Современные системы аварийной остановки запуска (САО) играют критически важную роль в обеспечении безопасности ракетно-космической техники, предотвращая катастрофические последствия при возникновении аномалий. Однако традиционные подходы, основанные на заранее заданных пороговых значениях телеметрических параметров, обладают ограниченной гибкостью и не всегда способны выявлять сложные, развивающиеся сбои на ранних стадиях [1–3]. В этой связи актуальной задачей становится разработка интеллектуальных систем, способных прогнозировать потенциальные отказы на основе анализа данных в реальном времени с использованием методов искусственного интеллекта (ИИ) и машинного обучения (МО) [2].
Целью данного исследования является разработка алгоритмов машинного обучения, позволяющих выявлять признаки аномалий в телеметрических данных на ранних этапах, что может значительно повысить надежность и своевременность принятия решений в САО [4–6]. В работе рассматриваются методы обработки потоковых данных, выделения значимых признаков и построения прогностических моделей, способных адаптироваться к изменяющимся условиям запуска. Особое внимание уделяется интеграции этих алгоритмов в существующие системы управления, обеспечивая минимальную задержку при принятии решений [7].
Применение ИИ для анализа телеметрии открывает новые возможности для предиктивной аналитики, снижая зависимость от жестких пороговых критериев и позволяя выявлять скрытые закономерности, указывающие на потенциальные сбои [1]. Результаты данного исследования могут быть использованы для модернизации САО в ракетно-космической отрасли, а также в других областях, где требуется высоконадежный мониторинг сложных технических систем в реальном времени [5].
Современные системы аварийной остановки запуска преимущественно используют детерминированные алгоритмы контроля, основанные на сравнении текущих телеметрических параметров с заданными пороговыми значениями [3]. Такой подход, несмотря на свою надежность и простоту реализации, обладает существенными ограничениями, поскольку не учитывает сложные взаимосвязи между различными параметрами системы и не способен прогнозировать развитие аномальных ситуаций на ранних стадиях [2].