection of half broken rotor bar fault in VFD driven induction motor drive using motor square current MUSIC analysis. Mechanical Systems and Signal Processing, no. 110, pp. 333–348. 40. Chuang C., Wei Z., Zhifu W., Zhi L. The diagnosis method of stator winding faults in PMSMs based on SOM neural networks. In: The 8th International Conference on Applied Energy – ICAE2016, 2017, pp. 2295–2301. 41. Moosavi S., Djerdir A., Amirat Y., Khaburi D. Demagnetization fault diagnosis in permanent magnet synchronous motors: A review of the state-of-the-art. Journal of Magnetism and Magnetic Materials, 2015, vol. 391, pp. 203–212. 42. Waqar T., Demetgul M. Thermal analysis MLP neural network based fault diagnosis on worm gears. Measurement, 2016, vol. 86, pp. 56–66. 43. Sobie C., Freitas C., Nicolai M. Simulation-driven machine learning: Bearing fault classification. Mechanical Systems and Signal Processing, 2018, vol. 99, pp. 403–419. 44. Nyanteh Y., Srivastava S., Edrington C., Cartes D. A. Application of artificial intelligence to stator winding fault diagnosis in Permanent Magnet Synchronous Machines. Electric Power Systems Research, 2013, vol. 103, pp. 201–213. 45. Ma S., Chu F. Ensemble deep learning-based fault diagnosis of rotor bearing systems. Computers in Industry, 2019, no. 105, pp. 143–152.

ИНФОРМАЦИЯ ОБ АВТОРАХ Матвеев Станислав Алексеевич, к. т. н., проректор по научной работе и инновационному развитию, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1-я Красноармейская, д. 1, тел.: +7 (921) 647‑75‑90, e-mail: stas_matveev@mail.ru. Жуков Юрий Александрович, старший преподаватель, научный сотрудник научно-исследовательской лаборатории «Робототехнические и мехатронные системы», Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1-я Красноармейская, д. 1, тел.: +7 (911) 235‑42‑01, e-mail: zhkv@rambler.ru. Коротков Евгений Борисович, к. т. н., доцент, главный научный сотрудник научно-исследовательской лаборатории робототехнических и мехатронных систем, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1-я Красноармейская, д. 1, тел.: +7 (921) 938‑15‑11, e-mail: ebkorotkov@yandex.ru. Широбоков Олег Вячеславович, младший научный сотрудник научно-исследовательской лаборатории робототехнических и мехатронных систем, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1-я Красноармейская, д. 1, тел.: +7 (921) 442‑84‑67, e-mail: shirok.93@mail.ru. Надежин Михаил Игоревич, инженер научно-исследовательской лаборатории робототехнических и мехатронных систем, Балтийский государственный технический университет «ВОЕНМЕХ» им. Д. Ф. Устинова, 190005, Санкт-Петербург, ул. 1-я Красноармейская, д. 1, тел.: +7 (904) 618‑09‑28, e-mail: mikhailn131@gmail.com. Ладыгин Андрей Петрович, начальник отдела конструирования и отработки автоматики и устройств космических аппаратов, АО «Информационные спутниковые системы» имени академика М. Ф. Решетнёва», 662972, Красноярский край, г. Железногорск, ул. Ленина, д. 52, тел.: +7 (3919) 76‑47‑12, e-mail: apl320@iss-reshetnev.ru.

AUTHORS Stanislav A. Matveev, Ph.D. (Engineering), deputy principal of science and innovation development, Baltic State Technical University «VOENMEH», 1, 1ya Krasnoarmeyskaya ulitsa, Saint Petersburg, 190005, Russia, tel.: +7 (921) 647‑75‑90, e-mail: stas_matveev@mail.ru.

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Yuriy A. Zhukov, assistant professor, research laboratory of robotic and mechatronic systems, Baltic State Technical University VOENMEH, 1, 1ya Krasnoarmeyskaya ulitsa, Saint Petersburg, 190005, Russia, tel.: +7‑911‑235‑42‑01, e-mail: zhkv@rambler.ru. Evgeniy B. Korotkov, Ph.D. (Engineering), associate professor, senior researcher, research laboratory of robotic and mechatronic systems, Baltic State Technical University «VOENMEH», 1, 1-ya Krasnoarmeyskaya ulitsa, Saint Petersburg, 190005, Russia, tel.: +7 (921) 938‑15‑11, e-mail: ebkorotkov@yandex.ru. Oleg V. Shirobokov, junior research scientist, research laboratory of robotic and mechatronic systems, Baltic State Technical University «VOENMEH», 1, 1-ya Krasnoarmeyskaya ulitsa, Saint Petersburg, 190005, Russia, tel.: +7 (921) 442‑84‑67, e-mail: shirok.93@mail.ru. Mikhail I. Nadezhin, engineer, research laboratory of robotic and mechatronic systems, Baltic State Technical University «VOENMEH», 1, 1-ya Krasnoarmeyskaya ulitsa, Saint Petersburg, 190005, Russia, tel.: +7 (904) 618‑09‑28, e-mail: mikhailn131@gmail.com. Andrey P. Ladygin, spacecraft equipment and automation development manager, Academician M. F. Reshetnev Information Satellite Systems JSC, 52, Lenina ulitsa, Zheleznogorsk, Krasnoyask region, 662972, Russia, tel.: +7 (3919) 76‑47‑12, e-mail: apl320@iss-reshetnev.ru. Поступила 16.04.2020; принята к публикации 27.05.2020; опубликована онлайн 07.09.2020. Submitted 16.04.2020; revised 27.05.2020; published online 07.09.2020.

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-99-111 УДК 621.396.96

Матричный метод обработки массивов радиолокационных данных при третичной обработке Д. А. Пальгуев1, А. Н. Шентябин2 1

ФГАУ ВО «Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского», Нижний Новгород, Россия 2 АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева», Москва, Россия

В обработке динамически изменяющихся данных, например радиолокационной информации (РЛИ), важную роль играет вид представления различных массивов данных, содержащих информацию о трассах и признаках воздушных объектов. При практической реализации вычислительного процесса ранее представлялось естественным, что обработка РЛИ в массивах данных осуществлялась методом поэлементного поиска. Вместе с тем, представление массивов данных в виде матриц и применение матричной алгебры позволяют оптимальным образом сформировать вычисления при третичной обработке. Формирование матриц и действия с ними сами по себе требуют значительного вычислительного ресурса, поэтому можно предположить, что определенный выигрыш во времени вычислений может ожидаться при наличии большого количества данных в массивах, не менее нескольких тысяч сообщений. В статье приведены последовательности наиболее часто повторяющихся операций третичной сетевой обработки, таких как поиск и замена элемента массива. Результаты моделирования показывают, что эффективность обработки (относительное уменьшение времени обработки и экономия вычислительного ресурса) с применением матриц, по сравнению с поэлементным поиском и заменой, растет пропорционально количеству сообщений, поступающих на устройство обработки информации. Наиболее существенный выигрыш наблюдается при обработке нескольких тысяч сообщений (элементов массивов). Таким образом, применение матриц и математического аппарата матричной алгебры для обработки массивов динамически изменяющихся данных позволяет уменьшить время обработки и сэкономить вычислительный ресурс. Предложенный матричный метод организации вычислений может найти свое место и в моделировании сложных информационных систем. Ключевые слова: массивы данных, матричная алгебра, обработка радиолокационной информации, матрицы Для цитирования: Пальгуев Д. А., Шентябин А. Н. Матричный метод обработки массивов радиолокационных данных при третичной обработке // Радиопромышленность. 2020. Т. 30, № 3. С. 99–111. DOI: 10.21778/2413‑9599‑2020‑30‑3-99-111 © Пальгуев Д. А., Шентябин А. Н., 2020

Technologies and production

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Matrix application for multi-radar processing of radar data arrays D. A. Palguyev1, A. N. Shentyabin2 1 2

Lobachevsky State University of Nizhny Novgorod, Nizhny Novgorod, Russia M. A. Kartsev Scientific and Research Institute of Computing Systems, Moscow, Russia

In the processing of dynamically changing data, for example, radar data (RD), a crucial part is made by the representation of various data sets containing information about routes and signs of air objects. In the practical implementation of the computational process, it previously seemed natural that RD processing in data arrays was carried out by the elementwise search method. However, the representation of data arrays in the form of matrices and the use of matrix math allow optimal calculations to be formed during tertiary processing. Forming matrices and working with them requires a significant computational resource, so the authors can assume that a certain gain in calculation time may be achieved if there is a large amount of data in the arrays, at least several thousand messages. The article shows the sequences of the most frequently repeated operations of tertiary network processing, such as searching for and replacing an array element. The simulation results show that the processing efficiency (relative reduction of processing time and saving of computing resources) with the use of matrices, in comparison with elementwise search and replacement, increases in proportion to the number of messages received by the information processing device. The most significant gain is observed when processing several thousand messages (array elements). Thus, the use of matrices and the mathematical apparatus of matrix math for processing arrays of dynamically changing data can reduce processing time and save computational resources. The proposed matrix method of organizing calculations can also find its place in the modeling of complex information systems. Keywords: data arrays, matrix math, radar information processing, matrices For citation: Palguyev D. A., Shentyabin A. N. Matrix application for multi-radar processing of radar data arrays. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 99–111. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-99-111

Введение Матричное представление различных параметров, координат, коэффициентов широко применяется при обработке радиолокационной информации [1–3]. Вместе с тем, в обработке динамически изменяющихся данных, в частности, при третичной обработке радиолокационной информации [1, 2] важную роль играет вид представления различных массивов данных, содержащих динамическую информацию о трассах и признаках воздушных объектов. Ранее нахождение нужной информации по конкретному воздушному объекту, ее обновление и обработка в массивах данных осуществлялись методом поэлементного поиска и замены, т. к. применялись традиционные последовательные способы организации вычислений. Представление массивов данных в виде матриц и применение методов матричной алгебры при операциях с ними вместо поэлементного поиска позволяют оптимальным образом сформировать вычисления при третичной обработке. Теоретически вычисления с массивами данных, представленными матрицами, позволяют обойтись без поэлементного перебора данных и получать выходные данные сразу в виде готового массива. Очевидно, 100

что организация матриц и действия с ними сами по себе требуют значительного вычислительного ресурса, поэтому можно предположить, что определенный выигрыш во времени вычислений может ожидаться при наличии большого количества данных в массивах, не менее нескольких тысяч сообщений. В качестве начальных условий примем, что вычисления должны быть организованы традиционным образом, то есть последовательно, а ожидаемый выигрыш в вычислительном ресурсе (и во времени обработки) может быть получен в результате математических действий с матрицами, содержащими динамическую информацию о воздушных объектах. Предположим, что третичная обработка радиолокационной информации происходит на сервере [4], как пункте обработки информации некоторой автоматизированной системы обработки РЛИ сетевой структуры [5]. Каналы передачи данных от источников к серверу высокоскоростные и не имеют значимых задержек. Для третичной обработки радиолокационной информации необходимо сформировать последовательность операций и в качестве информационных элементов использовать матрицы, содержащие РЛИ. Последовательность действий Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 с матрицами при третичной обработке примем в соответствии со способом обработки РЛИ в сетевой информационной структуре [6]. Полагаем, что на сервере, как устройстве обработки радиолокационной информации, имеется информация о среднеквадратичных отклонениях (СКО) по координатам и составляющим скоростей воздушных объектов от источников, выдающих РЛИ. Алгоритм третичной сетевой обработки и операции с матрицами Способ третичной обработки РЛИ в сетевой информационной структуре [6] представлен на рис. 1. Синтезируем из блок-схемы алгоритма третичной сетевой обработки укрупненный алгоритм обработки (рис. 2), в котором выделим действия с массивами данных, которые впоследствии можно будет представить матрицами. Сообщение по одному воздушному объекту будем представлять столбцом массива, элементы которого будут соответствовать координатам и составляющим скоростей воздушных объектов (ВО). На рис. 2 сформированы четыре основных ветви алгоритма. Все операции замены столбцов-сообщений, а также операция предварительного отбора при традиционном способе организации вычислений производились методом поэлементного поиска и замены соответствующего столбца. Для проведения операций замены в случае, если входные и выходной массив сервера представлены матрицами, необходимо с учетом особенностей алгоритма

третичной обработки [6] сформировать последовательность операций с различными матрицами сервера. Формирование исходной матрицы сервера Под формированием исходной матрицы сервера А будем понимать добавление в неё новых источников РЛИ и новых сообщений от существующих источников. Представим радиолокационную информацию, поступающую на сервер от j-го источника (j∈{1, m}, где m – число источников РЛИ), в виде исходной матрицы (ИМ) источника А(j). Заполнение каждой исходной матрицы источника данными происходит последовательно, по мере поступления сообщений о воздушных объектах от радиолокационных систем (РЛС). Конкретизируем исходную информацию в определенный момент времени и предположим, что имеется источник РЛИ № 1, который выдает информацию о двух объектах в сообщениях J11 и J21, первая цифра индекса обозначает порядковый номер сообщения, вторая – н омер источника. Информация по одному объекту представляется в исходной матрице источника как столбец с соответствующими данными. В этом случае исходная матрица источника, формируемая на сервере по двум сообщениям от этого источника, имеет вид

A (1) =

x1(1)

y1(1)

z1(1) Vx(1) Vy(1) Vz(1) 1 1 1

x2(1)

y2(1)

z2(1) Vx(1) Vy(1) Vz(1) 2 2 2

(1)

Поступление очередного (любого) сообщения о воздушном объекте от любого источника / Receipt of the next (any) message on an air object from any source

Приведение в систему координат пункта сбора информации / Bringing the information collection point to the coordinate system

Предварительный отбор / Preliminary selection

Экстраполяция координат воздушных объектов, прошедших предварительный отбор / Extrapolation of the aerial objects coordinates that have passed the preliminary selection

Точный отбор с вероятностью объединения, заданной потребителем / Accurate selection with the probability of association set by the consumer

Выдача объединенной информации потребителю и/или в сеть / Issuing combined information to the consumer and/or to the network

Рисунок 1. Блок-схема алгоритма третичной сетевой обработки Figure 1. Flowsheet of the tertiary network processing algorithm

Technologies and production

101

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Прием сообщения о ВО, пересчет координат / Receiving an AO message, recalculating coordinates

Новое сообщение о ВО / New message about the AO

Формирование нового столбца в исходном массиве данных / Creating a new column in the source data array

Поэлементный поиск в исходном массиве данных / Elementwise search in the source array data

Предварительный отбор / Preliminary selection

Повторное сообщение о ВО / Repeated message about the AO

Экстраполяция сообщений о ВО, прошедших предварительный отбор / Extrapolation of preselected AO messages

Замена столбца в исходном массиве сервера / Replacing a column in the server source array

Точный Нет / No отбор (объединение) / Precise selection (merging)

Замена столбца в выходном массиве сервера / Replacing a column in the server output array

Формирование нового столбца в выходном массиве сервера / Creating a new column in the server output array

Да / Yes СКО Нет / No точнее или нет / RMS more precise or not Да / Yes Замена столбца в выходном массиве сервера / Replacing a column in the server output array

2 Выходной массив сервера с обновленным столбцомсообщением / Server output array with the updated message column

Выходной массив сервера с обновленным столбцом-сообщением / Server output array with the updated message column

Выходной массив сервера без изменений / Server output array without changes

Выходной массив сервера с новым столбцом / Server output array with a new column

Выдача в сеть и/или потребителю / Delivery to the network and/or consumer

Рисунок 2. Укрупненный алгоритм третичной сетевой обработки Figure 2. High-level algorithm of the tertiary network processing

где x(1), y(1), z(1) – координаты объекта относительно точки стояния сервера, Vx(1), Vy(1), Vz(1) – составляющие скоростей, верхний индекс (1) – принадлежность к источнику № 1, нижний индекс x1, x2 – номер трассы, присваиваемый источником. Предположим, что источник № 2 обнаруживает новый объект и выдает информацию на сервер в сообщении J21. На сервере формируется исходная матрица источника А(2) следующего вида:

A (2) = x1(2) y1(2) z1(2) Vx(2) Vy(2) Vz(2) . 1 1 1

A= A

(2)

Для формирования матрицы А введем промежуточную диагональную булеву матрицу IА(1), соответствующую исходной матрице А(1). Число столбцов в матрице IА(1) равно числу столбцов в матрице А(1): 102

(4)

E A (1) =

1 0 0 0 1 0

(5)

Далее, получим промежуточную матрицу Aпр(1):

(2)

(3)

0 1

Дополним матрицу IА(1) справа нулевыми столбцами, число которых равно числу столбцов в матрице А(2), и получим промежуточную булеву матрицу ЕА(1):

(1) A (1) Ô = A E A (1) =

Сформируем из двух матриц данных, полученных от РЛС № 1 и № 2, одну общую матрицу А, которую назовем исходной матрицей сервера ИМ: (1)

1 0

I A (1) =

x1(1)

x2(1)

x1(1)

x2(1)

y1(1)

y2(1)

y1(1)

y2(1)

z1(1)

z2(1)

z1(1)

z2(1)

Vx(1) 1

Vx(1) 2

Vx(1) 1

Vx(1) 2

1 0 0 0 1 0

Vy(1) Vy(1) 1 2

Vy(1) Vy(1) 0 1 2

Vz(1) Vz(1) 1 2

Vz(1) Vz(1) 0 1 2

(6)

