АНАЛІЗ ДИНАМІКИ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 ІЗ ВИКОРИСТАННЯМ НЕЙРОННОЇ МЕРЕЖІ ЕЛМАНА

Сергій Ігорович Владов, Віталій Михайлович Москалик, Андрій Сергійович Сіора, Інна Олексіївна Дєрябіна, Станіслав Денисович Гвоздік

Анотація


Предметом дослідження в статті є авіаційний двигун ТВ3-117 та методи контролю і діагностики його технічного стану. Мета роботи – розробка динамічної моделі авіаційного двигуна ТВ3-117 в складі його системи автоматичного управління в польотних режимах з використанням нейромережевих технологій. В статті вирішується завдання розробки методики визначення оптимальної структури нейронної мережі, яка полягає у визначенні архітектури нейронної мережі, виборі оптимального алгоритму пошуку ваг нейронів і навчання нейронної мережі, аналізу ефективності різних алгоритмів навчання нейронної мережі, визначення структури нейронної мережі щодо знаходження мінімальної помилки навчання нейронної мережі залежно від кількості нейронів у прихованому шарі, а також в аналізі ефективності отриманих результатів. Використовуються такі методи: методи теорії ймовірностей і математичної статистики, методи нейроінформатики, методи теорії інформаційних систем та обробки даних. Висновки: Результати проведених досліджень показали, що використання динамічних рекурентних нейронних мереж, зокрема, нейронної мережі Елмана, у процесі розробки математичної моделі об’єкта управління (авіаційного двигуна ТВ3-117) дозволяє істотно прискорити цей процес, причому, отримані моделі придатні для розв’язання задач синтезу законів управління і структури системи автоматичного управління у відповідності з відомою концепцією. Визначено, що точність динамічної ідентифікації параметрів двигуна на основі нейронної мережі Елмана у 1,5 рази вище порівняно з методом найменших квадратів. Визначено, що точність динамічної ідентифікації параметрів двигуна в умовах шумів (адитивної складової перешкоди) на основі нейронної мережі Елмана також у середньому у два рази вище порівняно з методом найменших квадратів.

Ключові слова: авіаційний двигун, нейронна мережа, рекурентна мережа Елмана, нейро-нечіткий класифікатор

Повний текст:

42-52 PDF

Посилання


Нейрокомпьютеры в авиации (самолеты) / Васильев В. И. и др. ; под ред. В. И. Васильева, Б. Г. Ильясова, С. Т. Кусимова. Кн. 14. М.: Радиотехника, 2003. 496 с.

Жернаков С. В. Гильманшин А. Т. Новые алгоритмы бортовой диагностики авиационного газотурбинного двигателя на базе нейро-нечетких сетей. Вестник УГАТУ. 2015. Т. 19, № 2 (68). С. 63–68.

Jeffrey L. Elman Finding Structure in Time. Cognitive Science. 1990. Vol. 14. P. 179–211.

Wei W., Dong-Po X., Zheng-xue L. Convergence of gradient method for Elman networks. Applied Mathematics and Mechanics. 2008. № 29 (9). P. 1231–1238.

Лила В. Б., Пучков Е. Б. Методология обучения рекуррентной нейронной сети с динамической стековой памятью. Программные продукты и системы. 2014. № 4 (108). С. 132–135.

Бендерская Е. Н., Никитин К. В. Рекуррентная нейронная сеть как динамическая система и подходы к ее обучению. Научно-технические ведомости СПбГПУ. 2013. № 4 (176). С. 29–40.

Бодянский Е. В., Руденко О. Г. Искусственные нейронные сети: архитектуры, обучение, применения. Харьков : Телетех, 2004. 369 с.

Кариков Е. Б., Рубанов В. Г., Классен В. К. Анализ динамики сложного объекта управления с помощью нейронных динамических моделей. Известия ТулГУ. 2013. Вып. 5. С. 174–181.

Владов С. И., Климова Я. Р. Применение адаптивного метода обучения нейронной сети для диагностики двигателя вертолета Ми-8МТВ. Інформаційні технології: наука, техніка, технологія, освіта, здоров’я (MicroCAD-2018) : матеріали XXVI Міжнародної науково-практичної конференції, 16–18 травня, 2018 р., Харків. Харків : НТУ «ХПІ», 2018. Ч. 1. С. 14.

Expert system for identification of the technical state of the aircraft engine TV3-117 in flight modes / Shmelov Y., Vladov S., Klimova Y., Kirukhina M. System Analysis & Intelligent Computing : IEEE First International Conference on System Analysis & Intelligent Computing (SAIC), 08–12 October 2018. P. 77–82.

Владов С. І., Шмельова Т. Ф., Шмельов Ю. М. Контроль і діагностика технічного стану авіаційного двигуна ТВ3-117 у польотних режимах за допомогою нейромережевих технологій : Монографія. Кременчук : ПП Щербатих А. В., 2020. 200 с.

The problem of identification of TV3-117 aircraft engine dynamic multi-model in flight envelope / Shmelоv Yu., Vladov S., Derevyanko I., Dieriabina I., Chyzhova L. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University. 2019. Issue 1/2019 (114). P. 27–32.

Круглов В. В., Дли М. И., Голунов Р. Ю. Нечеткая логика и искусственные нейронные сети. Москва, Физмалит, 2001. 227 с.

Леоненков А. В. Нечеткое моделирование в среде MATLAB и fuzzyTECH. Санкт-Петербург : БХВ-Петербург, 2005. 736 с.

Васильев В. И., Жернаков С. В., Муслухов И. И. Бортовые алгоритмы контроля параметров ГТД на основе технологии нейронных сетей. Вестник УГАТУ. 2009. Т. 12. № 1 (30). С. 61–74.

Жернаков С. В., Иванова Н. С., Равилов Р. Ф. Контроль и диагностика технического состояния масляной системы ГТД с использованием технологии нейронных сетей. Вестник УГАТУ. 2009. Т. 16. № 2 (47). С. 210–220.

Kouibia A., Pasadas M. Approximation by shape preserving interpolation splines. Applied Numerical Mathematics. 2001. Vol. 37. Issue 3. P. 271–288.

Рубанов В. Г. Системный анализ и проектирование управляемых мобильных логистических средств, обладающих свойством живучести. Научные ведомости БелГУ. 2011. № 1 (96). Вып. 17/1. С. 176–187.

https://doi.org/10.35546/kntu2078-4481.2020.4.5


Посилання

  • Поки немає зовнішніх посилань.