Розробка метода оптимізації структури статичних нейронних мереж, призначених для класифікації технічного стану газотурбінного двигуна

Автор(и)

  • Oleksandr Yakushenko Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058, Україна https://orcid.org/0000-0002-1036-7960
  • Oleksandr Popov Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058, Україна https://orcid.org/0000-0003-1029-2767
  • Azer Mirzoyev Національна академія авіації Азербайджану Біна шосе, 25, м. Баку, Азербайджан, AZ1045, Азербайджан https://orcid.org/0000-0001-7979-8307
  • Oleg Chumak ТОВ "Авіаремонтне підприємство "УРАРП" вул. Польова, 37, м. Київ, Україна, 03056, Україна https://orcid.org/0000-0002-7410-5871
  • Valerii Okhmakevych Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058, Україна https://orcid.org/0000-0002-4860-9080

DOI:

https://doi.org/10.15587/1729-4061.2020.218137

Ключові слова:

статична нейронна мережа, газотурбінний двигун, функція активації, гіперболічний тангенс

Анотація

Розглянуто процес створення статичної нейронної мережі, призначеної для діагностування авіаційного двоконтурного газотурбінного двигуна методом класифікації технічного стану його проточної частини. Діагностування проводиться з глибиною «до конструктивного вузла». Розглядається варіант діагностування одиночних несправностей за параметрами робочого процесу.

Задачі: вибір найкращих функцій активації нейронів; визначення кількості шарів; визначення оптимальної кількості нейронів в шарах; визначення оптимального розміру навчального набору. Задачі вирішуються з урахуванням впливу похибок вимірювання параметрів.

Метод оптимізації структури полягає навчанні мережі обраної конфігурації з використанням навчального набору. Навчання періодично перепивається для аналізу результатів роботи мережі за критерієм, який характеризує якість класифікації технічного стану двигуна. Оцінка виконується окремо за навчальним та контрольним наборами. Як кінцева обирається мережа, що забезпечує найкраще значення параметра якості класифікації за контрольнім набором.

Об’єктом діагностування обрано турбореактивний двигун ПС-90А. Діагностування виконується на злітному режимі і при початковому наборі висоти.

Первинну оптимізацію мережі проведено за даними, що не містять похибок вимірювання. Показано, що для вирішення задачі достатньо двошарової мережі з використанням в обох шарах нейронів з функцією гіперболічний тангенс. Остаточну оптимізацію розміру першого шару мережі проведено за даними, що містять похибки вимірювання. Отримана двослойна мережа має вісім нейронів у вхідному шарі. Частка  хибних діагнозів складає при цьому 14,5 %

Біографії авторів

Oleksandr Yakushenko, Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058

Кандидат технічних наук, доцент, старший науковий співробітник

Кафедра авіаційних двигунів

Oleksandr Popov, Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058

Кандидат технічних наук, доцент

Кафедра підтримання льотної придатності повітряних суден

Azer Mirzoyev, Національна академія авіації Азербайджану Біна шосе, 25, м. Баку, Азербайджан, AZ1045

Кандидат технічних наук, старший науковий співробітник

Кафедра літальних апаратів і авіаційних двигунів

Oleg Chumak, ТОВ "Авіаремонтне підприємство "УРАРП" вул. Польова, 37, м. Київ, Україна, 03056

Заступник генерального директора

Valerii Okhmakevych, Національний авіаційний університет пр. Любомира Гузара, 1, м. Київ, Україна, 03058