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Аналогично сформируем промежуточную диагональную булеву матрицу IА(2) и промежуточную матрицу Aпр(2). При формировании матрицы EА(2) нулевые столбцы, число которых равно числу столбцов в матрице Aпр(1), добавим слева:

A (2) Ô

(2)

= A E A(2) =

x1(2)

0 0

x1(2)

y1(2)

0 0

y1(2)

z1(2)

0 0

z1(2)

V x(2) 1

0 01 =

0 0 V x(2) 1

V y(2) 1

0 0 V y(2) 1

Vz(2) 1

0 0 Vz(2) 1

. (7)

Сложим полученные промежуточные ИМ Aпр(1) и Aпр(2): (2) A (1) Ô + A Ô = A =

0 0

x1(2)

x1(1)

x2(1)

x1(2)

y2(1) 0

0 0

y1(2)

y1(1)

y2(1)

y1(2)

z1(1)

z2(1)

0 0 z1(2)

z1(1)

z2(1)

z1(2)

V x(1) 1

V x(1) 2

V x(1) 1

V x(1) 2

V x(2) 1

x1(1)

x2(1)

y1(1)

0 0

V x(2) 1

V y(1) V y(1) 0 1 2

0 0 V y(2) 1

V y(1) V y(1) V y(2) 1 2 1

Vz(1) Vz(1) 0 1 2

0 0 Vz(2) 1

Vz(1) Vz(1) Vz(2) 1 2 1

(8)

Результатом выражения (8) является исходная матрица сервера А. Она включает в себя матрицы А(1) и А(2) и содержит сообщения от источников № 1 и № 2. В общем случае, когда одна исходная матрица источника А(1) содержит n сообщений (столбцов), а вторая А(2) – m сообщений (столбцов) о воздушных объектах, правило формирования исходной матрицы сервера А выглядит следующим образом: а) при формировании промежуточной матрицы Aпр(1): • формируется промежуточная диагональная булева матрица IА(1) с числом столбцов n; • матрица IА(1) дополняется справа m нулевыми столбцами, получается промежуточная булева матрица EА(1); • выполняется перемножение матриц A(1) и EА(1), результатом является промежуточная матрица Aпр(1); б) при формировании промежуточной матрицы A(2)пр выполняются почти аналогичные действия: • формируется промежуточная диагональная булева матрица IА(2) с числом столбцов m; • матрица IА(2) дополняется слева n нулевыми столбцами, получается промежуточная булева матрица EА(2); Technologies and production

• выполняется перемножение матриц A(2) и EА(2), результатом является промежуточная матрица Aпр(2); в) формирование исходной матрицы сервера А осуществляется сложением промежуточных матриц Aпр(1) и Aпр(2). При последовательном поступлении новых сообщений о ВО от источников изменениям будут подвергаться только исходная матрица источника А(j), которым обнаружен новый объект, и исходная матрица сервера А. В этом случае в пунктах б) и в) правила формирования исходной матрицы сервера будет присутствовать предыдущая исходная матрица сервера без добавленного сообщения. Структурная схема алгоритма формирования исходной матрицы сервера представлена на рис. 3. Замена столбца (сообщения) в исходных матрицах источников При поступлении на сервер повторного сообщения о сопровождаемом объекте замена столбца в матрицах A(1) и A(2) производится следующим образом. Пусть в матрице A(1) необходимо заменить столбец № 2. Введем промежуточную единичную матрицу замены ЕАз(1), в которой значение 0 присваивается элементам столбца, подлежащего замене, и соответствующего порядковому номеру столбца в матрице A(1):

E A (1) Á

1 1 1 = 1 1 1

0 0 0 . 0 0 0

(9)

Затем в результате произведения АдамараШура [7] матриц A(1) и ЕАз(1) получим промежуточную матрицу замены АпрЗ(1): (1) A (1) ⊗ E AÁ(1) = Ôá = A

x1(1)

x2(1)

y1(1)

y2(1)

z1(1)

z2(1)

V x(1) 1

V x(1) 2

V y(1) V y(1) 1 2 Vz(1) Vz(1) 1 2

1 1 1 ⊗ 1 1 1

0 0 0 0 0 0

x1(1)

y1(1)

z1(1)

V x(1) 1

(10)

V y(1) 0 1 Vz(1) 0 1

Здесь знак ⊗ означает произведение АдамараШура. Новое сообщение, подлежащее размещению в матрице A(1) вместо второго столбца, представим в виде матрицы-столбца: 103

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Формирование исходной матрицы

Формирование исходной матрицы источника А(j) / Forming an initial source matrix А(j)

Формирование промежуточной матрицы источника Апр(j)= А(j)EА(j) / Forming an intermediate matrix of the source Аint(j)= А(j)EА(j)

сервера A =

A (прj ) /

Forming the server source matrix j

A (прj )

Формирование единичной матрицы IА(j) / Forming a unit matrix IА(j)

Формирование промежуточной булевой матрицы EА(j) / Forming an intermediate Boolean matrix EА(j)

Рисунок 3. Структурная схема алгоритма формирования исходной матрицы сервера: j – порядковый номер источника, A(j) – исходные матрицы источников; IA(j) – п ромежуточные диагональные булевы матрицы источников; EA(j) – промежуточные булевы матрицы; Aпр(j) – промежуточные матрицы источников; А – исходная матрица сервера Figure 3. Block diagram of the algorithm for forming the server source matrix: j – s ource sequence number, A(j) – initial source matrices; IA(j) – intermediate diagonal Boolean source matrices; EA(j) – intermediate Boolean matrices; Aint(j) – intermediate source matrices; A – s erver source matrix

(1) x2ÌÓ‚

(1) A (1) = A (1) Ô2 + A Ôá =

(1) y2ÌÓ‚

A (1) 2 =

(1) z2ÌÓ‚

Vx(1) 2ÌÓ‚

(11)

Vy(1) 2ÌÓ‚ Vz(1) 2ÌÓ‚ Введем единичную матрицу замены столбца ЕА2(1): E A (1) = 0 1 ,

(12)

размерность которой 1×n, где n – число столбцов в матрице А(1), а значением последнего элемента последнего столбца является 1. Получим промежуточную матрицу замены второго столбца Апр2(1):

(1) A (1) Ô2 = A 2 E A (1) 2

(1) x2ÌÓ‚

(1) 0 x2ÌÓ‚

(1) y2ÌÓ‚

(1) z2ÌÓ‚

Vx(1) 2ÌÓ‚

0 1 =

0 Vx(1) 2ÌÓ‚

Vy(1) 2ÌÓ‚

0 Vy(1) 2ÌÓ‚

Vz(1) 2ÌÓ‚

0 Vz(1) 2ÌÓ‚

. (13)

Найдем сумму промежуточных матриц Апр2(1) и АпрЗ(1):

104

(1) 0 x2ÌÓ‚

x1(1)

(1) x2ÌÓ‚

(1) y2ÌÓ‚

y1(1)

(1) y2ÌÓ‚

(1) z2ÌÓ‚

z1(1)

(1) z2ÌÓ‚

0 Vx(1) 2ÌÓ‚

0 V x(1) 1

V x(1) Vx(1) 1 2ÌÓ‚

0 Vy(1) 2ÌÓ‚

0 V y(1) 1

V y(1) Vy(1) 1 2ÌÓ‚

0 Vz(1) 2ÌÓ‚

Vz(1) 0 1

Vz(1) 1

(14)

Vz(1) 2ÌÓ‚

Анализ (14) показывает, что матрица А(1) содержит данные из сообщений об объектах № 1 и 2, причем данные об объекте № 2 заменены на поступившие новые данные об объекте № 2. Аналогичным образом проводится обновление РЛИ и в других исходных матрицах источников – А(1) и т. д. Структурная схема алгоритма замены столбца в матрице источника при получении очередного сообщения об объекте представлена на рис. 4. Напомним, что нами рассматривается ситуация, когда на сервер последовательно поступили сообщения о двух объектах от одного источника J11 и J21. Затем на сервер поступает новое сообщение J12 от второго источника с признаком нового сообщения. Используя данные об объектах, содержащиеся в сформированной исходной матрице сервера А, в соответствии с методом третичной обработки в сетевых структурах [6] проведем этапы предварительного отбора, экстраполяции и точного отбора сообщений об обнаруженных РЛС № 1 и 2 объектах. Предположим, что результаты объединения Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Формирование исходной матрицы источника А(j) / Forming an initial source matrix А(j)

Формирование промежуточной матрицы замены столбца в матрице источника AпрЗ(j)= A(j)EАз(j) / Forming an intermediate column replacement matrix in the source matrix AintR(j)= A(j)EАr(j)

Формирование обновленной исходной матрицы источника A(j)обновл= Aпр2(j)+ AпрЗ(j) / Forming an updated source matrix A(j)upd= Aint2(j)+ AintR(j)

Формирование промежуточной булевой матрицы EАз(j) / Forming an intermediate Boolean matrix EАr(j)

Формирование матрицыстолбца с новыми данными A2(j) / Forming a matrixcolumn with new data A2(j)

Формирование промежуточной матрицы замены по номеру столбца в матрице источника Aпр2(j)= A2(j)EА2(j) / Forming an intermediate replacement matrix by the column number in the source matrix Aint2(j)= A2(j)EА2(j)

Формирование единичной матрицы замены матрицы-столбца в матрице источника EА2(j) / Forming a single matrix of column-matrix replacement in the source matrix EА2(j)

Рисунок 4. Структурная схема алгоритма замены столбца в матрице источника при получении очередного сообщения об объекте: j – порядковый номер источника, А(j) – и сходные матрицы источников; ЕАз(j) – промежуточные булевы матрицы замены столбца в матрице источника; АпрЗ(j) – промежуточные матрицы замены столбца в матрице источника; А2(j) – м атрица-столбец с данными очередного сообщения; EA2(j) – единичные матрицы замены матрицы-столбца в матрице источника; Апр2(j) – промежуточные матрицы замены по номеру столбца в матрице источника; A(j)обновл – обновленные исходные матрицы источников Figure 4. The flowsheet of the algorithm column in the matrix source, when receiving a new message about the object: j – s equence number of source, А(j) – initial source matrices; EAr(j) – intermediate Boolean matrix replacement column in the matrix source; AintR(j) – intermediate matrices of the replacement column in the source matrix; A2(j) – m atrix-column with the data for the next message; EA2(j) – unit matrix, replacing the matrix-column in the matrix source; Аint2(j) – intermediate replacement matrix by the column number in the matrix source; A(j)upd – updated initial source matrices

положительны, то есть сообщение о новом ВО может быть объединено с одним из ранее полученных сообщений. В этом случае новое сообщение от РЛС № 2 является сообщением об уже имеющемся воздушном объекте. В соответствии с принятыми условиями и допущениями, на сервере имеется база данных о среднеквадратическом отклонении по координатам и составляющим скоростей РЛС № 1 и 2. Предположим, что трассовая РЛИ, выдаваемая источником № 2, имеет более высокую точность. При этом возникает необходимость сформировать матрицу В, являющуюся результирующей матрицей сервера, не содержащей данные об одних и тех же объектах, поступивших от двух источников. Введем булеву матрицу С, размерность которой соответствует размерности матрицы А. Единичные столбцы этой матрицы соответствуют тем столбцам матрицы А, в которых содержатся данные Technologies and production

об объектах, которые не объединялись с данными от другого источника, а нулевые столбцы матрицы С соответствуют столбцам матрицы А, в которых содержатся данные, по которым положительно решена задача объединения РЛИ, поступающей от других источников. Для примера, приведенного выше, исходная булева матрица С сервера будет иметь вид

0 0 0 0 0 0

1 1 1 1 1 1

1 1 1 . 1 1 1

(15)

В результате произведения Адамара-Шура [7] матриц А и С получим некоторую промежуточную матрицу В1: 105

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 B1 = A ⊗ C =

x1(1)

x2(1)

x1(2)

y1(1)

y2(1)

y1(2)

z1(1)

z2(1)

z1(2)

V x(1) Vx(1) Vx(2) 1 2 1 V y(1) Vy(1) Vy(2) 1 2 1 Vz(1) Vz(1) Vz(2) 1 2 1

0 0 0 0 ⊗ 0 0 0

1 1 1 1 1 1

x2(1)

x1(2)

1 0 y2(1) y1(2) 1 0 z2(1) z1(2) 1 = . (16) (2) 1 0 Vx(1) V x1 2 1 (1) 0 Vy 2 Vy(2) 1 1 (1) (2) 0 Vz2 Vz1

В этой матрице ненулевые столбцы представляют собой сообщения от источников № 1 и 2 после решения задачи объединения, то есть сообщению J11, как принадлежавшему источнику № 1 с худшим СКО, соответствует столбец промежуточной матрицы с нулевыми значениями. Для того чтобы удалить нулевой столбец, введем промежуточную булеву матрицу Е2, число строк которой равно числу столбцов матрицы А. Число столбцов в матрице Е2 равно числу ненулевых столбцов в матрице С. В тех строках, номера которых совпадают с номерами нулевых столбцов матрицы С, элементам матрицы Е2 присваиваются нулевые значения. Единичные значения присваиваются тем элементам строк матрицы Е2, номера которых совпадают с номером ненулевых столбцов матрицы С. При этом должно выполняться правило

⎧1, ÂÒÎË i = s, j = f 1, E 2ij = ⎨ ⎩⎪0 ‚ ÓÒÚ‡Î¸Ì˚ı ÒÎÛ˜‡ﬂı,

Формирование исходной матрицы сервера A / Forming a source server matrix A

Формирование исходной булевой матрицы сервера C / Forming an original Boolean server matrix C

(17)

где i – номер строки в матрице Е2; j – номер столбца матрицы Е2; s – порядковый номер столбца матрицы С; f1 – порядковый номер единичного столбца матрицы С. С учетом этого

B = B1E 2 =

x2(1)

x1(2)

x2(1)

x1(2)

y2(1)

y1(2)

y2(1)

y1(2)

z2(1)

z1(2)

0 Vx(1) Vx(2) 2 1 0 Vy(1) Vy(2) 2 1 0 Vz(1) Vz(2) 2 1

0 0 z2(1) z1(2) 1 0 = . (18) Vx(1) Vx(2) 2 1 0 1 Vy(1) Vy(2) 2 1 Vz(1) Vz(2) 2 1

Анализ матрицы В показывает, что произведение матриц В1 и Е2 содержит только сообщения после успешного проведения этапа объединения. В матрице В учтено условие лучшего СКО от РЛС № 2, и она не содержит нулевых столбцов. Поэтому матрицу В можно считать результирующей матрицей сервера, содержащей объединенную радиолокационную информацию, поступившую на сервер от всех источников РЛИ. Структурная схема алгоритма формирования результирующей матрицы сервера представлена на рис. 5. Обновление матриц А и В будет происходить в соответствии с приведенной последовательностью обработки каждый раз, когда на сервер поступает сообщение о вновь обнаруженном объекте, и в том случае, когда число источников РЛИ более одного.

Формирование промежуточной результирующей матрицы сервера B1=A⊗C / Forming an intermediate result server matrix B1=A⊗C

Формирование результирующей матрицы сервера B = B1E2 / Forming a resulting server matrix B = B1E2

Формирование промежуточной матрицы сервера с данными объединения E2 / Creating an intermediate server matrix with merging data E2

Рисунок 5. Структурная схема алгоритма формирования результирующей матрицы сервера: A – исходная матрица сервера; C – исходная булева матрица сервера; E2 – п ромежуточная матрица сервера с данными объединения; B1 – п ромежуточная результирующая матрица сервера; B – результирующая матрица сервера Figure 5. Flowsheet of the algorithm for generating the resulting server matrix: A – s ource server matrix; C – source Boolean server matrix; E2 – intermediate server matrix with the merging data; B1 – intermediate resultant server matrix; B – resulting server matrix

106

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Обработка повторных сообщений от источников радиолокационной информации После выдачи от РЛС на сервер сообщения о новом воздушном объекте и его обработки последующие сообщения об этом объекте выдаются потребителю с признаком повторного сообщения. Полагаем, что на сервер поступают данные о трех объектах от двух источников. Наряду с кинематическими характеристиками в сообщениях содержится признаковая информация. К признаковой информации относятся: • номер трассы, присваиваемый источником (РЛС); • номер или признак РЛС, определяемый по номеру некоммутируемого канала передачи данных; • признак определения государственной принадлежности; • тип воздушного объекта, распознаваемый РЛС, и другие признаки. Пусть на сервер поступает повторное сообщение о ранее обнаруженном объекте. Покажем возможность обновления данных об объекте только с использованием признаковой информации без реализации этапа объединения в полном объеме. Для этого достаточно определить столбцы исходной матрицы сервера А и результирующей матрицы сервера В, которые подлежат замене. Матрица А содержит значения координат и составляющих скоростей. В каждый столбец матрицы А добавим элемент с номером трассы, присвоенном РЛС. Совместно с номером канала передачи данных или номером РЛС номер трассы образует дополнительный индивидуальный признак объекта. Для m источников исходная матрица А сервера имеет вид x1(1) ... xN(1)1

x1(2) ... xN(2)2 ... x1(m) ... xN(m)m

y1(1) ... yN(1)1

y1(2) ... yN(2)2 ... y1(m) ... yN(m)m

z1(1)

...

z N(1)1

z1(2)

...

z N(2)2

...

z1(m)

...

z N(m)m

A = Vx(1) ... Vx(1) Vx(2) ... Vx(2) ... Vx(m) ... Vx(m) , (19) 1 N 1 N 1 Nm 1

Vy(1) 1

...

