Розробка методу комплексного формування вибірки і вибору моделі для розпізнавання технічного стану безпілотного літального апарату

Автор(и)

  • Олександр Михайлович Перегуда Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0000-0001-8802-0740
  • Андрій Володимирович Родіонов Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0000-0002-0960-616X
  • Дмитро Леонідович Федорчук Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0000-0003-2896-3522
  • Сергій Вікторович Журавський Житомирський військовий інститут імені С. П. Корольова, Україна https://orcid.org/0009-0003-6809-0444
  • Микола Григорович Конвісар Науково-дослідний центр ракетних військ і артилерії, Україна https://orcid.org/0000-0002-2006-770X
  • Тарас Васильович Волинець Інститут телекомунікацій і глобального інформаційного простору НАН України, Україна https://orcid.org/0000-0002-9152-4680
  • Віталій Валерійович Дацик Командування об’єднаних сил Збройних Сил України, Україна https://orcid.org/0009-0000-9057-729X
  • Микола Анатолійович Закалад Національний університет оборони України, Україна https://orcid.org/0000-0002-0624-4140
  • Сергій Анатолійович Цибуля Національний університет оборони України, Україна https://orcid.org/0000-0003-0323-1771
  • Тарас Васильович Триснюк Інститут телекомунікацій і глобального інформаційного простору НАН України, Україна https://orcid.org/0000-0002-3672-8242

DOI:

https://doi.org/10.15587/1729-4061.2024.312217

Ключові слова:

безпілотний літальний апарат, навчальна вибірка, машинне навчання, оцінювання ефективності радіоподавлення

Анотація

Об’єктом дослідження є процес формування навчальної вибірки для діагностування технічного стану безпілотного літального апарату (БпЛА) з використанням алгоритмів машинного навчання. Польоти БпЛА є вкрай важливими для різних аспектів застосування військ (сил). Бойові польоти БпЛА виконуються в умовах впливу негативних факторів, які спричиняють особливі випадки у польоті (ОВП), які перешкоджають виконанню бойових завдань, призводять до їх зривів, до випадків пошкодження літальних апаратів або їх втрати. Наявних можливостей автопілоту недостатньо для здійснення керування в складних умовах. В певних ситуаціях людина-оператор не може своєчасно розпізнати ОВП чи оцінити деструктивний вплив засобів радіоелектронної боротьби противника на інформаційні канали та роботу свого БпЛА. Відтак, актуальним питанням є інтелектуалізація бортових систем управління, зокрема в напрямку розпізнавання поточного технічного стану БпЛА з використанням методів штучного інтелекту. Для розроблення таких систем необхідні розмічені вибірки. Порядок формування вибірок з урахуванням особливостей побудови БпЛА та їх бойового застосування в умовах протидії не визначений, тому відповідний метод підлягає розробленню.

На основі відомої методології CRISP-DM розроблено метод формування вибірки для подальшого застосування в системах з елементами штучного інтелекту, які використовують різні методи машинного навчання.

Метод відрізняється від відомих урахуванням специфіки виконання бойових завдань в умовах протидії противника, що дозволило підвищити точність розпізнавання ОВП БпЛА бортовою системою в середньому на 8,0 %, в тому числі надало можливість своєчасно виявляти факт впливу засобів радіоелектронної боротьби на БпЛА і оцінювати ефективність радіоподавлення його приймачів радіосигналів

Біографії авторів

Олександр Михайлович Перегуда, Житомирський військовий інститут імені С. П. Корольова

Кандидат технічних наук

Науковий центр

Андрій Володимирович Родіонов, Житомирський військовий інститут імені С. П. Корольова

Науково-організаційне відділення

Дмитро Леонідович Федорчук, Житомирський військовий інститут імені С. П. Корольова

Кандидат технічних наук, заступник начальника інституту з наукової роботи

Сергій Вікторович Журавський, Житомирський військовий інститут імені С. П. Корольова

Кафедра радіоелектронної боротьби

Микола Григорович Конвісар, Науково-дослідний центр ракетних військ і артилерії

Науково-дослідна лабораторія польових вимірювань

Тарас Васильович Волинець, Інститут телекомунікацій і глобального інформаційного простору НАН України

Аспірант

Микола Анатолійович Закалад, Національний університет оборони України

Центр воєнно-стратегічних досліджень

Сергій Анатолійович Цибуля, Національний університет оборони України

Кандидат технічних наук

Центр воєнно-стратегічних досліджень

Тарас Васильович Триснюк, Інститут телекомунікацій і глобального інформаційного простору НАН України