Науковий співробітник

Кафедра авіаційних двигунів

Посилання

  1. Sutskever, I., Martens, J., Dahl, G., Hinton, G. (2013). On the importance of initialization and momentum in deep learning. Proceedings of the 30th International Conference on Machine Learning, 28 (3), 1139–1147. Available at: http://proceedings.mlr.press/v28/sutskever13.html
  2. Krutikov, V. N., Samoylenko, N. S. (2018). On the convergence rate of the subgradient method with metric variation and its applications in neural network approximation schemes. Vestnik Tomskogo Gosudarstvennogo Universiteta. Matematika i Mekhanika, 55, 22–37. doi: https://doi.org/10.17223/19988621/55/3
  3. Brownlee, J. (2018). How to Avoid Overfitting in Deep Learning Neural Networks. Available at: https://machinelearningmastery.com/introduction-to-regularization-to-reduce-overfitting-and-improve-generalization-error/
  4. Denil, M., Shakibi, B., Dinh, L., Ranzato, M., De Freitas, N. (2014). Predicting Parameters in Deep Learning. arXiv.org. Available at: https://arxiv.org/pdf/1306.0543.pdf
  5. Han, S., Pool, J., Tran, J., Dally, W. J. (2015). Learning both Weights and Connections for Efficient Neural Networks. arXiv.org. Available at: https://arxiv.org/pdf/1506.02626v3.pdf
  6. Patrick, E. A. (1972). Fundamentals of pattern recognition. Prentice-Hall, Inc., 504.
  7. Patrik, E.; Levin, B. (Ed.) (1980). Osnovy teorii raspoznavaniya obrazov. Moscow: Sov. radio, 408. Available at: http://padaread.com/?book=19276
  8. Rashid, T. (2016). Make your own neural network. CreateSpace, 222.
  9. Medvedev, V. S., Potemkin, V. G.; Potemkin, V. G. (Ed.) (2002). Neyronnye seti. MATLAB 6. Moscow: DIALOG-MIFI, 496.
  10. Medvedev, V. S., Potemkin, V. G. (2001). Neyronnye seti. MATLAB 6. Pakety prikladnyh programm. Kn. 4. Moscow: DIALOG-MIFI, 630.
  11. Lo Gatto, E., Li, Y. G., Pilidis, P. (2006). Gas Turbine Off-Design Performance Adaptation Using a Genetic Algorithm. Volume 2: Aircraft Engine; Ceramics; Coal, Biomass and Alternative Fuels; Controls, Diagnostics and Instrumentation; Environmental and Regulatory Affairs. doi: https://doi.org/10.1115/gt2006-90299
  12. Sampath, S., Ogaji, S., Singh, R., Probert, D. (2002). Engine-fault diagnostics: an optimisation procedure. Applied Energy, 73 (1), 47–70. doi: https://doi.org/10.1016/s0306-2619(02)00051-x
  13. Li, Y. G. (2002). Performance-analysis-based gas turbine diagnostics: A review. Proceedings of the Institution of Mechanical Engineers, Part A: Journal of Power and Energy, 216 (5), 363–377. doi: https://doi.org/10.1243/095765002320877856
  14. Ntantis, E. L., Botsaris, P. N. (2015). Diagnostic Methods for an Aircraft Engine Performance. Journal of Engineering Science and Technology Review, 8 (4), 64–72. doi: https://doi.org/10.25103/jestr.084.10
  15. Ross, T. J. (2010). Fuzzy logic with engineering applications. John Wiley & Sons. doi: https://doi.org/10.1002/9781119994374
  16. Yang, M., Shen, Q. (2008). Reinforcing fuzzy rule-based diagnosis of turbomachines with case-based reasoning. International Journal of Knowledge-Based and Intelligent Engineering Systems, 12 (2), 173–181. doi: https://doi.org/10.3233/kes-2008-12208
  17. Ogaji, S. O. T., Li, Y. G., Sampath, S., Singh, R. (2003). Gas Path Fault Diagnosis of a Turbofan Engine From Transient Data Using Artificial Neural Networks. Volume 1: Turbo Expo 2003. doi: https://doi.org/10.1115/gt2003-38423
  18. Angeli, C., Chatzinikolaou, A. (2004). On-Line Fault Detection Techniques for Technical Systems: A Survey. International Journal of Computer Science & Applications, I (1), 12–30. Available at: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.100.6189&rep=rep1&type=pdf