Vy(1) N1

Vy(2) 1

...

Vy(2) N2

... Vy(m) ... Vy(m) 1 Nm

Vz(1) ... Vz(1) Vz(2) ... Vz(2) ... Vz(m) ... Vz(m) 1 N 1 N 1 Nm 1

n1(1)

...

nN(1)1

n1(2)

...

nN(2)2

... n1(m) ... nN(m)m

где n(i) ∈ {n1(i), nNm(i)} – номера трасс, присваиваемые i-й РЛС (для i∈ {1, m}). В том случае, когда серверу выдает информацию только один источник, данные в столбцах исходной матрицы А(1) обновляются по мере их поступления от этого источника. Обновление происходит, если номер трассы, присвоенный источником, совпадает Technologies and production

с номером трассы, имеющимся на сервере в матрице А(1). При поступлении данных от m источников осуществляется сравнение номеров источников и трасс вновь поступивших данных и данных, хранящихся на сервере. Пусть имеются исходная булева матрица сервера С и результирующая матрица сервера В, сформированные ранее, до поступления сообщения о ранее обнаруженном объекте. Предположим, что исходная булева матрица C=||Сij||, где Сij∈ {0, 1}, причем Сij = 1 при условии, что сообщение Jj не участвовало в процедуре объединения, и Сij = 0 в противном случае. Дополним эту матрицу снизу строкой для номеров сообщений, значения элементов которой соответствуют значениям элементов столбцов Cx1(1) ... CxN(1)1 Cx1(2) ... CxN(2)2 ... Cx1(m) ... CxN(m)m Cy1(1) ... CyN(1)1

Cy1(2) ... CyN(2)2 ... Cy1(m) ... CyN(m)m

Cz1(1) ... CzN(1)1

Cz1(2) ... CzN(2)2 ... Cz1(m) ... CzN(m)m

C = CVx(1) ... CVx(1)N CVx(2) ... CVx(2) ... CVx(m) ... CVx(m) . (20) 1 1 N 1 Nm 1

CVy(1) 1

...

CVy(1)N 1

CVy(2) 1

...

CVy(2) N2

... CVy(m) ... CVy(m) 1 Nm

CVz(1) ... CVz(1) CVz(2) ... CVz(2) ... CVz(m) ... CVz(m) 1 N 1 N 1 Nm 1

Cn1(1)

...

CnN(1)1

Cn1(2)

...

CnN(2)2

... Cn1(m) ... CnN(m)m

Результирующая матрица сервера В, подобно случаю, рассмотренному ранее на рис. 5, будет равна: B = (A ⊗ C)E 2 .

(21)

Отметим, что столбцы результирующей матрицы В содержат информацию из исходной матрицы А после этапа объединения. x1(1) ... xN(1)1

x1(2) ... xN(2)2 ... x1(q) ... xN(q)q

y1(1) ... yN(1)1

y1(2) ... yN(2)2 ... y1(q) ... yN(q)q

z1(1) ... z N(1)1

z1(2) ... z N(2)2 ... z1(q) ... z N(q)q

B = Vx(1) ... Vx(1) Vx(2) ... Vx(2) ... Vx(q) ... Vx(q) . (22) 1 N 1 N 1 Nq 1

Vy(1) 1

...

Vy(1) N1

Vy(2) 1

...

Vy(2) N2

... Vy(q) ... Vy(q) 1 Nq

Vz(1) ... Vz(1) Vz(2) ... Vz(2) ... Vz(q) ... Vz(q) 1 N 1 N 1 Nq 1

n1(1)

...

nN(1)1

n1(2)

...

nN(2)2

... n1(q) ... nN(q)q

Здесь nB(i) ∈ {n1(i), nNq(i)} – номера трасс, присваиваемые i-й РЛС (для i = 1, q ), где N1 – число трасс, поступивших от первого источника, Nq – число трасс, поступивших от q-го источника. В общем случае в результирующей матрице В, по сравнению с исходной матрицей А, после 107

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 объединения число источников qВ и число сообщений MB меньше или равно соответствующему числу источников mA и сообщений MA: qB ≤ mA ; M B ≤ M A .

(23)

Число сообщений об объектах (столбцов результирующей матрицы В) равно i

M B = M A − k = ∑ ∑n (Ni )m −k,

(24)

где k – число сообщений (столбцов матрицы А), не вошедших в матрицу В по результатам объединения. Пусть сообщение от источника r (r∈{1, q}) с некоторым номером трассы nNlr (Nl – номер трассы, выдаваемой r-м источником) и признаком ранее обнаруженного объекта поступает на сервер, на котором имеются данные об этой трассе. Проведем поиск столбца по номеру трассы и номеру источника в строках матриц А и С, содержащих эти данные. Наличие совпадения указывает на необходимость обновления соответствующего столбца в матрицах А и С. После обновления матриц А и С, если в соответствующем столбце матрицы С, показывающем результат объединения сообщений, значения элементов данных равны единице, производится поиск и обновление данных в результирующей матрице В. Если же значения элементов равны нулю, то данных по этому объекту в матрице В не будет, так как в результате объединения данные по нему не вошли в результирующую матрицу. В этом случае, если от источника r выдавались сообщения с номером трассы nNlr, в результирующей матрице В данных от источника r также не будет. Аналогично обновляются матрицы сервера по другой признаковой информации. Для этого введем в исходную матрицу А, исходную булеву матрицу С и результирующую матрицу В снизу строки, содержащие информацию о государственной принадлежности и о классе воздушного объекта: x1(1) ... xN(1)1

x1(2) ... xN(2)2 ... x1(m) ... xN(m)m

y1(1) ... yN(1)1

y1(2) ... yN(2)2 ... y1(m) ... yN(m)m

z1(1) ... z N(1)1

z1(2) ... z N(2)2 ... z1(m) ... z N(m)m

Vx(1) ... Vx(1) Vx(2) ... Vx(2) ... Vx(m) ... Vx(m) 1 N 1 N 1 Nm 1

Vy(1) 1

...

Vy(1) N1

Vy(2) 1

...

Vy(2) N2

... Vy(m) ... Vy(m) . (25) 1 Nm

Vz(1) ... Vz(1) Vz(2) ... Vz(2) ... Vz(m) ... Vz(m) 1 N 1 N 1 Nm 1

n1(1)

...

nN(1)1

n1(2)

...

nN(2)2

... n1(m) ... nN(m)m

f1(1) ... fN(1)1

f1(2) ... fN(2)2 ... f1(m) ... fN(m) m

g1(1) ... gN(1)1

g1(2) ... gN(2)2 ... g1(m) ... gN(m)m

108

Элементы строки f матрицы А (f1(1), …, fNm(m)) принимают значения в соответствии с информацией опознавания, а элементы строки g матрицы А (g1(1), …, gNm(m)) – признака класса объекта. Следует отметить, что в сообщениях имеется и другая информация, которая может быть использована при обработке для повышения качества РЛИ. Таким образом, разработанный способ обработки с применением матриц позволяет обновлять РЛИ на сервере, не прибегая к этапу точного отбора (этапу объединения, рис. 1) [6]. Применение этого частного способа обработки может сократить время обработки и обновления информации в массивах сервера. Помимо указанных, существуют и другие возможности оптимизации вычислений матричным методом, например, при выходе из строя канала передачи данных от источника на сервер, при формировании матриц с РЛИ, предназначенной для выдачи потребителю, и ряд других. В целом представленная последовательность вычислений дает определенное понимание выбранных способов обработки РЛИ методами матричной алгебры. Укрупненный алгоритм третичной обработки для случая представления массивов данных матрицами и соответствующими операциями, разработанными ранее, показан на рис. 6. Результаты моделирования С точки зрения организации вычислительного процесса и использования вычислительного ресурса очевидно, что не все операции с матрицами будут оптимальны. Например, формирование вспомогательных матриц при замене столбца требует значительно больше вычислительного ресурса, чем поэлементная замена. Возможно, оптимальность по времени обработки может быть достигнута несколькими способами: комбинирование способов обработки с матричной замены и поэлементного поиска по различным операциям, применение других видов матриц и способов обработки для оптимизации вычислений, применение параллельных вычислений. Отметим, что планируемые к обработке динамические массивы данных достаточно большие, порядка нескольких тысяч элементов (воздушных объектов). Обоснование количества ВО выходит за рамки данной статьи. Моделирование проводилось в пакете MatLab R2015a на ЭВМ с процессором Intel I7 и тактовой частотой 3,4 ГГц на каждое из четырех ядер. Сравнивались две процедуры формирования результирующей матрицы сервера из исходной матрицы сервера по времени выполнения. Первая процедура состояла из двух этапов. На первом этапе производился поиск методом Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Прием сообщения о ВО, пересчет координат / Receiving an AO message, recalculating coordinates

Новое сообщение о ВО / New message about the AO

Повторное сообщение о ВО / Repeated message about the AO

Экстраполяция сообщений о ВО, прошедших предварительный отбор / Extrapolation of preselected AO messages

ИБМ сервера без изменений / Server SBM without changes

Формирование Нет / No нового столбца Точный отбор (объединение) / в РМ сервера / Precise selection Creating a new (merging) column in the server RM Да / Yes

Формирование нового столбца в ИБМ сервера / Creating a new column in the server SBM

Нет / No СКО точнее или нет / RMS more precise or not Да / Yes Замена столбца в РМ / Replacing a column in RM

РМ сервера с обновленным столбцомсообщением / Server RM with updated message column

Поэлементный поиск в ИМ, РМ / Elementwise search in SM, RM

Предварительный отбор / Preliminary selection

Замена столбца в ИМ источника и сервера / Replacing a column in the source SM and server

Замена столбца в РМ сервера / Replacing a column in the server RM

Формирование нового столбца в ИМ, ИБМ / Creating a new column in SM, SBM

РМ, ИБМ сервера с обновленным столбцомсообщением / Server RM, SBM with updated message column

Замена столбца в ИБМ сервера / Replacing a column in the server SBM

РМ, ИБМ сервера без изменений / Server RM, SBM without changes

4 РМ, ИБМ сервера с новым столбцом / Server RM, SBM with a new column

Выдача в сеть и/или потребителю / Delivery to the network and/or consumer

Рисунок 6. Укрупненный алгоритм третичной сетевой обработки на сервере с массивами данных в виде матриц: ИМ – исходная матрица, РМ – результирующая матрица, ИБМ – и сходная булева матрица. Поэлементный поиск для этапа предварительного отбора вследствие большого количества вычислений при операциях с матрицами оставлен без изменений Figure 6. An enlarged algorithm for tertiary network processing on a server with data arrays in the form of matrices: SM – the source matrix, RM – the resulting matrix, SBM – source Boolean matrix. The elementwise search for the preselection stage is left unchanged due to a large number of calculations during operations with matrices

последовательного поэлементного поиска того столбца в исходном и выходном (результирующем) массиве сервера (рис. 2, ветвь алгоритма 1), который подлежит замене. На втором этапе производилась замена этого столбца из шести элементов (координаты и составляющие скоростей ВО) на обновленные значения также путем последовательного присвоения значений элементам массива данных. Вторая процедура (рис. 6, ветвь алгоритма 1) выполнялась в соответствии с алгоритмами, приведенными на рис. 3–5. Для сокращения времени на операцию матричного перемножения B1E2 было учтено наличие в матрицах большого числа нулевых значений. Поэлементные произведения с хотя Technologies and production

бы одним нулевым множителем вообще не выполнялись, но их результат учитывался при помощи логических операций. Время выполнения каждой из процедур засекалось и измерялось в микросекундах с помощью команд «tic» и «toc». На рис. 7 приведен график зависимости затраченного времени от числа ВО, трассы которых требуют обновления в результирующей матрице сервера. Моделирование проводилось исходя из наличия трех источников РЛИ. Анализ рис. 7 показывает, что при относительно небольшом числе трасс (200–300) время обработки массивов данных разными способами отличается незначительно. Отметим, что это число воздушных объектов является типовым для большинства 109

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Время на замену столбца, мкс / Time for column replacement, µs

6000

5000

Поэлементная замена / Elementwise replacement Матричная замена / Matrix replacement

4000

3000

2000

1000

2000

3000

4000

5000

Число трасс в матрице сервера, шт. / A number of routes in the server matrix, pcs.

Рисунок 7. Зависимость времени обработки массивов данных от числа обрабатываемых трасс воздушных объектов, полученная методами поэлементной и матричной замены Figure 7. The dependence of the processing time of data arrays on the number of processed routes of air objects, obtained by the elementwise and matrix substitution methods

существующих РЛС. Вместе с тем, при увеличении числа объектов до 5000 наблюдается резкое отличие времени обработки с помощью матриц от традиционного способа. Значимый выигрыш во времени обработки и в вычислительном ресурсе наблюдается после увеличения числа обрабатываемых трасс от 1000 до 5000 и более.

Выводы Применение матриц и математического аппарата матричной алгебры для обработки массивов динамически изменяющихся данных на примере третичной обработки радиолокационной информации показывает, что, в соответствии с предположениями, эффективность обработки (относительное уменьшение времени обработки и экономия вычислительного ресурса) с применением матриц по сравнению с поэлементным поиском и заменой действительно растет пропорционально количеству сообщений, поступающих на устройство обработки информации. В существующих устройствах сбора и обработки РЛИ количество сообщений, как правило, не превышает нескольких сотен, поэтому выигрыш во времени обработки незначителен (см. рис. 7). Ситуация изменяется, если появляется необходимость обработки значительно большего количества сообщений от источников РЛИ. Такое количество сообщений вполне достижимо в современных многодиапазонных и многолучевых комплексах различного назначения [8], в ситуациях сложной помеховой обстановки [9] и тем более в информационных системах сетевой структуры, объединяющих большое количество источников [5, 10]. Таким образом, применение матриц и математического аппарата матричной алгебры для обработки массивов динамически изменяющихся данных позволяет уменьшить время обработки и сэкономить вычислительный ресурс при обработке массивов динамически изменяющихся данных размером в несколько тысяч элементов и более. Предложенный матричный метод организации вычислений может найти свое место и в моделировании сложных информационных систем.

Список ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Кузьмин С. З. Основы цифровой обработки радиолокационной информации. М.: Сов. радио, 1974. 432 с. 2. Охрименко А. Е. Основы обработки и передачи информации. Минск: МВИЗРУ ПВО, 1990. 180 с. 3. Фарина А., Студер Ф. Цифровая обработка радиолокационной информации. Сопровождение целей. М.: Радио и связь, 1993. 319 с. 4. Патент РФ RU2645154C1. Устройство обработки РЛИ в сетевой информационной структуре автоматизированной системы управления / Д. А. Пальгуев, А. А. Таныгин, А. С. Радаева, заявитель и патентообладатель Нижегородский научно-исслед. ин-т радиотехники. Заявл. 02.10.2012, опубл. 10.03.2013. 9 с. 5. Патент РФ RU102269U1. Автоматизированная система передачи радиолокационной информации / Д. А. Пальгуев, А. А. Таныгин, заявитель и патентообладатель Нижегородский научно-исслед. ин-т радиотехники. Заявл. 07.09.2010, опубл. 20.02.2011. 2 с. 6. Патент РФ RU2461843C1. Способ обработки радиолокационной информации в сетевой информационной структуре автоматизированной системы управления / Д. А. Пальгуев, А. А. Таныгин, заявитель и патентообладатель Нижегородский научно-исслед. ин-т радиотехники. Заявл. 29.04.2011, опубл. 20.09.2012. 7 с. 7. Магнус Я. Р. Матричное дифференциальное исчисление с приложениями к статистике и эконометрике. М.: Физикоматематическая литература, 2002. 495 с. 8. Многолучевые радиолокаторы в составе охранных комплексов. Антитеррор / А. А. Лавров, И. К. Антонов, И. С. Ненашев, С. А. Чернов. М.: Радиотехника, 2017. 216 с. 9. Фитасов Е. С. Адаптивный алгоритм пеленгации источников шумовых активных помех с использованием оценки квантилей статистического распределения процесса // Вестник Поволжского государственного технологического университета. Сер.: Радиотехнические и инфокоммуникационные системы. 2017. № 1 (33). С. 18–25. 10. Multi-radar tracker (MRT). Northropgrumman [Электронный ресурс]. URL: https://ru.scribd.com/document/226722407/ Multi-Radar-Tracker-MRT (дата обращения: 26.07.2020).

