DOI: https://doi.org/10.30837/2522-9818.2018.6.093

РАЗРАБОТКА МЕТОДА КЛАССИФИКАЦИИ РЕЖИМОВ РАБОТЫ АВИАЦИОННОГО ДВИГАТЕЛЯ ТВ3-117 НА ОСНОВЕ НЕЙРОСЕТЕВЫХ ТЕХНОЛОГИЙ

Юрій Миколайович Шмельов, Сергій Ігорович Владов, Олексій Федорович Кришан, Станіслав Денисович Гвоздік, Людмила Іванівна Чижова




Аннотация


Предметом исследования в статье является режимы работы авиационного двигателя ТВ3-117 и методы их распознавания. Цель работы – разработка методов классификации режимов работы авиационного двигателя ТВ3-117 на основе нейросетевых технологий в режиме реального времени. В статье решаются следующие задачи: формирование принципов классификации и распознавания состояний авиационного двигателя ТВ3-117, определение основных шагов решении задачи классификации и распознавания состояний авиационного двигателя ТВ3-117 в нейросетевом базисе, разработка метода классификации и распознавания состояний авиационного двигателя ТВ3-117 с использованием нейронных сетей. Используются следующие методы: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Получены следующие результаты: Сформулированы принципы классификации и распознавания состояний авиационного двигателя ТВ3-117 и определены основные шаги решения данной задачи. Обосновано, что решение задачи классификации режимов работы авиационного двигателя ТВ3-117 в нейросетевом базисе позволяет более эффективно и качественно решить эту задачу, с меньшими затратами времени и вычислительных ресурсов по сравнению с использованием классических методов (например, метода Байеса). Выводы: Применение нейросетевых технологий для классификации и распознавания состояний авиационного двигателя ТВ3-117 позволяет уменьшить время обработки данных, причем основное время, затрачиваемое на решение данной задачи, используется на процесс обучения нейронной сети. Перспективами дальнейшего исследования является разработка экспертной системы, одним из модулей которой является модуль классификации и распознавания состояний авиационного двигателя ТВ3-117, которая используется в бортовой системе для контроля и диагностики технического состояния двигателя и взаимодействует с системами управления двигателем, позволяет последнему плавно и своевременно действовать на исполнительных механизмах, с одной стороны, с целью улучшения качества управления двигателем и его подсистемами, а с другой – повышение его надежности в процессе его эксплуатации.


Ключевые слова


авиационный двигатель; нейронная сеть; персептрон; режимы работы; классификация

Полный текст:


PDF

Литература


Pashayev, A. M., Askerov, D. D., Ardil, C., Sadiqov, R. A., Abdullayev, P. S. (2007), "Complex Condition Monitoring System of Aircraft Gas Turbine Engine", International Journal of Aerospace and Mechanical Engineering, Vol. 1, No. 11, P. 689–695.

Zhernakov, S. V., Vasilev, V. I., Musluhov, I. I. (2009), "Onboard algorithms for monitoring parameters of gas turbine engines based on neural network technology" ["Bortovyie algoritmyi kontrolya parametrov GTD na osnove tehnologii neyronnyih setey"], Bulletin of USATU, Vol. 12, No. 1 (30), P. 61–74.

Stamatis, A. G. (2011), "Evaluation of gas path analysis methods for gas turbine diagnostics", Journal of Mechanical Science and Technology, Vol. 25, Issue 2, P. 469–477.

Ntantis, E. L. (2015), "Diagnostic Methods for an Aircraft Engine Performance", Journal of Engineering Science and Technology, Review 8 (4), P. 64–72.

Kiakojoori, S., Khorasani, K. (2016), "Dynamic neural networks for gas turbine engine degradation prediction, health monitoring and prognosis", Neural Computing & Applications, Vol. 27, No. 8, P. 2151–2192.

O’Hagan, A. (2008), "The Bayesian Approach to Statistics", Handbook of Probability: Theory and Applications, P. 85–100.

