РОЗРОБКА МЕТОДУ КЛАСИФІКАЦІЇ РЕЖИМІВ РОБОТИ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ

Автор(и)

  • Юрій Миколайович Шмельов Кременчуцький льотний коледж Національного авіаційного університету http://orcid.org/0000-0002-7344-3924
  • Сергій Ігорович Владов Кременчуцький льотний коледж Національного авіаційного університету http://orcid.org/0000-0001-8009-5254
  • Олексій Федорович Кришан Кременчуцький льотний коледж Національного авіаційного університету http://orcid.org/0000-0002-2967-0126
  • Станіслав Денисович Гвоздік Кременчуцький льотний коледж Національного авіаційного університету http://orcid.org/0000-0003-4867-0209
  • Людмила Іванівна Чижова Кременчуцький льотний коледж Національного авіаційного університету http://orcid.org/0000-0002-4105-1520

DOI:

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

Ключові слова:

авіаційний двигун, нейронна мережа, персептрон, режими роботи, класифікація

Анотація

Предметом дослідження в статті є режими роботи авіаційного двигуна ТВ3-117 та методи їх розпізнавання. Мета роботи – розробка методів класифікації режимів роботи авіаційного двигуна ТВ3-117 на основі нейромережевих технологій у режимі реального часу. В статті вирішуються наступні завдання: формування принципів класифікації та розпізнавання станів авіаційного двигуна ТВ3-117, визначення основних кроків розв’язку задачі класифікації та розпізнавання станів авіаційного двигуна ТВ3-117 в нейромережевому базисі, розробка методу класифікації та розпізнавання станів авіаційного двигуна ТВ3-117 з використанням нейронних мереж. Використовуються такі методи: методи теорії ймовірностей і математичної статистики, методи нейроінформатики, методи теорії інформаційних систем та обробки даних. Отримано наступні результати: Сформульовані принципи класифікації та розпізнавання станів авіаційного двигуна ТВ3-117 та визначено основні кроки розв’язку даної задачі. Обґрунтовано, що розв’язок задачі класифікації режимів роботи авіаційного двигуна ТВ3-117 у нейромережевому базисі дозволяє більш ефективно і якісно вирішити цю задачу, з меншими витратами часу і обчислювальних ресурсів у порівнянні з використанням класичних методів (наприклад, методу Байеса). Досліджена багаторівнева інформаційна структура. Висновки: Застосування нейромережевих технологій для класифікації та розпізнавання станів авіаційного двигуна ТВ3-117 дозволяє зменшити час обробки даних, причому основний час, що витрачається на розв’язок даної задачі, використовується на процес навчання нейронної мережі. Перспективами подальшого дослідження є розробка експертної системи, одним із модулів якої є модуль класифікації та розпізнавання станів авіаційного двигуна ТВ3-117, яка використовується в бортовій системі для контролю і діагностики технічного стану двигуна та взаємодіє з системами управління двигуном, що дозволяє останньому плавно та своєчасно діяти на виконавчих механізмах, з одного боку, з метою поліпшення якість управління двигуном та його підсистемами, а з іншого – підвищення його надійності у процесі його експлуатації.

Завантаження

Дані завантаження ще не доступні.

Біографії авторів

Юрій Миколайович Шмельов, Кременчуцький льотний коледж Національного авіаційного університету

кандидат технічних наук, Кременчуцький льотний коледж Національного авіаційного університету, заступник начальника коледжу з навчальної роботи, викладач кафедри енергозабезпечення і систем управління

Сергій Ігорович Владов, Кременчуцький льотний коледж Національного авіаційного університету

кандидат технічних наук, Кременчуцький льотний коледж Національного авіаційного університету, завідувач лабораторії організації наукової діяльності, ліцензування та акредитації, викладач кафедри енергозабезпечення і систем управління

Олексій Федорович Кришан, Кременчуцький льотний коледж Національного авіаційного університету

кандидат економічних наук, Кременчуцький льотний коледж Національного авіаційного університету, декан факультету авіаційного транспорту, електроенергетики і управління, викладач кафедри управління і адміністрування

Станіслав Денисович Гвоздік, Кременчуцький льотний коледж Національного авіаційного університету

Кременчуцький льотний коледж Національного авіаційного університету, викладач кафедри авіаційного транспорту

Людмила Іванівна Чижова, Кременчуцький льотний коледж Національного авіаційного університету

Кременчуцький льотний коледж Національного авіаційного університету, голова циклової комісії української та іноземної мов

Посилання

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.

##submission.downloads##

Опубліковано

2018-12-17

Як цитувати

Шмельов, Ю. М., Владов, С. І., Кришан, О. Ф., Гвоздік, С. Д. і Чижова, Л. І. (2018) «РОЗРОБКА МЕТОДУ КЛАСИФІКАЦІЇ РЕЖИМІВ РОБОТИ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ», СУЧАСНИЙ СТАН НАУКОВИХ ДОСЛІДЖЕНЬ ТА ТЕХНОЛОГІЙ В ПРОМИСЛОВОСТІ, (4 (6), с. 93–102. doi: 10.30837/2522-9818.2018.6.093.

Статті цього автора (авторів), які найбільше читають