110

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 REFERENCES 1. Kuzmin S. Z. Osnovy tsifrovoi obrabotki radiolokatsionnoi informatsii [Fundamentals of digital processing of radar information]. Moscow, Sovetskoe Radio Publ., 1974. 432 p. (In Russian). 2. Okhrimenko A. E. Osnovy obrabotki i peredachi informatsii [Fundamentals of information processing and transmission]. Minsk, MVIZRU PVO Publ., 1990. 180 p. (In Russian). 3. Farina A. Studer F. Tsifrovaya obrabotka radiolokatsionnoi informatsii. Soprovozhdenie tselei [Digital processing of radar information. Target tracking]. Moscow, Radio and Communications Publ., 1993. 319 p. (In Russian). 4. Patent RF no. RU2645154C1. Ustroistvo obrabotki RLI v setevoi informatsionnoi strukture avtomatizirovannoi sistemy upravleniya [Radar processing device in the network information structure of an automated control system]. D. A. Palguev, A. A. Tanygin, A. S. Radaeva, applicant and patent holder Nizhny Novgorod Scientific Research Institute of Radio Engineering, declared 02.10.2012, published 10.03.2013, 9 p. (In Russian). 5. Patent RF no. RU102269U1. Avtomatizirovannaya sistema peredachi radiolokatsionnoi informatsii [Automated system for transmitting radar information]. D. A. Palguev, A. A. Tanygin, applicant and patent holder Nizhny Novgorod Scientific Research Institute of Radio Engineering, declared 07.09.2010, published 20.02.2011, 2 p. (In Russian). 6. Patent RF no. RU2461843C1. Sposob obrabotki radiolokatsionnoi informatsii v setevoi informatsionnoi strukture avtomatizirovannoi sistemy upravleniya [A method for processing radar information in the network information structure of an automated control system]. D. A. Palguev, A. A. Tanygin, applicant and patent holder Nizhny Novgorod Scientific Research Institute of Radio Engineering, declared 29.04.2011, published 20.09.2012, 7 p. (In Russian). 7. Magnus J. R. Matrichnoe differentsialnoe ischislenie s prilozheniyami k statistike i ehkonometrike [Matrix differential calculus with applications to statistics and econometrics]. Moscow, Physics and Mathematics Publ., 2002. 495 p. (In Russian). 8. Lavrov A. A. Antonov I. K., Nenashev I. S., Chernov S. A. Mnogoluchevye radiolokatory v sostave okhrannykh kompleksov. Antiterror [Multipath radars as part of security systems. Anti-terror]. Moscow, Radio engineering Publ., 2017. 216 p. (In Russian). 9. Fitasov E. S. Adaptive algorithm for direction finding of sources of noise-active interference using quantile estimation of the statistical distribution of the process. Vestnik Povolzhskogo gosudarstvennogo tekhnologicheskogo universiteta. Seriya Radiotekhnicheskie i infokommunikatsionnye sistemy, 2017, no. 1 (33), pp. 18–25. (In Russian). 10. Multi-radar tracker (MRT). Northropgrumman. Available at: https://ru.scribd.com/document/226722407/Multi-Radar-TrackerMRT (accessed 26.07.2020).

ИНФОРМАЦИЯ ОБ АВТОРАХ Пальгуев Дмитрий Анатольевич, к. т. н., доцент, радиофизический факультет, кафедра радиотехники, ФГАУ ВО «Национальный исследовательский Нижегородский государственный университет им. Н. И. Лобачевского» (ННГУ), 603950, Нижний Новгород, пр. Гагарина, 23, тел.: +7 (831) 462‑32‑72, e-mail: dmi-palguev@yandex.ru. Шентябин Александр Николаевич, к. в. н., руководитель службы, АО «Научно-исследовательский институт вычислительных комплексов им. М. А. Карцева» (НИИВК), 117437, Москва, ул. Профсоюзная, д. 108, тел.: +7 (495) 330‑09‑29, e-mail: ale1284@yandex.ru.

AUTHORS Dmitry A. Palguev, Ph.D. (Engineering), associate professor, radiophysics faculty, Department of Radio Engineering, Lobachevsky State University of Nizhny Novgorod (UNN), 23, prospekt Gagarina, Nizhny Novgorod, 603950, Russia, tel.: +7 (831) 462‑32‑72, e-mail: dmi-palguev@yandex.ru. Alexandr N. Shentyabin, Ph.D. (Military), head of service, M. A. Kartsev Scientific and Research Institute of Computing Systems, 108, Profsoyuznaya ulitsa, Moscow, 117437, Russia, tel.: +7 (495) 330‑09‑29, e-mail: ale1284@yandex.ru. Поступила 18.03.2020; принята к публикации 01.06.2020; опубликована онлайн 07.09.2020. Submitted 18.03.2020; revised 01.06.2020; published online 07.09.2020.

Technologies and production

111

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-112-126 УДК 004.89

Исследование возможностей аналитической системы на основе метода машинного обучения С. В. Пальмов1, 2 1

ФГБОУ ВО «Поволжский государственный университет телекоммуникаций и информатики», Самара, Россия 2 ФГБОУ ВО «Самарский государственный технический университет», Самара, Россия

Анализ данных, осуществляемый средствами машинного обучения, необходим практически во всех сферах жизнедеятельности человека. Это связано с большим объемом данных, которые нужно обрабатывать, чтобы, например, спрогнозировать возникновение конкретных событий (аварийная ситуация, обращение клиента в техническую поддержку организации, природный катаклизм и т. д.) или сформулировать рекомендации относительно взаимодействия с определенной группой лиц (персонифицированные предложения для клиента, реакция человека на рекламу и т. д.). Статья посвящена рассмотрению возможностей аналитической системы «Мультитул», созданной на основе метода машинного обучения «дерево решений», в части построения прогностических моделей, пригодных для решения задач анализа данных на практике. С этой целью была проведена серия из десяти экспериментов, в ходе которых результаты, формируемые системой, оценивались с точки зрения их достоверности и робастности посредством пяти критериев: среднее арифметическое, среднеквадратическое отклонение, дисперсия, вероятность и F-мера. В итоге было установлено, что «Мультитул», несмотря на пока ограниченный функционал, позволяет создавать прогностические модели, достаточно качественные и подходящие для практического применения. Ключевые слова: машинное обучение, искусственный интеллект, анализ данных, аналитическая система Для цитирования: Пальмов С. В. Исследование возможностей аналитической системы на основе метода машинного обучения // Радиопромышленность. 2020. Т. 30, № 3. С. 112–126. DOI: 10.21778/2413‑9599‑2020‑30‑3-112-126 © Пальмов С. В., 2020

112

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Studying the capabilities of the analytical system based on the machine learning method S. V. Palmov1,2 1 2

Povolzhskiy State University of Telecommunications and Informatics, Samara, Russia Samara State Technical University, Samara, Russia

Data analysis carried out by machine learning tools has covered almost all areas of human activity. This is due to a large amount of data that needs to be processed in order, for example, to predict the occurrence of specific events (an emergency, a customer contacting the organization’s technical support, a natural disaster, etc.) or to formulate recommendations regarding interaction with a certain group of people (personalized offers for the customer, a person’s reaction to advertising, etc.). The paper deals with the possibilities of the Multitool analytical system, created based on the machine learning method «decision tree», in terms of building predictive models that are suitable for solving data analysis problems in practical use. For this purpose, a series of ten experiments was conducted, in which the results generated by the system were evaluated in terms of their reliability and robustness using five criteria: arithmetic mean, standard deviation, variance, probability, and F-measure. As a result, it was found that Multitool, despite its limited functionality, allows creating predictive models of sufficient quality and suitable for practical use. Keywords: machine learning, artificial intelligence, data analysis, analytical system For citation: Palmov S. V. Studying the capabilities of the analytical system based on the machine learning method. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 112–126. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-112-126

Введение В современном мире технологии, ориентированные на анализ данных, развиваются быстрыми темпами, что свидетельствует о перспективности этого направления. Лидирующее место здесь занимают подходы, основывающиеся на машинном обучении, а также на его «потомках», например, глубокое обучение (deep learning) или большие данные (big data). Однако для эффективного решения задач анализа данных не обязательно использовать самые современные интеллектуальные технологии. «Классические» методы машинного обучения при грамотном применении способны давать результаты, не уступающие результатам применения более новых разработок. Причины этого заключаются в следующем: 1. Эффективная предобработка данных часто позволяет значительно уменьшить число полей, что ведет к повышению скорости выполнения алгоритмов (методов). 2. Качественно сформированная выборка может позволить заметно уменьшить количество объектов (записей) в массиве данных, снизив тем самым временные затраты на анализ при нулевом или незначительном ухудшении характеристик прогностических (классификационных) моделей. Technologies and production

3. К искусственному интеллекту, включающему в себя все вышеперечисленные подходы, неприменимо понятие «неэффективный метод». Метод – неважно, насколько он сложен или нов, – лишь инструмент, который необходимо использовать для решения задач анализа данных. Практическое применение методов машинного обучения, как правило, предполагает их реализацию в рамках некой программной системы. Это позволяет упростить процессы, связанные с подбором «нужного» метода и его конкретных настроек. Таким образом, задача разработки программного продукта на основе машинного обучения, предназначенного для решения практических задач анализа данных, является актуальной. К настоящему моменту времени создано большое количество аналитических систем (АС) различных типов: свободно распространяемых и нет, реализующих один или множество типов методов машинного обучения, специализированных и универсальных и т. д. Все они обладают определенными достоинствами и недостатками. Программное обеспечение (АС «Мультитул»), рассматриваемое в данной статье, пока находится на ранних стадиях разработки. Существующая версия программы – первая, и обладает минимальным количеством функций. Поэтому в настоящий 113

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 момент трудно сравнивать ее с аналогами, представленными на рынке. Однако и в текущем виде, как демонстрируется далее, «Мультитул» может быть успешно использован в следующих случаях:

• среднее арифметическое (среднее).

1. Решение практических задач анализа данных. 2. Использование в учебном процессе вузов при проведении курсов, связанных с изучением методов искусственного интеллекта и машинного обучения.

Функции и структура системы «Мультитул» АС «Мультитул» (ver. 1.0) обладает следующими функциями:

Целью статьи является демонстрация возможностей АС «Мультитул» в части формирования прогнозов посредством машинного обучения. Это требует решения следующих задач: 1. Описание функций АС. 2. Представление структуры АС. 3. Проведение серии экспериментов, направленных на формирование оценки прогностических возможностей АС. Методы, используемые в АС «Мультитул» В настоящее время в «Мультитул» реализован только один метод машинного обучения – «дерево решений» [1]. При разработке АС использовался язык Python [2] (ver. 3.8), включая ряд его библиотек и модулей, информация о которых представлена в табл. 1. Для оценки качества формируемых моделей использовались следующие метрики: • • • •

вероятность (classification accuracy) [3]; F-мера (F-measure, F1) [4]; среднеквадратическое отклонение (СКО); дисперсия;

Написание и отладка кода производились в интегрированной среде разработки IDLE (входит в дистрибутив Python).

1. Построение прогностической модели на основе метода «дерево решений». 2. Сохранение построенной модели для последующего использования. 3. Загрузка ранее сохраненной модели. 4. Формирование прогноза значений целевой переменной при помощи построенной модели для одного или множества объектов (записей). Алгоритм работы АС (диаграмма деятельности, выполненная посредством CASE-средства StarUML 3.2.2) представлен на рис. 1. Приведем возможные сценарии работы приложения для каждой из перечисленных функций, основываясь на рис. 1. 1. Построение прогностической модели на основе метода «дерево решений». Типичный сценарий: Отобразить главное окно → G → Загрузить данные → Задать настройки → С → Построить модель. Альтернативы: • Если АС уже запущена, то первые два шага отсутствуют. • Если выбраны настройки по умолчанию, то после загрузки данных сразу осуществляется переход к построению модели.

Таблица 1. Библиотеки и модули Table 1. Libraries and modules

Название библиотеки / модуля / Name of the library / module

Краткое описание / Brief description

scikit-learn (ver. 0.22.2) [5]

Библиотека, содержащая инструменты для анализа данных с помощью методов математической статистики и машинного обучения / Library containing mathematical statistics and machine learning based tools for data analysis

numpy (ver. 1.18.2) [6]

Библиотека, ориентированная на работу с массивами. Входит в состав scikit-learn / Library focused on working with arrays. Part of scikit-learn

tkinter (ver. 8.6) [7] pickle (ver. 4.0)

114

Графическая библиотека. Входит в состав стандартной библиотеки Python / Graphics library. Included in the Python standard library Модуль, позволяющий сохранять в файл и загружать из файла сложные объекты / Module that allows saving/loading complex objects to/from a file

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020

Отобразить главное окно / Display the main window A B

G G

F C

Загрузить модель / Load a model

Загрузить данные / Load data

Загрузить настройки / Load settings

Построить модель / Build a model

C B F

Ввести значения входных переменных / Enter the values of input variables

E Множество объектов / Set of objects

Сформировать и вывести прогноз для одного объекта / Generate and output a prediction for a single object

Один объект / Single object Множество объектов тест / Multiple test objects

Загрузить данные для прогнозирования / Load data for prediction

Выбрать файл для сохранения рез-ов / Select a file to save results Сформировать прогноз и сохранить в файл / Generate a prediction and save it to a file

Загрузить данные для прогнозирования вместе с целевой переменной / Load prediction data along with the target variable

Выбрать файл для сохранения рез-ов / Select a file to save results

Ввести данные для прогнозирования / Enter data for prediction

B D

Сформировать прогноз и вывести на экран / Generate a prediction and display it on the screen

Сохранить модель в файл / Save the model to a file

B Сформировать прогноз и сохранить в файл / Generate a prediction and save it to a file

B Рассчитать и вывести значения метрик / Calculate and output metric values

Рисунок 1. Диаграмма деятельности аналитической системы «Мультитул» Figure 1. Activity diagram of the Multitool system

2. Сохранение построенной модели для последующего использования. Типичный сценарий: B → D → Сохранить модель в файл. 3. Загрузка ранее сохраненной модели. Типичный сценарий: Отобразить главное окно → G → Загрузить модель. Альтернативы: • Если АС уже запущена, то первые два шага отсутствуют.

Technologies and production

4. Формирование прогноза значений целевой переменной при помощи построенной модели для одного или множества объектов (записей). Здесь возможны два типичных сценария: выработка прогноза для одного или множества объектов. Типичный сценарий № 1: [модель построена или загружена] → B → [один объект] → Ввести данные для прогнозирования → Сформировать прогноз и вывести на экран.

115

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Типичный сценарий № 2: [модель построена или загружена] → B → [множество объектов] → Загрузить данные для прогнозирования → Выбрать файл для сохранения результатов → Сформировать прогноз и сохранить в файл. Альтернативы: АС обладает возможностью тестирования создаваемых моделей. Для этого может быть использован файл с обучающими данными (тестирование на обучающем множестве) или новый файл (тестирование на тестовом множестве). В обеих ситуациях сценарий будет одинаков: [модель построена или загружена] → B → [множество объектов тест] → Загрузить данные для прогнозирования вместе с целевой переменной → Выбрать файл для сохранения результатов → Сформировать прогноз и сохранить в файл → Рассчитать и вывести значения метрик. Интерфейс программы (схематично) представлен на рис. 2. Интерфейс АС состоит из 23 элементов. Кратко рассмотрим их. 1. Кнопка (button) «Загрузить данные» загружает данные из файла для построения прогностической модели (дерева решений). 2. Кнопка «Построить модель» строит прогностическую модель. 3. Кнопки «Сформировать прогноз для множества объектов» и «Сформировать прогноз для одного объекта» предназначены для выработки соответствующих прогнозов.