Кандидат технічних наук

Відділ прикладної інформатики

Посилання

  1. Petruk, S. M. (2017). Bezpilotni aviatsiyni kompleksy v zbroinykh konfliktakh ostannikh desiatyrich. Ozbroiennia Ta Viyskova Tekhnika, 13 (1), 44–49. https://doi.org/10.34169/2414-0651.2017.1(13).44-49
  2. Pavlenko, M., Tikhonov, I., Nikiforov, I. (2021). Recommendations for the efficient use of unmanned aerial vehicles in Joint Forces Operation. Science and Technology of the Air Force of Ukraine, 1 (42), 131–136. https://doi.org/10.30748/nitps.2021.42.17
  3. Gudla, C., Rana, S., Sung, A. (2018). Defense techniques against cyber attacks on unmanned aerial vehicles. Proceedings of the International Conference on Embedded Systems, Cyber-physical Systems, and Applications (ESCS). The Steering Committee of The World Congress in Computer Science, 110–116. Available at: https://www.researchgate.net/publication/328135272_Defense_Techniques_Against_Cyber_Attacks_on_Unmanned_Aerial_Vehicles
  4. Javaid, A. Y., Sun, W., Devabhaktuni, V. K., Alam, M. (2012). Cyber security threat analysis and modeling of an unmanned aerial vehicle system. 2012 IEEE Conference on Technologies for Homeland Security (HST). https://doi.org/10.1109/ths.2012.6459914
  5. Kerns, A. J., Shepard, D. P., Bhatti, J. A., Humphreys, T. E. (2014). Unmanned Aircraft Capture and Control Via GPS Spoofing. Journal of Field Robotics, 31 (4), 617–636. https://doi.org/10.1002/rob.21513
  6. Sedjelmaci, H., Senouci, S. M., Ansari, N. (2018). A Hierarchical Detection and Response System to Enhance Security Against Lethal Cyber-Attacks in UAV Networks. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 48 (9), 1594–1606. https://doi.org/10.1109/tsmc.2017.2681698
  7. Mitchell, R., Ing-Ray Chen. (2014). Adaptive Intrusion Detection of Malicious Unmanned Air Vehicles Using Behavior Rule Specifications. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 44 (5), 593–604. https://doi.org/10.1109/tsmc.2013.2265083
  8. Muniraj, D., Farhood, M. (2017). A framework for detection of sensor attacks on small unmanned aircraft systems. 2017 International Conference on Unmanned Aircraft Systems (ICUAS), 9333, 1189–1198. https://doi.org/10.1109/icuas.2017.7991465
  9. Zhou, Z., Liu, Y. (2021). A Smart Landing Platform With Data-Driven Analytic Procedures for UAV Preflight Safety Diagnosis. IEEE Access, 9, 154876–154891. https://doi.org/10.1109/access.2021.3128866
  10. Li, M., Li, G., Zhong, M. (2016). A data driven fault detection and isolation scheme for UAV flight control system. 2016 35th Chinese Control Conference (CCC). https://doi.org/10.1109/chicc.2016.7554425
  11. Gebrie, M. T. (2022). Digital Twin for UAV Anomaly Detection. The University of Oslo, 74. Available at: https://www.duo.uio.no/bitstream/handle/10852/93934/1/DTAnomally.pdf
  12. Liang, S., Zhang, S., Huang, Y., Zheng, X., Cheng, J., Wu, S. (2022). Data-driven fault diagnosis of FW-UAVs with consideration of multiple operation conditions. ISA Transactions, 126, 472–485. https://doi.org/10.1016/j.isatra.2021.07.043
  13. Yousefi, P., Fekriazgomi, H., Demir, M. A., Prevost, J. J., Jamshidi, M. (2018). Data-Driven Fault Detection of Un-Manned Aerial Vehicles Using Supervised Learning Over Cloud Networks. 2018 World Automation Congress (WAC). https://doi.org/10.23919/wac.2018.8430428
  14. Yang, T., Chen, J., Deng, H., Lu, Y. (2023). UAV Abnormal State Detection Model Based on Timestamp Slice and Multi-Separable CNN. Electronics, 12 (6), 1299. https://doi.org/10.3390/electronics12061299
  15. Perehuda, O., Rodionov, A., Bobunov, A. (2022). Faceted classification of occasions in flight for class 1 unmanned aerial vehicle. Science and Technology of the Air Force of Ukraine, 1 (46), 85–91. https://doi.org/10.30748/nitps.2022.46.12
  16. Mohd Selamat, S. A., Prakoonwit, S., Sahandi, R., Khan, W., Ramachandran, M. (2018). Big data analytics – A review of data‐mining models for small and medium enterprises in the transportation sector. WIREs Data Mining and Knowledge Discovery, 8 (3). https://doi.org/10.1002/widm.1238
  17. Chapman, P., Clinton, J., Kerber, R., Khabaza, T., Reinartz, T., Shearer, C. et al. (2000). CRISP-DM 1.0: Step-by-Step Data Mining Guide. CRISP-DM consortium. SPSS, 78. Available at: https://www.kde.cs.uni-kassel.de/wp-content/uploads/lehre/ws2012-13/kdd/files/CRISPWP-0800.pdf
  18. Plotnikova, V., Dumas, M., Milani, F. (2021). Adapting the CRISP-DM Data Mining Process: A Case Study in the Financial Services Domain. Research Challenges in Information Science, 55–71. https://doi.org/10.1007/978-3-030-75018-3_4
