КОНТРОЛЬ І ДІАГНОСТИКА ТЕХНІЧНОГО СТАНУ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 ШЛЯХОМ АНАЛІЗУ ТРЕНДУ ЙОГО ПАРАМЕТРІВ
Анотація
Предметом дослідження в статті є авіаційний двигун ТВ3-117 та методи контролю і діагностики його технічного стану. Мета роботи – розробка методу контролю і діагностики технічного стану авіаційного двигуна ТВ3-117 в польотних режимах шляхом аналізу тренду його параметрів 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 чисельного моделювання свідчать про можливість розв’язку задач контролю і діагностики технічного стану авіаційного двигуна ТВ3-117, що дозволяють поряд з класичними критеріями виявлення тренду параметрів застосовувати якісно нові нейромережеві критерії, що розширюють і доповнюють класичні критерії, що підвищують достовірність інформації при контролі та діагностиці технічного стану і на етапах прийняття рішень. Практична значимість отриманих результатів: Отримані результати свідчать про можливе впровадження нейромережевої моделі авіаційного двигуна ТВ3-117 в бортову систему контролю і діагностики його технічного стану в польотних режимах.
Ключові слова: авіаційний двигун, нейронна мережа, тренд, фільтр
Повний текст:
PDF 87-98Посилання
Жернаков С. В., Равилов Р. Ф. Тренд-анализ параметров авиационного ГТД на основе технологии нейронных сетей. Вестник УГАТУ. 2011. Т. 15. № 4 (44). С. 25–32.
Ntantis E. L., Botsaris P. N. Diagnostic methods for an aircraft engine performance. Journal of Engineering Science and Technology Review. 2015. Review 8 (4) (2015). Pp. 64–72.
Krivosheev I. A., Rozhkov K. E., Simonov N. B. Complex Diagnostic Index for Technical Condition Assessment for GTE. Procedia Engineering. 2017. Vol. 206. Pp. 176–181.
Wang Z. F., Zarader J.-L., Argentieri S. Aircraft fault diagnosis and decision system based on improved artificial neural networks. 2012 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 11–14 July 2012. Kachsiung, 2012. Pp. 1123–1128.
Жернаков С. В. Алгоритмы контроля и диагностики авиационного ГТД в условиях бортовой реализации на основе технологии нейронных сетей. Вестник УГАТУ. 2010. Т. 14. № 3 (38). С. 42–56.
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.
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.
Васильев В. И., Жернаков С. В. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных. Вестник УГАТУ. 2006. Т. 7. № 2 (15). С. 71–81.
Применение нейросетевых технологий в системе контроля технического состояния авиационного двигателя ТВ3-117 в полетных режимах / Шмелев Ю. Н., Владов С. И., Крышан А. Ф., Гвоздик С. Д. Радиотехника. 2018. Вып. 194. С. 147–154.
Onboard parameter identification method of the TV3-117 aircraft engine of the neural network technologies / Vladov S., Shmelov Yu., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Chyzhova L. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University. 2019. Issue 5/2019 (118). P. 90–96.
Deep Neural Network Approximation Theory / Grohs P., Perekrestenko D., Elbrächter D., Bölcskei H. Computer Science, 08 January 2019. 2019. 60 p.
Tahmasebi P., Hezarkhani A. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation. Computers & Geosciences. 2012. Vol. 42. Pp. 18–27.
Du X., Ying H., Lin F. On modeling of fuzzy hybrid systems. Journal of intelligent & fuzzy systems. 2012. Vol. 23. No. 4. Pp. 129–141.
Cheng S., Dong R., Pedrycz W. A framework of fuzzy hybrid systems for modelling and control. International journal of general systems. 2010. Vol. 39. Issue 2. Pp. 165–176.
Жернаков С. В. Контроль и диагностика комплексных отказов САУ ГТД с использованием рекуррентных нейронных сетей. Авиакосмическое приборостроение. 2009. № 2. С. 33–49.
Neuro-mechanical methods of control and diagnostics of the technical state of aircraft engine TV3-117 in film regions / Vladov S., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Gvozdik S. Visnyk of Kherson National Technical University. 2020. No. 1 (72). Part 1. Pр. 141–154.
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. Pр. 77–82.
https://doi.org/10.35546/kntu2078-4481.2021.1.11
Посилання
- Поки немає зовнішніх посилань.