4. Флажок (checkbutton) «Проверить модель на данных с известными значениями целевой переменной»: если он отмечен, то активируется режим тестирования создаваемых моделей. 5. Кнопки «Загрузить модель из файла» и «Сохранить модель в файл» предназначены для загрузки и сохранения прогностических моделей. 6. Два однострочных текстовых поля (entry), расположенные ниже кнопки формирования прогноза для одного объекта. Первое предназначено для ввода значений входных переменных объекта, для которого требуется спрогнозировать значение целевой переменной. Значения отделяются пробелами; десятичный разделитель – точка. Второе используется для вывода результата прогнозирования в следующем формате: z1; z2. Сначала выводится значение спрогнозированной целевой переменной (z1). После него, через точку с запятой, отображается вероятность принадлежности к классу (z2). Например, если целевая переменная может принимать пять значений, а согласно прогнозу АС, объект принадлежит к классу № 1 (нумерация ведется с нуля), то указанное поле будет иметь следующий вид: 0; 1 0 0 0 0. Если объект может принадлежать разным классам с некоторой вероятностью, то результат, например, может выглядеть так: 0; 0.8 0.2 0 0 0. 7. Метка (label) «Строка информации» предназначена как для вывода «служебной» информации, касающейся процесса работы с АС (например, «Данные загружены» или «Модель построена»),

Загрузить данные / Load data

Загрузить модель из файла / Load a model from a file

Построить модель / Build a model

Сохранить модель в файл / Save the model to a file

Сформировать прогноз для одного объекта / Generate a prediction for a single object

Сформировать прогноз для множества объектов / Generate a prediction for a set of objects

Проверить модель на данных с известными значениями целевой переменной / Test the model against data with known values of the target variable Ограничить число уровней дерева (оставить пустым – без ограничений) / Limit the number of tree levels (leave empty – no restrictions)

Введите значения входных переменных / Enter the values of the input variables

Прогноз для одного объекта: / Prediction for a single object:

Минимальное число объектов в узле для разбиения (оставить пустым – 2 объекта) / The minimum number of objects in the node for split (leave empty – 2 objects) Минимальное число объектов в узле, чтобы он стал листом (оставить пустым – 1 объект) / The minimum number of objects in a node to make it a leaf (leave empty – 1 object) Выберите критерий разбиения / Select the split criteria gini Выберите способ разбиения / Select the split method best Выберите способ расчета F-меры / Select the method for calculating the F-measure macro Строка информации / Information string

Рисунок 2. Интерфейс аналитической системы «Мультитул» Figure 2. Multitool system graphical user interface

116

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 так и результатов работы системы (например, здесь отображаются значения метрик, полученные в режиме тестирования создаваемых моделей, или параметры построенной модели, такие как глубина дерева и число листьев в дереве). 8. Остальные элементы используются для задания настроек модели. Файлы, содержащие данные для построения модели и/или ее проверки, должны иметь следующую структуру строк (объектов): x1,…, xn, y, где xn – поля, содержащие значения входных переменных; y – поле, содержащее значения целевой переменой. Значения всех полей должны быть числовыми (целыми или с дробной частью, отделяемой точкой); расширение файла –.txt. В результате выработки прогноза для множества объектов формируется файл, каждая строка которого, кроме первой, содержащей имена полей, имеет следующую структуру: x1,…, xn, z1, z2; расширение –.txt. Если активирован режим тестирования моделей, то структура строки изменяется: x1,…, xn, y, z1, z2; расширение –.txt. Экспериментальная оценка возможностей системы «Мультитул» Для оценки возможностей АС в части формирования прогнозов для множества объектов была проведена серия из десяти экспериментов. Исходные данные приведены ниже. Оценка качества прогностических моделей производилась посредством выборок, сформированных в АС «Orange» [8] на основании генеральных совокупностей (табл. 2). Для экспериментов №№ 1–9 было сгенерировано по три выборки каждого типа. Первый эксперимент отличается от последующих, поэтому он выделен в отдельную таблицу (см. табл. 3). В экспериментах №№ 2–10 обучение производилось на данных из табл. 2. В экспериментах №№ 1–9 используются настройки АС «Мультитул» по умолчанию (см. рис. 2). Остальные данные для обучения (З, С и Ч (%)), а также настройки системы, для эксперимента № 10 приведены далее, поскольку определяются на основании результатов экспериментов №№ 1–9. Результаты экспериментов представлены в табл. 5–16, 19–22. Эксперимент № 10 Проверим, как повлияет изменение настроек АС на качество формируемых моделей. Будут изменяться только значения настроек «Критерий разбиения» и «Способ разбиения» ввиду ограничений формата статьи. Technologies and production

Для этого выберем лучший и худший результаты среди экспериментов №№ 1–9. Первый, второй, третий и пятый из рассмотрения исключены, так как обладают максимальными значениями метрик, что делает невозможным оценку положительного воздействия. Выбор кандидатов для участия в эксперименте производился на основании следующих критериев (см. табл. 17). Как видно из таблицы, лучшая модель должна формировать максимально достоверные прогнозы и быть наиболее робастной среди рассматриваемых. Худшая – обладать противоположными «качествами». Согласно сформулированным критериям, лучший результат – четвертый эксперимент, худший – девятый (см. табл. 18). В ходе десятого эксперимента удалось добиться повышения качества моделей, однако размеры деревьев при этом выросли. Для лучшей модели наиболее эффективным является использование сочетания значений параметров «критерий разбиения» = «gini», «способ разбиения» = «random» (это отчетливо видно в табл. 20). Для худшей модели наиболее эффективным является использование сочетания значений параметров «критерий разбиения» = «entropy», «способ разбиения» = «best». В табл. 22 это ясно не просматривается, поэтому были рассчитаны средние значения метрик для каждой комбинации значений параметров (табл. 23). Выводы АС «Мультитул», как и было сказано в начале статьи, пока обладает небольшим числом функций и простой структурой. Однако, исходя из результатов экспериментов, можно утверждать, что система позволяет формировать достаточно качественные прогнозы (см. табл. 24), а следовательно, успешно решать практические задачи анализа данных и применяться в учебном процессе при преподавании дисциплин, рассматривающих методы искусственного интеллекта и машинного обучения. Дальнейшую работу по развитию АС предполагается вести в двух направлениях: 1. Увеличение числа используемых методов машинного обучения. 2. Автоматизация процессов анализа данных. Например, реализация дерева решений в библиотеке scikit-learn предусматривает по умолчанию рандомизацию модели при каждом ее построении. В текущей версии АС эта возможность отключена, поскольку было необходимо оценить качество создаваемых моделей. Указанная функция является полезной, поскольку способна 117

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица 2. Описание генеральных совокупностей Table 2. Description of entire assemblies

Название генеральной совокупности / Name of the entire assembly

Описание / Description

Ирисы (И) / Irises (I)

Стандартный набор данных «ирисы Фишера». Целевая переменная: «вид» Число записей, шт.: 150 Число классов, шт.: 3 Число полей, шт.: 5 / Standard data set «Fischer’s irises». Target variable: «view» Number of records, pcs.: 150 Number of classes, pcs.: 3 Number of fields, pcs.: 5

Вино (В) / Wine (W)

Данные физико-химического тестирования качества белых вин. Целевая переменная: «качество» Число записей, шт.: 4898 Число классов, шт.: 7 Число полей, шт.: 12 / Data on physical and chemical testing of the white wine quality. Target variable: «quality» Number of records, pcs.: 4898 Number of classes, pcs.: 7 Number of fields, pcs.: 12

Абоненты (А) / Subscribers (S)

Обезличенные данные абонентов телекоммуникационной компании. Целевая переменная: «средние расходы в месяц» Число записей, шт.: 4492 Число классов, шт.: 2* Число полей, шт.: 10** / Non-personal information of telecommunication company subscribers. Target variable: «average monthly expenses» Number of records, pcs.: 4492 Number of classes, pcs.: 2* Number of fields, pcs.: 10**

* Текущая версия АС «Мультитул» не поддерживает построение регрессионных моделей, поэтому потребовалась модификация целевой переменной. Средняя сумма расходов в месяц по всем абонентам равна, с округлением до ближайшего целого, 506 руб. Были созданы два новых класса: класс № 1 (значение целевой переменной = 0) образуют клиенты, чьи расходы не превышают указанное значение; класс № 2 – все остальные (значение целевой переменной = 1). ** Из оригинального набора удалено поле «Код», содержащее только уникальные значения. Таблица 3. Данные для обучения и тестирования (эксперимент № 1) Table 3. Data for training and testing (experiment No. 1)

Название параметра / Parameter name

Значение параметра / Parameter value

Данные для обучения / Training data

Генеральные совокупности / Entire assemblies

Данные для тестирования / Testing data

Замещение [9]: да Стратификация [10]: да Число записей в каждой выборке,%: 100 (от объема соответствующей генеральной совокупности) / Replacement [9]: yes Stratification [10]: yes Number of records in each sample,%: 100 (from the volume of the corresponding entire assembly)

118

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Таблица 4. Данные для обучения (эксперименты №№ 2–9) Table 4. Training data (experiments Nos. 2–9)

Номер эксперимента / Experiment number

Замещение / Replacement

Стратификация / Stratification

Число записей в каждой выборке, %* / The number of records in each sample, %* (from the volume of the corresponding entire assembly)

Да / Yes

100

Нет / No

Да / Yes

100

Да / Yes

Нет / No

100

Нет / No

100

Да / Yes

Нет / No

Да / Yes

Нет / No

* От объема соответствующей генеральной совокупности. Таблица 5. Характеристики моделей (эксперименты №№ 1–3, 5) Table 5. Model characteristics (experiments Nos. 1–3, 5)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

1281

125

Таблица 6. Результаты (эксперименты №№ 1–3, 5) Table 6. Results (experiments Nos. 1–3, 5)

Выборки / Samples

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И №№ 1–3 В №№ 1–3 А №№ 1–3

Таблица 7. Характеристики моделей (эксперимент № 4) Table 7. Model characteristics (experiment No. 4)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

И № 2

И № 3

В №№ 1–3

1281

А №№ 1–3

125

Technologies and production

119

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица 8. Результаты (эксперимент № 4) Table 8. Results (experiment No. 4)

Выборки / Samples

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9467

0,9466

И № 2

0,9867

И № 3

0,9600

В №№ 1–3 А №№ 1–3

Таблица 9. Характеристики моделей (эксперимент № 6) Table 9. Model characteristics (experiment No. 6)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

И № 2

И № 3

В № 1

711

В № 2

705

В № 3

704

А № 1 А № 2

А № 3

Таблица 10. Результаты (эксперимент № 6) Table 10. Results (experiments No. 6)

Выборки / Samples

120

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9733

И № 2

0,9867

И № 3

0,9800

В № 1

0,7817

0,7140

В № 2

0,7705

0,6613

В № 3

0,7701

0,6810

А № 1

0,9789

0,9753

А № 2

0,9766

0,9726

А № 3

0,9702

0,9651

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Таблица 11. Характеристики моделей (эксперимент № 7) Table 11. Model characteristics (experiment No. 7)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

В № 1

702

В № 2

686

В № 3

714

А № 1

А № 2

А № 3

И № 2 И № 3

Таблица 12. Результаты (эксперимент № 7) Table 12. Results (experiments No. 7)

Выборки / Samples

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9667

И № 2

0,9800

И № 3

0,9667

В № 1

0,7736

0,6355

В № 2

0,7748

0,6882

В № 3

0,7719

0,6567

А № 1 А № 2 А № 3

0,9752

0,9786

0,9750

0,9798

0,9761

Таблица 13. Характеристики моделей (эксперимент № 8) Table 13. Model characteristics (experiment No. 8)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

И № 2

И № 3

В № 1

706

В № 2

700

В № 3

703

А № 1 А № 2 А № 3

Technologies and production

10 12

79 80 71

121

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица 14. Результаты (эксперимент № 8) Table 14. Results (experiments No. 8)

Выборки / Samples

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9667

И № 2

0,9733

И № 3

0,9867

В № 1

0,7731

0,6778

В № 2

0,7817

0,6485

В № 3

0,7748

0,6564

А № 1

0,9800

0,9767

А № 2

0,9764

0,9725

А № 3

0,9826

0,9798

Таблица 15. Характеристики моделей (эксперимент № 9) Table 15. Model characteristics (experiment No. 9)

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

В № 1

725

В № 2

700

В № 3

728

А № 1

А № 2

А № 3

И № 2 И № 3

Таблица 16. Результаты (эксперимент № 9) Table 16. Results (experiments No. 9)

Выборки / Samples

122

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9667

0,9666

И № 2

0,9600

И № 3

0,9800

В № 1

0,7648

0,6552

В № 2

0,7726

0,5795

В № 3

0,7826

0,6394

А № 1

0,9796

0,9762

А № 2

0,9802

0,9770

А № 3

0,9811

0,9780 Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Таблица 17. Критерии Table 17. Criteria

Название критерия / Criterion name

Формулировка критерия / Criterion statement

Лучший / Best

Pnср → 1, F1nср → 1, СКО Pnср → 0, СКО F1nср → 0, D Pnср → 0, D F1nср → 0*

Худший / Worst

Pnср → 0, F1nср → 0, СКО Pnср → 1, СКО F1nср → 1, D Pnср → 1, D F1nср → 1

* Pnср, F1nср – средние вероятность и F-мера для n-го эксперимента; СКО – среднеквадратическое отклонение; D – дисперсия.

Таблица 18. Сравнение моделей Table 18. Model comparison

№ эксперимента / Experiment No.

Pnср / F1nср

СКО Pnср / СКО F1nср

D Pnср / D F1nср

0,9787 / 0,9787

0,0217 / 0,0217

0,0005 / 0,0005

0,9098 / 0,8788

0,0961 / 0,1374

0,0092 / 0,0189

0,9079 / 0,8689

0,0952 / 0,1482

0,0091 / 0,0220

0,9106 / 0,8709

0,0950 / 0,1488

0,0090 / 0,0221

0,9075 / 0,8569

0,0952 / 0,1654

0,0091 / 0,0273

Таблица 19. Характеристики моделей (эксперимент № 10). Лучшая модель Table 19. Model characteristics (experiment No. 10). Best model

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

3 / 11 / 11*

4 / 14 / 14*

И № 2

5 / 12 / 9

9 / 16 / 16

И № 3

4/8/8

5/9/9

В №№ 1–3

23 / 25 / 28

1212 / 1852 / 1828

А №№ 1–3

13 / 23 / 22

114 / 243 / 250

* «Критерий разбиения» = «entropy», «способ разбиения» = «best» / «entropy», «random» / «gini», «random».

Таблица 20. Результаты (эксперимент № 10). Лучшая модель Table 20. Results (experiment No. 10). Best model

Выборки / Samples

Значения метрик / Metric values Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9467 / 0,9733 / 0,9733

0,9466 / 0,9733 / 0,9733

И № 2

0,9867 / 0,9867 / 1

И № 3

0,9600 / 0,9600 / 0,9600

0,9600 / 0,9600/ 0,9600

1/1/1

В №№ 1–3 А №№ 1–3

Technologies and production

123

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Таблица 21. Характеристики моделей (эксперимент № 10). Худшая модель Table 21. Model characteristics (experiment No. 10). Worst model

Название обучающего множества / Training set name

Глубина дерева / Tree depth

Число листьев, шт. / Number of leaves, pcs.

И № 1

5/9/9

7 / 13 / 13

И № 2

6 / 11 / 11

И № 3

4/9/6

5 / 10 / 12

В № 1

24 / 29 / 30

681 / 981 / 974

В № 2

21 / 24 / 28

673 / 1047 / 1021

В № 3

23 / 30 / 24

675 / 1000 / 1019

А № 1

10 / 17 / 17

70 / 132 / 144

А № 2

10 / 16 / 14

65 / 138 / 156

А № 3

12 / 15 / 16

77 / 152 / 162

Таблица 22. Результаты (эксперимент № 10). Худшая модель Table 22. Results (experiment No. 10). Worst model

Значения метрик / Metric values

Выборки / Samples

Вероятность / Classification accuracy

F-мера / F-measure

И № 1

0,9867 / 0,9867 / 0,9867

И № 2

0,9733 / 0,9533 / 0,9533

И № 3

0,9800 / 0,9733 / 0,9667

0,9800 / 0,9733 / 0,9666

В № 1

0,7758 / 0,7742 / 0,7771

0,6421 / 0,6508 / 0,6330

В № 2

0,7846 / 0,7813 / 0,7781

0,5858 / 0,5796 / 0,5798

В № 3

0,7764 / 0,7731 / 0,7711

0,6206 / 0,6554 / 0,6505

А № 1

0,9789 / 0,9764 / 0,9737

0,9753 / 0,9727 / 0,9697

А № 2

0,9820 / 0,9762 / 0,9728

0,9791 / 0,9723 / 0,9685

А № 3

0,9795 / 0,9764 / 0,9764

0,9762 / 0,9725 / 0,9726

Таблица 23. Средние значения метрик Table 23. Mean metric values

Критерий разбиения / Split criterion

Способ разбиения / Split method

Вероятностьср / Classification accuracymean

F-мера ср / F-measuremean

entropy

best

0,9130

0,8577

entropy

random

0,9079

0,8574

gini

random

0,9062

0,8534

124

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 Таблица 24. Итоговые результаты экспериментов Table 24. The final results of the experiments

Без учета результатов эксперимента № 10 / Without the results of experiment 10 Метрика / Metrics

Вероятностьи* / Classification accuracyи*

F-мераи* / F-measureи*

Среднее / Mean

0,9248

0,8927

СКО / RMS

0,0801

0,1238

Дисперсия /Dispersion

0,0073

0,0181

С учетом результатов эксперимента № 10 / Based on the results of experiment 10 Метрика / Metrics

Вероятностьи* / Classification accuracyи*

F-мераи* / F-measureи*

Среднее / Mean

0,9268

0,8937

СКО / RMS

0,0791

0,1240

Дисперсия / Dispersion

0,0073

0,0185

* Средние значения метрик по указанным группам экспериментов соответственно.

оказать определенное положительное влияние на прогноз, однако это требует многократного пересоздания модели с целью подбора лучшей конфигурации дерева. В последующих версиях

программы планируется добавление упомянутого функционала, автоматизированного посредством использования элементов AutoML [11] (с сохранением возможности отключения рандомизации).