Bodyanskiy, E. V., Teslenko, N. O., Deyneko, A. O. (2011), "An evolutionary neural network with nuclear activation functions and an adaptive algorithm for its training" ["EvolyutsIyna neyronna merezha z yadernimi funktsIyami aktivatsiyi y adaptivniy algoritm yiyi navchannya"], Scientific works. Computer Technology, Issue 148, Vol. 160, P. 53–58.

Mansour, W., Ayoubi, R., Ziade, H., Velazco, R., EL Falou, W. (2011), "An optimal implementation on FPGA of a hopfield neural network", Advances in Artificial Neural Systems, Vol. 2011, P. 7:1–7:9.

Kohonen, T. (2013), "Essentials of the self-organizing map", Neural Networks, Vol. 37, P. 52–65.

Bodyanskiy, E. V., Vinokurova, O. A. (2007), "Robust learning algorithm for radial-basic adaptive phase-wavelet neural network" ["Robastniy algoritm navchannya radialno-bazisnoyi adaptivnoyi fazzi-veyvlet-neyronnoyi merezhi"], Adaptive automatic control systems, No. 11, P. 3–15.

Bodyanskiy, E. V., Deyneko, A. O., Deyneko, Zh. V., Shalamov, M. O. (2015), "Adaptive training of the neural network of reference vectors of least squares" ["Adaptivne navchannya neyronnoyi merezhi opornih vektorIv naymenshih kvadrativ"], Information and control systems on the railway transport, No. 2, P. 71–74.

Elfwing, S., Uchibe, E., Doya, K. (2018), "Sigmoid-weighted linear units for neural network function approximation in reinforcement learning", Neural Networks, Vol. 107, P. 3–11.

Yamanashi, Y., Umeda, K., Yoshikawa, N. (2013), "Pseudo Sigmoid Function Generator for a Superconductive Neural Network", IEEE Transactions on Applied Superconductivity, Vol. 23, Issue 3, P. 1701004.

Vladov, S. I. Klimova, Ya. R. (2018), "Application of the adaptive training method of the neural network for diagnostics of the Mi-8MTV helicopter engine" ["Primenenie adaptivnogo metoda obucheniya neyronnoy seti dlya diagnostiki dvigatelya vertoleta Mi-8MTV"], Information Technologies: Science, Technology, Technology, Education, Health (MicroCAD-2018), May 16–18, 2018, Kharkiv, Part 1, P. 14.

Shmelev, Yu. N., Vladov, S. I., Boyko, S. N., Klimova, Ya. R., Vishnevskiy, S. Ya. (2018), "Diagnostics of the state of the Mi-8MTV helicopter engine using neural networks" ["Diagnostika sostoyaniya dvigatelya vertoleta Mi-8MTV s primeneniem neyronnyih setey"], Bulletin of the Khmelnytsky National University, No. 3.2018, P. 165–170.

Vasilets, T. Yu., Varfolomiev, O. O., Tyutyun, R. V., Alforov, Yu. O., Vlasov, A. O. (2017), "Synthesis of the NN Predictive Controller for controlling a three-mass electromechanical system" ["Sintez neyroregulyatora NN Predictive Controller dlya upravlinnya trohmasovoyu elektromehanichnoyu sistemoyu"], Information processing systems, Issue 3 (149), P. 88–95.

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


Ссылки

  • На текущий момент ссылки отсутствуют.


(c) 2018 Юрій Миколайович Шмельов, Сергій Ігорович Владов, Олексій Федорович Кришан, Станіслав Денисович Гвоздік, Людмила Іванівна Чижова

Лицензия Creative Commons
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-ShareAlike» 4.0 International License.

              
 
 Все статьи, опубликованные в журнале ITSSI, доступны на условиях лицензии CC BY-NC-SA 4.0
© 2017-2019 Научный журнал "Современное состояние научных исследований и технологий в промышленности", Харьков, Украина