  19. Niakšu, O. (2015). CRISP Data Mining Methodology Extension for Medical Domain. Baltic J. Modern Computing. 3 (2), 92–109. Available at: https://www.bjmc.lu.lv/fileadmin/user_upload/lu_portal/projekti/bjmc/Contents/3_2_2_Niaksu.pdf
  20. Solarte, J. (2002). A proposed data mining methodology and its application to industrial engineering. University of Tennessee, 104. Available at: https://trace.tennessee.edu/cgi/viewcontent.cgi?article=3549&context=utk_gradthes
  21. Plotnikova, V., Dumas, M., Milani, F. (2020). Adaptations of data mining methodologies: a systematic literature review. PeerJ Computer Science, 6, e267. https://doi.org/10.7717/peerj-cs.267
  22. Kononova, K. (2020). Mashynne navchannia: metody ta modeli. Kharkiv: KhNU imeni V. N. Karazina, 301. Available at: https://moodle.znu.edu.ua/pluginfile.php/593075/mod_folder/intro/Базовий%20підручник_2%20%28Кононова%20К.%20Ю.%20Машинне%20навчання%20-%20методи%20та%20моделі%29.pdf
  23. Lykhach, O., Ugryumov, M., Shevchenko, D., Shmatkov, S. (2022). Anomaly detection methods in sample datasets when managing processes in systems by the state. Bulletin of V.N. Karazin Kharkiv National University, Series «Mathematical Modeling. Information Technology. Automated Control Systems», 53, 21–40. https://doi.org/10.26565/2304-6201-2022-53-03
  24. Subbotin, S. A. (2010). Kompleks harakteristik i kriteriev sravneniya obuchayuschih vyborok dlya resheniya zadach diagnostiki i raspoznavaniya obrazov. Matematicheskie mashiny i sistemy, 1 (1), 25–39. Available at: https://www.researchgate.net/publication/247158465_Kompleks_harakteristik_i_kriteriev_sravnenia_obucausih_vyborok_dla_resenia_zadac_diagnostiki_i_raspoznavania_obrazov
  25. Kavrin, D. А., Subbotin, S. A. (2018). The methods for quantitative solving the class imbalance problem. Radio Electronics, Computer Science, Control, 1 (44), 83–90. Available at: http://nbuv.gov.ua/UJRN/riu_2018_1_12
  26. Biloborodova, T., Koverha, M., Petrov, P., Lomakin, S., Krytska, Ya. (2021). Doslidzhennia metodiv vyrishennia problemy nezbalansovanykh danykh. Naukovi visti Dalivskoho universytetu, 21. https://doi.org/10.33216/2222-3428-2021-21-1
  27. Kovbasyuk, S., Osadchuk, R., Romanchuk, M., Naumchak, L. (2023). An approach to forming a prior dataset of neural network for processing digital aerial photos. Problems of construction, testing, application and operation of complex information systems, 23, 77–88. https://doi.org/10.46972/2076-1546.2022.23.06
  28. Bondyra, A., Ga̧sior, P., Gardecki, S., Kasiński, A. (2018). Development of the Sensory Network for the Vibration-based Fault Detection and Isolation in the Multirotor UAV Propulsion System. Proceedings of the 15th International Conference on Informatics in Control, Automation and Robotics. https://doi.org/10.5220/0006846801020109
  29. Sadhu, V., Anjum, K., Pompili, D. (2023). On-Board Deep-Learning-Based Unmanned Aerial Vehicle Fault Cause Detection and Classification via FPGAs. IEEE Transactions on Robotics, 39 (4), 3319–3331. https://doi.org/10.1109/tro.2023.3269380
  30. Abramov, N., Talalayev, A., Fralenko, V., Khachumov, V., Shishkin, O. (2017). The high–performance neural network system for monitoring of state and behavior of spacecraft subsystems by telemetry data. Program Systems: Theory and Applications, 8 (3), 109–131. https://doi.org/10.25209/2079-3316-2017-8-3-109-131
Розробка методу комплексного формування вибірки і вибору моделі для розпізнавання технічного стану безпілотного літального апарату

##submission.downloads##

Опубліковано

2024-10-31

Як цитувати

Перегуда, О. М., Родіонов, А. В., Федорчук, Д. Л., Журавський, С. В., Конвісар, М. Г., Волинець, Т. В., Дацик, В. В., Закалад, М. А., Цибуля, С. А., & Триснюк, Т. В. (2024). Розробка методу комплексного формування вибірки і вибору моделі для розпізнавання технічного стану безпілотного літального апарату. Eastern-European Journal of Enterprise Technologies, 5(4 (131), 42–51. https://doi.org/10.15587/1729-4061.2024.312217

Номер

Том 5 № 4 (131) (2024): Математика та кібернетика - прикладні аспекти

Розділ

Математика та кібернетика - прикладні аспекти

Ліцензія

Авторське право (c) 2024 Oleksandr Perehuda, Andrii Rodionov, Dmytro Fedorchuk, Serhii Zhuravskyi, Mykola Konvisar, Taras Volynets, Vitalii Datsyk, Mykola Zakalad, Serhii Tsybulia, Taras Trysnyuk

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.