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. K otsiantis S. B. Decision trees: a recent overview. Artificial Intelligence Review, 2011, vol. 39(4), pp. 261–283. DOI: 10.1007/ s10462‑011‑9272‑4 2. Cutler J., Dickenson M. Computational Frameworks for Political and Social Research with Python (Textbooks on Political Analysis). Springer Publ, 2020, 224 p. 3. Saitta S. What is a good classification accuracy in data mining? [Электронный ресурс]. URL: http://www.dataminingblog. com/what-is-a-good-classification-accuracy-in-data-mining/ (дата обращения: 13.07.2020). 4. Shung K. P. Accuracy, precision, recall or F1? Towards Data Science, 2018. [Электронный ресурс]. URL: https:// towardsdatascience.com/accuracy-precision-recall-or-f1–331fb37c5cb9 (дата обращения: 13.07.2020). 5. Paper D. Hands-on Scikit-Learn for Machine Learning Applications. Apress Publ., 2020, 242 p. DOI: 10.1007/978‑1‑4842‑5373‑1 6. Van der Walt S., Colber. S., Varoquaux G. The NumPy Array: A Structure for Efficient Numerical Computation. Computing in Science & Engineering, 2011, vol. 13(2), pp. 22–30. doi: 10.1109/MCSE.2011.37 7. Python GUI Guide: Introduction to Tkinter [Электронный ресурс]. URL: https://learn.sparkfun.com/tutorials/python-gui-guideintroduction-to-tkinter/tkinter-overview (дата обращения: 13.07.2020). 8. Orange features [Электронный ресурс]. URL: https://orange.biolab.si/#Orange-Features (дата обращения: 13.07.2020). 9. Бутстрэп [Электронный ресурс]. URL: https://basegroup.ru/community/glossary/bootstrap (дата обращения: 13.07.2020). 10. Новиков С. Стратифицированная выборка в социологическом исследовании // Мониторинг общественного мнения: экономические и социальные перемены. 2001. № 4(54). С. 37–41. 11. Agrapetidou A., Charonyktakis P., Gogas P., Papadimitriou T., Tsamardinos I. An AutoML application to forecasting bank failures. Applied Economics Letters, 2020, pp. 1–5. DOI:10.1080/13504851.2020.1725230

REFERENCES 1. Kotsiantis S. B. Decision trees: a recent overview. Artificial Intelligence Review, 2011, vol. 39(4), pp. 261–283. DOI:10.1007/ s10462‑011‑9272‑4 2. Cutler J., & Dickenson M. Computational Frameworks for Political and Social Research with Python (Textbooks on Political Analysis). Springer Publ, 2020, 224 p. 3. Saitta S. What is a good classification accuracy in data mining? Available at: http://www.dataminingblog.com/what-is-a-goodclassification-accuracy-in-data-mining/ (accessed 13.07.2020). 4. Shung K. P. Accuracy, precision, recall or F1? Towards Data Science, 2018. Available at: https://towardsdatascience.com/ accuracy-precision-recall-or-f1–331fb37c5cb9 (accessed 13.07.2020). 5. Paper. D. Hands-on Scikit-Learn for Machine Learning Applications. Apress Publ., 2020, 242 p. DOI:10.1007/978‑1‑4842‑5373‑1 6. Van der Walt S., Colbert S., Varoquaux G. The NumPy Array: A Structure for Efficient Numerical Computation. Computing in Science & Engineering, 2011, vol. 13(2), pp. 22–30. DOI: 10.1109/MCSE.2011.37 7. Python GUI Guide: Introduction to Tkinter. Available at: https://learn.sparkfun.com/tutorials/python-gui-guide-introduction-totkinter/tkinter-overview (accessed 13.07.2020).

Technologies and production

125

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 8. Orange features. Available at: https://orange.biolab.si/#Orange-Features (accessed 13.07.2020). 9. Bootstrap. Available at: https://basegroup.ru/community/glossary/bootstrap (accessed 13.07.2020). (In Russian). 10. Novikov S. Stratified sampling in sociological research. Monitoring obshchestvennogo mneniya: ekonomicheskie i sotsial’nye peremeny, 2001, no. 4(54), pp. 37–41. (In Russian). 11. Agrapetidou A., Charonyktakis P., Gogas P., Papadimitriou T., Tsamardinos I. An AutoML application to forecasting bank failures. Applied Economics Letters, 2020, pp. 1–5. DOI:10.1080/13504851.2020.1725230

ИНФОРМАЦИЯ ОБ АВТОРЕ Пальмов Сергей Вадимович, к. т. н., доцент, кафедра «Информационные системы и технологии», Поволжский государственный университет телекоммуникаций и информатики, 443010, Самара, ул. Льва Толстого, д. 23, кафедра информационных и развивающих образовательных систем и технологий, Самарский государственный технический университет, 443100, Самара, ул. Молодогвардейская, д. 244, тел.: +7 (846) 228‑00‑64, e-mail: psv@psuti.ru.

AUTHOR Sergei V. Palmov, Ph.D. (Engineering), associate professor, Information systems and technologies, Povolzhskiy State University of Telecommunications and Informatics, 23, Samara, ulitsa Lva Tolstogo, 443010, Russia, Information and developmental educational systems and technologies, Samara State Technical University, 244, Samara, ulitsa Molodogvardeyskaya, 443100, Russia, tel.: +7 (846) 228‑00‑64, e-mail: psv@psuti.ru. Поступила 14.05.2020; принята к публикации 29.05.2020; опубликована онлайн 07.09.2020. Submitted 14.05.2020; revised 29.05.2020; published online 07.09.2020.

126

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ISSN 2413–9599 (Print)

www.radioprom.org

ISSN 2541–870Х (Online)

DOI: 10.21778/2413‑9599‑2020‑30‑3-127-134 УДК 621.391

Математические модели характеристик своевременности реагирования на проникновение в охраняемую зону при блокировании информации в комплексах физической защиты С. В. Скрыль1, С. А. Винокуров2, Т. Б. Ходырев3, А. В. Мазин4, Д. А. Холод1 1

ФГБОУ ВО «Московский государственный технический университет им. Н. Э. Баумана», Москва, Россия институт МВД России, Воронеж, Россия 3 Федеральная служба войск национальной гвардии Российской Федерации, Москва, Россия 4 ФГБОУ ВО «Московский государственный технический университет им. Н. Э. Баумана», Калужский филиал, Калуга, Россия 2 Воронежский

Данная статья является первой в серии статей, посвященных вопросам обеспечения физической защиты судов и иных плавсредств с ядерными энергетическими установками и радиационными источниками в период их стоянки в портах. Рассматриваются принципы построения и функционирования мобильных комплексов физической защиты морских портов как нового класса комплексных автоматизированных систем безопасности. Определяется блокирование информации в комплексе как наиболее серьезная уязвимость таких систем. Констатируется малое количество данных по вопросам защиты информации от блокирования в комплексных и интегрированных системах безопасности и их отсутствие в системах рассматриваемого класса. Определяется основная причина нынешнего состояния теории и практики защиты информации от блокирования в комплексах физической защиты морских портов – отсутствие методического аппарата математического моделирования, адекватно оценивающего эффективность противодействия проникновению в охраняемые зоны при блокировании информации в такого рода охранных системах. Приводится формальная интерпретация исследуемых процессов. Рассматривается концептуальная модель нарушения режима охраны территории и акватории порта. Приводятся математические модели частных показателей своевременности реагирования на действия нарушителей на отдельных этапах реализации угрозы проникновения в охраняемую зону. Обосновывается интегральный показатель своевременности реагирования на проникновение в охраняемую зону при блокировании информации в комплексах физической защиты морских портов. Ключевые слова: комплексы физической защиты, противодействие проникновению в охраняемые зоны при блокировании информации комплексов физической защиты, своевременность реагирования на проникновение в охраняемую зону Для цитирования: Математические модели характеристик своевременности реагирования на проникновение в охраняемую зону при блокировании информации в комплексах физической защиты / С. В. Скрыль, С. А. Винокуров, Т. Б. Ходырев, А. В. Мазин, Д. А. Холод // Радиопромышленность. 2020. Т. 30, № 3. С. 127–134. DOI: 10.21778/2413‑9599‑2020‑30‑3-127-134 © Скрыль С. В., Винокуров С. А., Ходырев Т. Б., Мазин А. В., Холод Д. А., 2020

Technologies and production

127

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

Mathematical models of characteristics of timely response to penetration into a protected area by blocking information in physical protection complexes S. V. Skryl1, S. A. Vinokurov2, T. B. Khodyrev3, A. V. Mazin4, D. A. Kholod1 1

Bauman Moscow State Technical University, Moscow, Russia Voronezh Institute of the Ministry of Internal Affairs of Russia, Voronezh, Russia 3 Federal service of the national guard of the Russian Federation, Moscow, Russia 4 Bauman Moscow State Technical University, Kaluga branch, Kaluga, Russia 2

This article is the first in a series of articles devoted to the issues of physical protection of ships and other watercraft with nuclear power plants and radiation sources during their stay in ports. The principles of construction and functioning of mobile complexes of physical protection of seaports as a new class of integrated automated security systems are considered. The blocking of information in the complex is determined as the most serious vulnerability of such systems. A small amount of data on information protection from blocking in complex and integrated security systems and their absence in systems of the class under consideration is stated. The main reason for the current state of the theory and practice of information protection against blocking in the complexes of physical protection of seaports is determined, which is the lack of a methodological apparatus for mathematical modeling that adequately evaluates the effectiveness of countering penetration into protected areas by blocking information in such security systems. A formal interpretation of the processes under study is given. A conceptual model of violation of the protection regime of the port territory and water area is considered. Mathematical models of particular indicators of the timeliness of response to the actions of violators at individual stages of the penetration into the protected area threat are presented. An integral indicator of timeliness of response to penetration into a protected area by blocking information in the complexes of physical protection of seaports is substantiated. Keywords: complexes of physical protection, counteraction to penetration into protected areas by blocking information of complexes of physical protection, timeliness of response to penetration into a protected area For citation: Skryl S. V., Vinokurov S. A., Khodyrev T. B., Mazin A. V., Kholod D. A. Mathematical models of characteristics of timely response to penetration into a protected area by blocking information in physical protection complexes. Radio industry (Russia), 2020, vol. 30, no. 3, pp. 127–134. (In Russian). DOI: 10.21778/2413‑9599‑2019‑30‑3-127-134

Введение Интенсивное развитие ядерной энергетики и расширение ее инфраструктуры наряду с неоспоримыми преимуществами порождает и целый ряд проблем, связанных с обеспечением ее защиты от различного рода угроз, и в первую очередь от угрозы ядерного терроризма [1]. Ядерный терроризм может быть охарактеризован как наиболее опасная по тяжести последствий форма терроризма, так как он сопряжен с массовой гибелью людей и радиационным заражением огромных территорий. Наиболее доступным способом реализации угрозы ядерного терроризма является организация аварий на объектах ядерной энергетики: АЭС, судах с ядерными энергетическими установками, объектах хранения, переработки и транспортирования ядерных отходов, веществ и материалов. В связи с этим Национальный антитеррористический комитет акцентирует внимание на ряде 128

недостатков в обеспечении безопасности береговой ядерной инфраструктуры, связанных с ее уязвимостью при проникновении террористических групп, использующих маломерные суда. Было указано на актуальность физической защиты судов и иных плавсредств с ядерными энергетическими установками и радиационными источниками в период их стоянки в портах [2]. Это, в свою очередь, обусловливает необходимость решения ряда задач по своевременному обнаружению и реагированию на несанкционированные действия и нейтрализации нарушителей [3]. Для эффективного решения этих задач разработан и внедряется в эксплуатацию новый класс комплексных автоматизированных систем безопасности – мобильные комплексы физической защиты морских портов (КФЗ). КФЗ представляют собой систему технических средств наблюдения, охраны и противодействия нарушителям, Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 способную обеспечивать защиту объектов морских портов, любых категорий судов и плавсредств со стороны суши и воды, а также осуществлять мониторинг охраняемой территории и акватории морского порта. КФЗ обеспечивает: • оптическое обнаружение и сопровождение малых надводных целей в охраняемой зоне; • гидроакустическое обнаружение и сопровождение подводных целей в охраняемой зоне; • автоматическое оповещение и определение параметров движения целей (курса, скорости, глубины); • передачу данных на центральный пост управления охраняемого объекта и скоростной патрульный катер; • выдачу данных целеуказания для средства поражения пловцов-нарушителей; • нелетальное воздействие на обнаруженных и классифицированных подводных нарушителей; • обнаружение объектов на границах охраняемых территорий. Управление охранным оборудованием в КФЗ реализуется через его локальную вычислительную сеть, обеспечивающую передачу, обработку и накопление информации оборудования охранной сигнализации, охранного телевидения, мониторинга окружающей обстановки, контроля и управления доступом с целью обеспечения безопасности охраняемой территории и акватории [4]. Методический аппарат математического моделирования противодействия проникновению в охраняемые зоны Одной из наиболее серьезных уязвимостей КФЗ при реализации им своей основной функции – управления охранным оборудованием – является блокирование информации [5]. Блокирование информации в КФЗ вызывает его неработоспособность, т. е. невыполнение им своей целевой функции, состоящей в обеспечении физической защиты охраняемой территории и акватории. Как следствие, невыполнение этой функции может иметь серьезные последствия. Это обусловливает высокие требования к мерам противодействия такого рода угрозам, которые должны исключать возможность нарушения работоспособности КФЗ [6]. Низкий уровень проработки вопросов защиты информации от блокирования в комплексных и интегрированных системах безопасности и отсутствие проработки этих вопросов в комплексах физической защиты ставят крайне актуальную Technologies and production

на сегодняшний день проблему – проблему защищенности информации от блокирования в КФЗ. Среди факторов, обусловливающих нынешнее состояние теории и практики защиты информации от блокирования в комплексах физической защиты, следует отметить отсутствие методического аппарата математического моделирования, адекватно оценивающего эффективность противодействия проникновению в охраняемые зоны при блокировании информации в КФЗ. Рассмотрим основные принципы построения таких моделей. При этом будем исходить из того, что адекватность оценки эффективности противодействия проникновению в охраняемые зоны при блокировании информации в КФЗ определяется формальной интерпретацией как самого эффекта противодействия, так и соответствующих угроз нарушения режима охраны территории и акватории порта. Для формальной интерпретации эффекта противодействия проникновению в охраняемые зоны при блокировании информации в КФЗ определим условие, когда противодействие реализуется эффективно. Будем полагать, что таким условием является ситуация, когда время t(р) реагирования на такого рода угрозу не превышает время t(п) блокирования информации в КФЗ и последующего проникновения нарушителей на охраняемую территорию, т. е.

τ() ≤ τ(Ô) ,

(1)

Так как t(р) и t(п) являются случайными величинами, выполнение условия (1) следует рассматривать как случайное событие. Вероятность P(t(р) ≤ t(п) этого события следует рассматривать как характеристику своевременности реагирования на угрозу проникновения в охраняемую зону в результате блокирования информации в КФЗ. Данная характеристика может рассматриваться в качестве показателя E – эффективности противодействия такого рода угрозам:

E = P(t() ≤ t(Ô) ).

(2)

Очевидно, что выражение (2) является простейшей математической абстракцией, основанной на предположении о статистической независимости случайных величин времени t(п) реализации нарушителем своих действий и времени t(р) реагирования на его действия. Приводимая ниже концептуальная модель нарушения режима охраны территории и акватории порта позволяет уточнить условия своевременного реагирования на угрозу проникновения в охраняемую зону (выражения (3) и (4)) исходя из ограничений на возможности реагирования на определенные этапы действий нарушителей. 129

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Концептуальная модель нарушения режима охраны территории и акватории порта определяет субъект нарушения режима охраны, его квалификацию, мотивацию, цели, этапы действий и временные рамки. Подобная модель рассматривается как предпосылка к формальной интерпретации действий нарушителя. В общем виде содержание концептуальной модели нарушения сводится к следующему: 1. Субъектом нарушения режима охраны территории и акватории порта в случае, если нарушение носит форму проникновения в охраняемую зону, является внешний нарушитель, а в случае, если нарушение носит форму блокирования информации в КФЗ, субъектом является внутренний нарушитель. Наличие внутреннего нарушителя обусловлено двумя обстоятельствами: • автономным характером функционирования как КФЗ в целом, так и его подсистемы управления, исключающим возможность несанкционированного доступа (НСД) к информационным процессам в комплексе через внешние управляющие или информационные ресурсы; • наличием в составе программного обеспечения подсистемы управления комплекса физической защиты достаточно эффективных как системных, так и прикладных программных средств защиты информации от НСД, предполагающих возможность доступа к информации в КФЗ лишь ограниченной категории его должностных лиц. 2. Действия и внешнего, и внутреннего нарушителей, в том числе и действия в отношении информационных ресурсов и информационных процессов КФЗ, являются противоправными, а сами нарушители квалифицируются как злоумышленники. 3. Имеет место целевая мотивация такого рода действий. 4. Целевой функцией внутреннего нарушителя является блокирование информации в КФЗ. 5. Целевой функцией внешнего нарушителя является несанкционированный доступ в охраняемую зону. 6. Целевые функции нарушителей реализуются в четыре этапа: • этап доступа к аппаратным и программным средствам КФЗ (этап 1); • этап анализа состояния охраняемой зоны (этап 2); • этап блокирования информации в КФЗ (этап 3); • этап проникновения в охраняемую зону (этап 4). 130

7. Соотношения между моментом времени t(нп)i начала действий нарушителя и моментом времени t(нр)i начала реагирования КФЗ следующие: • для этапов доступа к аппаратным и программным средствам КФЗ и анализа состояния охраняемой зоны существует временной интервал определенной длины между рассматриваемыми моментами времени: t(Ì)i − t(ÌÔ)i > 0; •

(3)

для этапов блокирования информации в КФЗ и проникновения в охраняемую зону длина временного интервала между рассматриваемыми моментами времени близка нулю: t(Ì)i − t(ÌÔ)i ≈ 0.