  19. Agneli, C. (2010). Chap. 4. Diagnostic Expert Systems: From Expert’s Knowledge to Real-Time Systems. Vol. 1. TMRF e-Book, Advanced Knowledge Based Systems: Model, Applications & Research, 1, 50–73. Available at: http://www.tmrfindia.org/eseries/ebookv1-c4.pdf
  20. Asgari, H., Chen, X. (2015). Gas Turbines Modeling, Simulation, and Control. CRC Press, 206. doi: https://doi.org/10.1201/b18956
  21. Osigwe, E., Li, Y.-G., Suresh, S., Jombo, G., Indarti, D. (2017). Integrated Gas Turbine System Diagnostics: Components and Sensor Faults Quantification using Artificial Neural Network. 23rd International Society of Air Breathing Engines (ISABE) Conference – ISABE 2017. Available at: https://www.researchgate.net/profile/Emmanuel_Osigwe/publication/319645027_Integrated_Gas_Turbine_System_Diagnostics_Components_and_Sensor_Faults_Quantification_using_Artificial_Neural_Network/links/59e52ae90f7e9b0e1aa888f0/Integrated-Gas-Turbine-System-Diagnostics-Components-and-Sensor-Faults-Quantification-using-Artificial-Neural-Network.pdf?origin=publication_detail
  22. Loboda, I. (2010). Gas Turbine Condition Monitoring and Diagnostics. Gas Turbines, 119–144. doi: https://doi.org/10.5772/10210
  23. Loboda, I., Feldshteyn, Y., Ponomaryov, V. (2012). Neural Networks for Gas Turbine Fault Identification: Multilayer Perceptron or Radial Basis Network? International Journal of Turbo & Jet-Engines, 29 (1). doi: https://doi.org/10.1515/tjj-2012-0005
  24. Nihmakin, M. A., Zal'tsman, M. M. (1997). Konstruktsiya osnovnyh uzlov dvigatelya PS-90A. Perm', 92.
  25. Kulyk, M., Abdullayev, P., Yakushenko, O., Popov, O., Mirzoyev, A., Chumak, O., Okhmakevych, V. (2018). Development of a data acquisition method to train neural networks to diagnose gas turbine engines and gas pumping units. Eastern-European Journal of Enterprise Technologies, 6 (9 (96)), 55–63. doi: https://doi.org/10.15587/1729-4061.2018.147720
  26. Kulyk, M., Dmitriev, S., Yakushenko, O., Popov, O. (2013). Method of formulating input parameters of neural network for diagnosing gas-turbine engines. Aviation, 17 (2), 52–56. doi: https://doi.org/10.3846/16487788.2013.805868
  27. Hagan, M. T., Menhaj, M. B. (1994). Training feedforward networks with the Marquardt algorithm. IEEE Transactions on Neural Networks, 5 (6), 989–993. doi: https://doi.org/10.1109/72.329697
  28. Wilamowski, B. M., Yu, H. (2010). Improved Computation for Levenberg-Marquardt Training. IEEE Transactions on Neural Networks, 21 (6), 930–937. doi: https://doi.org/10.1109/tnn.2010.2045657
  29. Wilamowski, B. M., Irwin, J. D. (Eds.) (2018). Intelligent Systems. CRC Press, 610. doi: https://doi.org/10.1201/9781315218427
  30. ANFIS. Available at: https://ru.m.wikipedia.org/wiki/ANFIS
  31. Popov, A. V. (2007). Issledovanie dinamicheskih harakteristik TRDD s peremezhayushchimisya neispravnostyami protochnoy chasti na ustanovivshihsya rezhimah ego raboty. Aviatsionno-kosmicheskaya tehnika i tehnologiya, 2 (38), 63–67.

##submission.downloads##

Опубліковано

2020-12-31

Як цитувати

Yakushenko, O., Popov, O., Mirzoyev, A., Chumak, O., & Okhmakevych, V. (2020). Розробка метода оптимізації структури статичних нейронних мереж, призначених для класифікації технічного стану газотурбінного двигуна. Eastern-European Journal of Enterprise Technologies, 6(9 (108), 53–62. https://doi.org/10.15587/1729-4061.2020.218137

Номер

Том 6 № 9 (108) (2020): Інформаційно-керуючі системи

Розділ

Інформаційно-керуючі системи

Ліцензія

Авторське право (c) 2020 Oleksandr Yakushenko, Oleksandr Popov, Azer Mirzoyev, Oleg Chumak, Valerii Okhmakevych

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.