(4)

8. Для внутреннего нарушителя характерно многократное (за исследуемый период) выполнение противоправных действий. При этом кратность несанкционированного доступа внутренним нарушителем к информации КФЗ определяется его возможностями по обеспечению скрытности своих действий. Вероятность многократного несанкционированного доступа к информации КФЗ с увеличением кратности существенно снижается. 9. Для внешнего нарушителя характерно однократное (за исследуемый период) выполнение противоправных действий. В выражениях (3) и (4) переменная i идентифицирует этап противоправных действий (i = 1, 2, 3, 4). На основе рассмотренной концептуальной модели формируются функциональные модели угроз нарушения режима охраны территории и акватории порта и реагирования на такого рода угрозы. В свою очередь, на основе этих функциональных моделей формируются математические модели временных характеристик t(р) и t(п). Воспользовавшись рассмотренной формальной интерпретацией исследуемых процессов, сформируем аналитические модели показателя своевременности реагирования на действия нарушителей при реализации ими соответствующих этапов противоправных действий. При этом в основу положим существующий в методологии защиты информации методический аппарат для исследования своевременности реализации мер обеспечения безопасности информации [7]. Математической интерпретацией показателя (2) своевременности реагирования на действия нарушителей на этапах 3 и 4 является событие, соответствующее соотношению (4) между моментом времени начала действий нарушителя и моментом времени начала реагирования КФЗ. В этом случае Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 для математического представления (2) достаточно одного условия – у словия (1). Это позволяет воспользоваться сходством представления данного показателя и функции распределения вероятностей [8] и определить данный показатель исходя из представления (2) в виде τ()j

e j = P(τ()j ≤ τ(Ô)j ) = 1 − P(τ(Ô)j < τ()j ) = 1 −

∫

f(Ô)j ( z ) dz, (5)

где f(п)j – функция плотности вероятности случайной величины времени t(п)i реализации нарушителем j-го, j =3, 4, этапа; τ()j – среднее значение случайной величины времени t(р)j реагирования на действия нарушителя по реализации j-го этапа. Оценивая законы распределения времени t(п) и времени t(р)j, примем во внимание тот факт, j что обе эти случайные величины представляют собой композицию времени реализации отдельных функций, выполняемых нарушителями в процессе проникновения в охраняемую зону, и функций, выполняемых в процессе противодействия проникновению. Согласно представленным в [9] функциональным моделям число последовательно композиционно связанных функций, реализующих эти процессы, является достаточным для того, чтобы, в соответствии с теоремой Линдеберга и Ляпунова [10], рассматривать время t(п)j и время t(р)j реализации исследуемых процессов как случайные величины, распределенные по нормальному закону. Это позволяет представить выражение (5) для определения показателей ej своевременности реагирования на действия нарушителя по блокированию информации в КФЗ и проникновения в охраняемую зону в виде

⎛ τ(Ô)j − τ()j ⎞ e j = erf ⎜ ⎟, σj ⎝ ⎠

(6)

где τ(Ô)j и sj – среднее значение и среднеквадратическое отклонение случайной величины t(п)j, соотx 2 2 ветственно; erf ( x ) = ∫ e-z dz – функция ошибок [8]. π0 В отличие от (5), математической интерпретацией показателя (2) своевременности реагирования на действия нарушителей на этапах 1 и 2 является событие, соответствующее соотношению (3) между моментом времени начала действий нарушителя и моментом времени начала реагирования КФЗ. В этом случае математическое представление (2) основывается на трех условиях своевременности реагирования на такого рода угрозы:

t(ÌÔ)k + t(Ô)k > t(Ì)k ,

(7)

t(Ì)k + t()k > t(ÌÔ)k ,

(8)

Technologies and production

t(Ì)k + t()k ≤ t(ÌÛ)k + t(Ô)k ,

(9)

где k идентифицирует этап противоправных действий (k = 1, 2). Согласно этим условиям, показатель своевременности реагирования на действия нарушителя по доступу к аппаратным и программным средствам КФЗ анализу состояния охраняемой зоны представляется в виде ek = P(t( ÌÔ )k + τ(Ô)k > t(Ì)k ,t(Ì)k +

+τ()k > t(ÌÔ)k ,t(Ì)k + τ()k ≤ t(ÌÛ)k + τ(Ô)k ).

(10)

Соответствующая выражению (10) функция распределения вероятностей представляется следующим образом [11]: ek = P(t(ÌÔ)k + τ(Ô)k > t(Ì)k , t(Ì)k + τ()k > t(ÌÔ)k , t(Ì)k + τ()k ≤ t(ÌÔ)k + τ(Ô)k ) = ω

= ∫ dt

t+τ(Ô)k −τ()k

∫

f1k (u) f2k (t)du − ∫ dt ∫ f1k (u) f2k (t)du =

⎤ ⎡ F (t + τ(Ô)k − τ()k ) = ∫ f2k (t) ⎢ 1k − F1k (0) ⎥ dt − R1k ⎦ ⎣ 0

(11)

⎤ ⎡ F (t) − ∫ f2k (t) ⎢ 1k − F1k (0) ⎥ dt = ⎦ ⎣ R2k 0 ω

⎡ F (t + τ(Ô)k − τ()k ) F1k (t) ⎤ dt, =∫ f2k (t) ⎢ 1k − R1k R2k ⎥⎦ ⎣ 0 где f1k, f2k – плотности распределения случайных величин t(нр)k и t(ну)k, соответственно; F1k(x) – соответствующая закону распределения f1k функция распределения случайных величин, ограничивающих размер области выполнения условий (7–9); R1k, R2k – нормировочные коэффициенты для усеченных распределений, соответствующих плотностям f1k и f2k, w – время, в течение которого может проявиться хотя бы одна угроза. Выразив t(нп)k через t(нр)k и устремив w в бесконечность, выражение (11) запишем в виде ∞

⎤ ⎡ 1 1 ek =∫ f2k (t) ⎢ Fk1 (t + τ(Ô)k − τ()k ) − F1k (t) ⎥ dt. R R ⎦ ⎣ 1k 2k 0

(12)

При оценке законов распределения времени t(п)k и времени t(р)k воспользуемся теми же основаниями, что и в случае математического представления (5) и (6) показателей своевременности реагирования на действия нарушителя по блокированию информации в КФЗ и проникновения в охраняемую зону. Это позволяет рассматривать время t(п)k и t(р)k как случайные величины, распределенные по нормальному закону, а выражение (12) представить в виде [12] 131

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020

1 ⎡ τ(Ô)k − τ()k ek ≈ ⎢ R1k ⎣ 4R1k σ

⎡ ⎛ τ(Ó)k ⎞ ⎤ ⎢1 + erf ⎜ ⎥+ ⎝ σ 2 ⎟⎠ ⎦ ⎣

2 2 ⎛ τ(Ó)k ⎞ 1⎡ ⎛ τ(Ó)k ⎞ ⎤⎤ 1 exp ⎜ 2 ⎟ − ⎢1 + erf ⎜ 2 ⎟ ⎥ ⎥ , + 4R2k ⎝ 2σ ⎠ 8 ⎢⎣ ⎝ 2σ ⎠ ⎥⎦ ⎥⎦

(13)

где τ(o)k , sk – среднее значение и среднеквадратическое отклонение случайной величины времени обнаружения действий нарушителя по реализации k-го этапа проникновения в охраняемую зону, соответствующее длительности временного интервала t(нр)k – t(нп)k;

⎛ τ(Ô)k − τ()k − τ(Ó)k ⎞ ⎞ 1⎛ R1k = ⎜ 1 − erf ⎜ ⎟⎠ ⎟⎠ ; 2⎝ σk 2 ⎝ ⎛ τ(Ó)k ⎞ ⎞ 1⎛ R2k = ⎜ 1 + erf ⎜ ⎟. 2⎝ ⎝ σ k 2 ⎟⎠ ⎠

Полагая, что своевременность реагирования на проникновение в охраняемую зону при блокировании информации КФЗ характеризует состояние обеспечения своевременности реагирования на всех этапах действий нарушителя, соответствующий показатель представим в виде

4 ⎛ ⎞ E = ⎜ 1 − ∏ (1 − ei )⎟ . ⎝ i=1 ⎠

(14)

Выражения (6), (13) и (14) являются математическими моделями характеристик своевременности реагирования на проникновение в охраняемую зону при блокировании информации КФЗ. В своей совокупности они представляют собой

эффективный инструмент адекватной оценки возможностей КФЗ по противодействию проникновениям в охраняемые зоны в широком диапазоне способов и средств осуществления нарушителем своих действий, включая применение беспилотных летательных аппаратов и средств радиоэлектронной борьбы. В следующих статьях данной серии будут приведены результаты вычислительных экспериментов с разработанными математическими моделями, а также соответствующий методический аппарат, позволяющий научно обосновывать требования к характеристикам применяемых в КФЗ мер противодействия проникновениям в охраняемые зоны. Выводы В результате анализа определена концепция теории и методологии построения методического аппарата математического моделирования, получены адекватные средства оценивания и эффективного противодействия проникновению в охраняемые зоны при блокировании информации в КФЗ. Приведена формальная интерпретация исследуемых процессов. Построена концептуальная модель нарушения режима охраны территории и акватории порта. Предложены математические модели частных показателей своевременности реагирования на действия нарушителей на отдельных этапах реализации угрозы проникновения в охраняемую зону. Обоснован интегральный показатель своевременности реагирования на проникновение в охраняемую зону при блокировании информации в КФЗ.

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 1. Федеральный закон от 06.03.2006 № 35-ФЗ «О противодействии терроризму» // Официальный интернет-портал правовой информации [Электронный ресурс]. URL: http://pravo.gov.ru (дата обращения: 27.07.2020). 2. Временное положение по оснащению портовых средств инженерно-техническими средствами охраны. Утверждено распоряжением Росморречфлота от 29.07.2005, № ВР‑211-р [Электронный ресурс]. URL: https://sudact.ru/law/ rasporiazhenie-rosmorrechflota-ot‑29072005-n-vr‑211-r-ob/vremennoe-polozhenie-po-osnashcheniiu-doosnashcheniiu/ (дата обращения: 27.07.2020). 3. Распоряжение Правительства Российской Федерации от 02.11.2009 № 1629-р «О Перечне объектов, подлежащих обязательной охране полицией» [Электронный ресурс]. URL: https://legalacts.ru/doc/rasporjazhenie-pravitelstva-rfot‑02112009-n‑1629-r/ (дата обращения: 27.07.2020). 4. Рекомендации Р 78.36.038‑2013 «Построение и техническое обслуживание локально-вычислительной сети в пределах пункта централизованной охраны». М.: НИЦ «Охрана» МВД России, 2012. 27 с. 5. Кулаков В. Г., Гаранин М. В. Информационная безопасность телекоммуникационных систем. (Технические аспекты) М.: Радио и связь, 2004. 304 с. 6. Белова Е. А., Ходырев Т. Б. Организация защиты информации в системах физической защиты критически важных объектов // Общественная безопасность, законность и правопорядок в III тысячелетии: сборник материалов Всероссийской научно-практической конференции. Воронеж: Воронежский институт МВД России, 2013. С. 142–144. 7. Скрыль С. В., Багаев Д. А. Своевременность как базовый показатель качества защиты информации // Вопросы защиты информации. 2009. № 2(85). С. 61–63. 8. Вентцель Е. С. Теория вероятностей. М.: Наука, 1969. 576 с. 9. Зарубин В. С., Ходырев Т. Б., Зарубин С. В. Использование структурных моделей для формализованного представления процессов защиты информационных процессов в комплексах физической защиты // Вестник Воронежского института ФСИН России. 2015. № 4. С. 28–31. 10. Вентцель Е. С., Овчаров Л. А. Теория вероятностей и ее инженерные приложения. М.: Высшая школа, 2000. 480 с.

132

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 11. Оценка своевременности реагирования на угрозы как важный элемент кибербезопасности: теоретические основы и исследовательская модель / С. Скрыль, М. Сычев, А. Сычев, Т. Мещерякова, А. Ушакова, Э. Абачараева, Е. Смирнова // Креативность в интеллектуальных технологиях и науке о данных. CITY&DS. 2019. Интеллектуальные технологии в социальной инженерии. Data Science in Social Networks Analysis and Cybersecurity, Communications in Computer and Information Science 1084, Part 2. Springer Nature Switzerland AG 2019, pp. 258–269. 12. Оценка защищенности информации от вирусных атак: существующий и перспективный методический аппарат / С. В. Скрыль, А. М. Сычев, Т. В. Мещерякова, В. И. Арутюнова, Д. А. Голубков // Промышленные АСУ и контроллеры. 2018. № 9. С. 51–62.

REFERENCES 1. Federal law No. 35-FZ of March 6, 2006 “O protivodeistvii terrorizmu” [On countering terrorism]. Official Internet portal of legal information. (In Russian). Available at: http://pravo.gov.ru (accessed: 27.07.2020). 2. Temporary provision for equipping port facilities with engineering and technical security equipment. Approved by the order of Rosmorrechflot of 29.07.2005, no. BP‑211-R. (In Russian). Available at: https://sudact.ru/law/rasporiazhenie-rosmorrechflotaot‑29072005-n-vr‑211-r-ob/vremennoe-polozhenie-po-osnashcheniiu-doosnashcheniiu/ (accessed 27.07.2020). 3. Order of the Government of the Russian Federation of 02.11.2009 No. 1629-R «On the List of objects subject to mandatory police protection». (In Russian). Available at: https://legalacts.ru/doc/rasporjazhenie-pravitelstva-rf-ot‑02112009-n‑1629-r/ (accessed 27.07.2020). 4. Recommendations P 78.36.038‑2013 «Construction and maintenance of a local computer network within a point of centralized protection». Moscow, SIC «Protection» of the Ministry of internal Affairs of Russia Publ., 2012, 27 p. (In Russian). 5. Kulakov V. G., Garanin M. V. Information security of telecommunication systems. (Technical aspects). Moscow, Radio and communications Publ., 2004. 304 p. (In Russian). 6. Belova E. A., Khodyrev T. B. Organization of information protection in systems of physical protection of critical objects. Public security, law and order in the third Millennium: collection of materials of the all-Russian scientific and practical conference. Voronezh, Voronezh Institute of the Ministry of internal Affairs of Russia Publ., 2013, pp. 142–144. (In Russian). 7. Skryl S. V., Bagaev D. A. Timeliness as a basic indicator of the quality of information protection. Information security issues, 2009, no. 2 (85), pp. 61–63. (In Russian). 8. Wentzel E. S. Probability Theory. Moscow, Nauka Publ., 1969, 576 p. (In Russian). 9. Zarubin V. S., Khodyrev T. B., Zarubin S. V. Use of structural models for formalized representation of information process protection processes in physical protection complexes. Vestnik Voronezhskogo instituta FSIN Rossii, 2015, no. 4, pp. 28–31. (In Russian). 10. Wentzel E. S., Ovcharov L. A. probability Theory and its engineering applications. Moscow, Higher school Publ., 2000, 480 p. (In Russian). 11. Skryl S., Sychev M., Sychev A., Meshcheryakova T., Ushakova A., Abacharayeva E., Smirnova E. Assessment of timely response to threats as an important element of cybersecurity: theoretical foundations and research model. // Creativity in smart technologies and data science. CITY&DS. 2019. Intelligent technologies in social engineering. Data Science in Social Networks Analysis and Cybersecurity, Communications in Computer and Information Science 1084, Part 2. Springer Nature Switzerland AG 2019, pp. 258–269. 12. Skryl S. V., Sychev A. M., Meshcheryakova T. V., Arutyunova V. I., Golubkov D. A. Assessment of information security from virus attacks: existing and prospective methodological apparatus. Industrial ACS and controllers, 2018, no. 9, pp. 51–62. (In Russian).

ИНФОРМАЦИЯ ОБ АВТОРАХ Скрыль Сергей Васильевич, д. т. н., профессор, Московский государственный технический университет имени Н. Э. Баумана, 105005, Москва, ул. 2-я Бауманская, д. 5, стр. 1, тел.: +7 (495) 632‑22‑47, e-mail: skryl@bmstu.ru. Винокуров Станислав Анатольевич, к. т. н., доцент, заместитель начальника по учебной работе, Воронежский институт Министерства внутренних дел Российской Федерации, 394065, Воронеж, просп. Патриотов, 53. тел.: +7 (473) 247‑67‑07, e-mail: vinokurovvs@yandex.ru. Ходырев Тимофей Борисович, адъюнкт, старший инспектор по особым поручениям, Федеральная служба войск национальной гвардии Российской Федерации, 111250, Москва, Красноказарменная ул., 9А, стр. 4, тел.: +7 (916) 607‑97‑31, e-mail: tim-hod@yandex.ru. Мазин Анатолий Викторович, д. т. н., профессор, заведующий кафедрой, Московский государственный технический университет им. Н. Э. Баумана, Калужский филиал, 248000, Калуга, ул. Баженова, д. 2, тел.: +7 (910) 915‑58‑25, e-mail: mazinav@yandex.ru. Холод Денис Александрович, аспирант, ассистент, Московский государственный технический университет имени Н. Э. Баумана, 105005, Москва, ул. 2-я Бауманская, д. 5, стр. 1, тел.: +7 (499) 263‑69‑55, e-mail: dekholod@yandex.ru.

AUTHORS Sergey V. Skryl, D.Sc. (Engineering), professor, Bauman Moscow State Technical University, 5, str. 1, ulitsa 2-ya Baumanskaya, Moscow, 105005, Russia, tel.: +7 (495) 632‑22‑47, e-mail: skryl@bmstu.ru. Stanislav A. Vinokurov, Ph.D. (Engineering), associate professor, deputy head for academic affairs, Voronezh Institute of the Ministry of Internal Affairs of Russia, 53, prospekt Patriotov, Voronezh, 394065, Russia, tel.: +7 (473) 247‑67‑07, e-mail: vinokurovvs@yandex.ru.

Technologies and production

133

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 Timofey B. Khodyrev, junior scientific assistant, senior inspector for special assignments, Federal service of the national guard of the Russian Federation, 9a, str. 4, ulitsa Krasnokazarmennaya, Moscow, 111250, Russia, tel.: +7 (916) 607‑97‑31, e-mail: tim-hod@yandex.ru. Anatoliy V. Mazin, D.Sc. (Engineering), professor, head of the Department, Bauman Moscow State Technical University, Kaluga branch, 2, ulitsa Bazhenova, Kaluga, 248000, Russia, tel.: +7 (910) 915‑58‑25, e-mail: mazinav@yandex.ru. Denis A. Kholod, postgraduate student, assistant, Bauman Moscow State Technical University, 5, str. 1, ulitsa 2-ya Baumanskaya, Moscow, 105005, Russia, tel.: +7 (499) 263‑69‑55, e-mail: dekholod@yandex.ru. Поступила 30.04.2020; принята к публикации 26.07.2020; опубликована онлайн 07.09.2020. Submitted 30.04.2020; revised 26.07.2020; published online 07.09.2020.

134

Технологии и производство

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 ПРАВИЛА ПРЕДСТАВЛЕНИЯ СТАТЕЙ К рассмотрению принимаются нигде не опубликованные ранее рукописи статей с оригинальными результатами теоретических и экспериментальных исследований в области радиоэлектроники, а также научные обзоры. Минимальный объем статьи – 18000 печатных знаков (с пробелами), максимальный объем статьи – 23000 печатных знаков (с пробелами), включая формулы, иллюстрации, таблицы. Обязательными являются следующие элементы статьи: • Тематическая рубрика журнала, к которой должна быть отнесена статья. • Индекс УДК. • Название статьи, максимально конкретное и информативное. • Ф. И. О. всех авторов (полностью). • Информация об авторах: регалии; место работы (полное и сокращенное название организации, почтовый адрес с указанием города и почтового индекса), должность; электронный адрес; телефон; ORCID. Если авторов несколько, то информация должна быть представлена по каждому из них. • Аннотация статьи. В аннотации подчеркивается новизна и актуальность темы (без повтора заглавия статьи в тексте аннотации). Аннотация статьи должна быть информативной и подробной, описывать методы и главные результаты исследования. Из аннотации должно быть ясно, какие вопросы поставлены для исследования и какие ответы на них получены. Предпочтительна структура аннотации, повторяющая структуру статьи и включающая введение, цели и задачи, методы, результаты/обсуждение, заключение/выводы. Объем аннотации составляет 100–200 слов. • Ключевые слова на русском и английском языках. Должны отражать основное содержание статьи, но, по возможности, не повторять ее название. Рекомендуемый объем – 3–6 слов или коротких словосочетаний. • Основной текст статьи. Следует соблюдать единообразие терминов, а также единообразие в обозначениях, системах единиц измерения, номенклатуре. Следует избегать излишних сокращений, кроме общеупотребительных. Если сокращения все-таки используются, то они должны быть расшифрованы в тексте при первом упоминании. • Список литературы. Должен в достаточной мере отражать современное состояние исследуемой области и не быть избыточным. Должен содержать ссылки на доступные источники. Не цитируются тезисы, учебники, учебные пособия, диссертации без депонирования. Допустимый объем самоцитирования автора – не более 20% источников в списке литературы. • Список иллюстраций. Должен располагаться в конце статьи и содержать названия иллюстраций и подписи, размещенные на рисунке. Правила представления статей

Правила оформления статей Материалы статьи представляются для публикации в электронном виде. В состав электронной версии статьи должны входить текстовая часть в формате MS Word (формулы в MathType), а также иллюстрации в виде отдельных графических файлов (каждый файл должен содержать один рисунок). Статья представляется в итоговом варианте, т. е. не предполагает существенных авторских изменений и дополнений, а также не содержит исправлений, отображаемых на полях или в тексте работы. Графический материал Все иллюстрации должны быть черно-белыми. Иллюстрации для каждой статьи должны находиться в отдельной папке с названием статьи; название файла должно включать номер рисунка. Каждый файл должен содержать только один рисунок. Параметры иллюстраций: • форматы *.tif или *.eps • цветовая модель Grayscale (Black 95%), разрешение 300 dpi при 100% величине; • цветовая модель Bitmap, разрешение не ниже 600 dpi; • толщины линий не менее 0,5 point; • не следует использовать точечные закраски в программах работы с векторной графикой, таких как Noise, Black&white noise, Top noise; • не следует добавлять сетку или серый фон на задний план графиков и схем; • желательно иллюстрации предоставлять в двух вариантах (первый – со всеми надписями и обозначениями, второй – без текста и обозначений); • все надписи на рисунках и названия рисунков обязательно (!) должны быть набраны текстом и располагаться на отдельной странице в текстовой части статьи. Текст статьи Текст должен быть в формате MS Word, набран через двойной интервал шрифтом Times New Roman, размер шрифта – 1 2 пунктов. Не следует вводить больше одного пробела подряд (в том числе при нумерации формул). Используйте абзацный отступ и табуляцию. Подзаголовки должны быть без нумерации. Таблицы представляются в формате MS Word. Их следует располагать в тексте непосредственно после ссылки на таблицу. В тексте статьи должны быть ссылки на все рисунки и таблицы. Если в статье один рисунок и/или таблица, номер не ставится. Рисунки с цифро-буквенной нумерацией обозначаются в тексте без запятой и пробела (например, рис. 1а). В шапке таблицы пустых ячеек быть не должно. 135

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 В таблице не должно быть графы с порядковым номером. Если нумерация строк необходима, то порядковый номер указывается непосредственно перед текстом. При отсутствии данных в ячейках должны быть прочерки (т. е. пустых ячеек быть не должно). Подписи к рисункам должны содержать расшифровку всех обозначений, использованных на рисунке. На отдельном листе в конце статьи должны быть набраны названия рисунков с подписями, а также текст, размещенный на рисунках. Формулы и буквенные обозначения Все формулы должны быть набраны только (!) в математическом редакторе MathType с настройками строго (!) по умолчанию. Не допускается набор из составных элементов (часть – текст, часть – математический редактор). Не допускается также вставка формул в виде изображений. Формулы располагают по месту в тексте статьи. По возможности следует избегать «многоэтажных» формул. В частности, в сложных формулах экспоненту рекомендуется представлять как «exp». Дроби предпочтительно располагать отдельной строкой, числитель от знаменателя отделять горизонтальной чертой. В десятичных дробях для отделения целой части используется запятая (например, 10,5). В качестве знака умножения используется символ точка (•), при переносе формулы в качестве знака умножения следует использовать символ крест (×). Знак умножения в формулах ставится только (!) перед цифрой и между дробями. В формулах и тексте скалярные величины, обозначаемые латинскими буквами, набираются курсивом, обозначаемые греческими буквами – прямым шрифтом. Для обозначения векторных величин используется прямой полужирный шрифт, стрелка вверху не ставится. Одиночные буквы или символы, одиночные переменные или обозначения, у которых есть только верхний или только нижний индекс, единицы измерения и цифры в тексте, а также простые математические и химические формулы следует набирать в текстовом режиме без использования внедренных рамок (т. е. без использования математических редакторов). Слова «минус» и «плюс» перед цифрами обозначаются знаками (например, +4; –6). Размерности Размерности отделяются от числа пробелом, кроме градусов, процентов, промилле. Для сложных размерностей допускается использование как отрицательных степеней, так и скобок. Главное условие – соблюдение единообразия написания одинаковых размерностей по всему тексту и в иллюстрациях. При перечислении, а также в числовых интервалах размерность приводится только после 136

последнего числа (например, 18–20 кг), за исключением угловых градусов. Числовой диапазон оформляется коротким тире без пробелов (например, 18–20). Размерности переменных пишутся после их обозначений через запятую, а не в скобках. Список использованных источников В журнале принимается Ванкуверская система цитирования – последовательный численный стиль: ссылки нумеруются по ходу их упоминания в тексте, таблицах и рисунках. Единый список литературы оформляется также в порядке упоминания в тексте. На все работы, включенные в список литературы, должна быть ссылка в тексте. Допустимый объем самоцитирования автора не более 20% от источников в списке литературы. Не цитируются: • справочные издания; • тезисы, учебники, учебные пособия; • диссертации без депонирования. Единый список литературы размещают в конце текста статьи и озаглавливают «Список использованных источников». В тексте статьи ссылки приводят в квадратных скобках: [1–5] или [1, 3, 5]. Источники приводят на языке оригинала. Русские – н а русском, англоязычные – на английском. Пример оформления статьи из периодического издания: Таран П. П., Иванов А. А. Глобализация и трудовая миграция: необходимость политики, основанной на правах человека // Век глобализации. 2010. № 1. С. 66–88. Пример оформления книги: Костылева Л. В. Неравенство населения России: тенденции, факторы, регулирование. М.: ИСЭРТ РАН, 2011. 200 с. Пример оформления электронного источника: Костылева Л. В. Неравенство населения России: тенденции, факторы, регулирование [Электронный ресурс]. М., 2011. 30 с. URL: http://elsevierscience.ru/ (дата обращения: 10.11.2018). Подписи к рисункам На отдельном листе должны быть набраны (в порядке упоминания в тексте) порядковый номер рисунка, его название, а также все надписи, расположенные на рисунке. Подписи к рисункам должны содержать расшифровку всех обозначений, использованных на рисунке. Комплект предоставляемых материалов Комплект материалов статьи должен включать электронную версию статьи, иллюстрации в виде отдельных графических файлов, экспертное заключение о разрешении публикации материалов в открытом доступе. Материалы следует загружать через электронную форму на сайте www.radioprom.org. Правила представления статей

RADIO INDUSTRY (RUSSIA). Vol. 30, no. 3. 2020 RULES FOR SUBMITTING ARTICLES Manuscripts with original results of theoretical and experimental research in the field of electronics and scientific reviews with no publishing record are accepted for consideration. The minimal article length is 18000 printed characters (with spaces), the maximum article length is 23 000 printed characters (with spaces), including formulas, illustrations, tables. The mandatory elements of the articles are the following: • Thematic heading of magazine to which article should be carried. • Index of the universal decimal classification. • The name of article, at the most specific and informative. • The information on authors: full name, science degree; place of job (the full and shorthand name of the organization, the post address with the indication of city and the postal index), a position; the electronic address; phone; ORCID. If there’re few authors then the information should be presented on each of them. • The summary of article. Novelty and a urgency of subject matter (without repetition of the title of article in the text of the summary) should be emphasized in the summary. The summary of article have to be informative and detailed, describe methods and the main results of research. The summary has to cover what questions are put for research and the answers to them are received. The structure of the summary has to repeat structure of article and including introduction, objectives and problems, methods, results/discussions, the conclusion/conclusions is preferential. The volume of the summary makes 100–200 words. • Key words. Should reflect the main content of the article, but if possible not to repeat its name. The recommended amount – 3–6 words or short phrases. • The main text of the article. The uniformity of terms should be observed as well as uniformity in the notation, systems of units, nomenclature. Avoid unnecessary abbreviations commonly used in addition. If the abridgement is still used then it must be transcribed in the text at the first mention. • References. Must adequately reflect the current state of the study area and not be excessive. Must contain references to available sources. Not quoted theses, textbooks, manuals, thesis without deposit. The allowable amount of self-citation of the author should not exceed 20% of the sources in the bibliography. • The list of illustrations should be placed down in the end of article and contain names of illustrations and the signatures placed in picture. Rules for submitting articles

Rules for articles Materials of the Articles are submitted for publication in electronic form. The electronic version of the paper should include the text portion in MS Word format (formulas in MathType), as well as illustrations as separate image files (each file should contain one figure). The article appears in the final version and copyright does not involve significant changes and additions, as well as does not include patches that are displayed in the fields or in the text of the work. Graphical material All illustrations should be in black and white. Illustrations for each article must be in a separate folder with the title of the article; File name should include the figure number. Each file must contain only one drawing. Illustrations parameters: • formats *.tif or *.eps; • color model Grayscale (Black 95%), the resolution of 300 dpi at 100% value; • color model Bitmap, resolution of at least 600 dpi; • Lines’s thickness of not less than 0,5 point; • It is not necessary to use dot shadings in programs of work with vector graphics, such as Noise, Black*white noise, Top noise; • It is not necessary to add a grid or a grey background on a background of charts and diagrams; • It is desirable to provide the illustrations in two versions (the first – with all the inscriptions and symbols, the second – without text and symbols); • All signs in the figures and the names of figures is obligatory (!) Should be typed in the text and placed on a separate page in the text of the article. The text of article The text should be in MS Word format; typed double- spaced; font Times New Roman, font size – 12 points. Do not enter more than one space in a row (including the numbering of formulas). Use indentation and tabs. Subtitles should be without numbering. Tables submitted in MS Word format. They should be placed in the text immediately following the reference to the table. The text of the article should be a reference for all figures and tables. If an article of one figure and / or table number is not assigned. Figures alphanumeric numbering are indicated in the text without a comma and a space (for example, Fig. 1a). 137

РАДИОПРОМЫШЛЕННОСТЬ. Т. 30, № 3. 2020 In the header of the table empty cells should not be. The table should not have graphs with a serial number. If line numbering is needed, the serial number is indicated immediately before the text. In the absence of data in the cells must be dashes (empty cells should not be). Captions should include decoding of symbols used in the figure. On a separate sheet at the end of the article should be typed in the names of images with captions, and also the text that appears in the figures. Formulas and letter designations All formulas should be typed only (!) In MathType mathematical editor. Not allowed set of constituents (Part – text part – mathematical editor). There can be no insert formulas in the form of images. Formula for a If possible, avoid «multi-storey» formulas. In particular, complex formulas recommended exponent of as «exp». Fractions are preferably arranged separately, the numerator by the denominator separated by a horizontal line. In decimal fractions to separate the integer part of a comma (e. g. 10,5). As a sign of multiplication using the dot (•), when transferring the formula should use the cross symbol (х) as a multiplication sign. The multiplication sign in the formulas is put only (!) before a figure between fractions. In the formulas and text scalar quantities, denoted by Latin letters, italicized, denoted by Greek letters – font. To indicate vector quantities used straight bold, arrow at the top is not put. Single letters or symbols, single variables or symbols that have only the upper or only the lower the index, units, and figures in the text, as well as simple mathematical and chemical formulas should be typed in text mode without the use of embedded frames (i. e., without the use of Mathematical editors). The words «minus» and «plus» to the numbers indicated by signs (e. g., 4, –6). Dimensions Dimensions are separated from the number by a space, except degrees, percent, per mille.

138

For complex dimensions allowed as the negative powers, and parentheses. The main condition – that the consistency of writing the same dimensions throughout the text and illustrations. In the listing, as well as the dimension of the numerical ranges given only after the last day (e. g. 18–20 kg) except angular degrees. A numeric range is made short dash without spaces (for example, 18–20). The dimensions of the variables are written after the notation, separated by commas, but not in parentheses. References The Vancouver citation system is used in the journal. It means consistent numerical style: links are numbered in the course of their appearance in the text, tables and figures. A single list of references is also executed in the order mentioned in the text. All work included in the list of references should be referenced in the text. The allowable amount of self-citation is not the author of more than 20% of the sources in the references. Do not quoted: • reference books; • theses, textbooks, teaching aids; • dissertation without deposit. The text of the article links lead brackets: [1–5] or [1, 3, 5]. References should indicate in the original language. Signatures to pictures On a separate sheet should be typed (in order of appearance in the text) the serial number of the picture, its name, as well as all the inscriptions located in the picture. Captions should include decoding of symbols used in the figure. The complete set of provided materials The complete set of materials of article should include the electronic version of article; illustrations in the form of separate graphic files, expert opinion on the permission of the materials publication in open access. Materials should be submit online www.radioprom. org.

Rules for submitting articles

radioprom032020

Articles inside

ПРАВИЛА ПРЕДСТАВЛЕНИЯ СТАТЕЙ

Рыбаков С. А., Поляков Н. Ю

Матвеев С. А., Жуков Ю. А., Коротков Е. Б., Широбоков О. В., Надежин М. И., Ладыгин А. П

Евглевская Н. В., Зуев А. Ю., Карасенко А. О., Лаута О. С

Сравнительный анализ экранирующих характеристик сигнальноблокировочных кабелей для железнодорожного транспорта

Макаренко А. А., Винокуров Л. А

Боев С. Ф., Логовский А. С., Казанцев А. М., Ивойлова А. В., Тимошенко А. В., Тришкин П. Н

Прядко С. А., Трошин А. Ю., Козлов В. Д., Иванов А. Е

Компетенции и ресурсы частного бизнеса и государства должны объединиться на благо отрасли