ІДЕНТИФІКАЦІЯ ЗВОРОТНОЇ БАГАТОРЕЖИМНОЇ МОДЕЛІ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 НА ОСНОВІ НЕЙРОМЕРЕЖЕВИХ ТЕХНОЛОГІЙ
DOI:
https://doi.org/10.30837/2522-9818.2019.7.043Ключові слова:
авіаційний двигун, нейронна мережа, персептрон, радіально-базисна функція, ідентифікаціяАнотація
Предметом дослідження в статті є авіаційний двигун ТВ3-117 та методи ідентифікації його технічного стану. Мета роботи – розробка методів ідентифікації технічного стану авіаційного двигуна ТВ3-117 на основі нейромережевих технологій у режимі реального часу. В статті вирішуються наступні завдання: задача ідентифікації зворотної багаторежимної моделі 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: Застосування апарату нейронних мереж виявляється ефективним при розв’язку великого кола задач: ідентифікації математичної моделі авіаційного двигуна ТВ3-117, діагностики стану, аналізу трендів, прогнозування параметрів тощо, при цьому незважаючи на те, що ці задачі зазвичай відносяться до класу важко формалізованих (погано структурованих), нейронні мережі виявляються адекватними і ефективними у процесі їх розв’язку. У процесі розв’язку задачі ідентифікації математичної моделі авіаційного двигуна ТВ3-117 на основі нейронних мереж було встановлено, що нейронні мережі розв’язують задачу ідентифікації точніше класичних методів. Висновки: Установлено, що похибка ідентифікації авіаційного двигуна ТВ3-117 за допомогою нейронної мережі типу персептрон не перевищила 1,8 %; для нейронної мережі радіально-базисної функції (РБФ) – 4,6 %, в той час як для класичного методу (МНК) вона складає близько 5,7 % у розглянутому діапазоні зміни режимів роботи двигуна. З’ясовано, що нейромережеві методи більш робастні до зовнішніх збурень: для рівня шуму σ = 0,01 похибка ідентифікації авіаційного двигуна ТВ3-117 при використанні персептрона зросла з 1,8 до 3,8 %; для нейронної мережі РБФ – з 4,6 до 5,7 %, а для методу найменших квадратів – з 5,7 до 13,93 %. У процесі розв’язку задачі ідентифікації зворотної багаторежимної моделі авіаційного двигуна ТВ3-117 за його параметрами на основі нейронних мереж (персептрон і РБФ) було показано, що їх використання дозволяє проводити непряме вимірювання параметрів проточної частини двигуна на різних режимах його роботи: за відсутності шуму – з похибкою не більше 1,8 і 4,6 % відповідно; за наявності шуму (σ = 0,01) – з похибкою не більше 3,8 і 5,7 % відповідно. Застосування в цих умовах методу найменших квадратів (поліноміальна регресійна модель 8-го порядку) дозволяє отримати значення похибки: за відсутності шуму – не більше 5,7 %; за наявності шуму – не більше 13,93 %.
Посилання
1. Shevchenko, I., Tertyshnyi, V. and Koval, S. (2017), "Designing a model of a decision support system based on a multi-aspect factographic search", Eastern-European Journal of Enterprise Technologies, Vol. 4, Issue 2 (88), P. 20–26. DOI: https://doi.org/10.15587/1729-4061.2017.108569
2. 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.
3. 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.
4. Ntantis, E. L. (2015), "Diagnostic Methods for an Aircraft Engine Performance", Journal of Engineering Science and Technology, Review 8 (4), P. 64–72.
5. 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.
6. Mohammadi, R., Naderi, E., Khorasani, K., Hashtrudi-Zad, S. (2011), "Fault diagnosis of gas turbine engines by using dynamic neural networks", 2011 IEEE International Conference on Quality and Reliability, Bangkok, Thailand, P. 25–30.
7. 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.
8. Zhernakov, S. V., Ravilov, R. F. (2011), "Identification of the reverse multimode GTE model by the parameters of its oil system based on neural network technology" ["Identifikatsiya obratnoy mnogorezhimnoy modeli GTD po parametram ego maslyanoy sistemyi na osnove tehnologii neyronnyih setey"], Bulletin of Kalashnikov ISTU, No. 3 (51), P. 126–129.
9. Zhernakov, S. V. (2007), "Neural network technology for diagnosing the technical condition of aircraft engines" ["Neyrosetevyie tehnologii dlya diagnostiki tehnicheskogo sostoyaniya aviatsionnyih dvigateley"], Information Technology, No. 8, P. 22–29.
10. Zhernakov, S. V., Vasilev, V. I. (2009), "Identification of GTE characteristics based on neural network technology" ["Identifikatsiya harakteristik GTD na osnove tehnologii neyronnyih setey"], Kontrol’. Diagnostika ("Testing. Diagnostics"), No. 2, P. 54–61.
11. Shmelоv, Yu., Vladov, S., Kryshan, O., Gvozdik, S. and Chyzhova, L. (2018),"Research of classification method of TV3-117 engine ratings operations based on neural network technologies", Innovative Technologies and Scientific Solutions for Industries, No. 4 (6), P. 93–101. DOI: https://doi.org/10.30837/2522-9818.2018.6.093
12. Castro, W., Oblitas, J., Santa-Cruz, R., Avila-George, H. (2017), "Multilayer perceptron architecture optimization using parallel computing techniques", PLoS One, Vol. 12 (12): e0189369, 17 p.
13. Que, Q., Belkin, M. (2016), "Back to the Future: Radial Basis Function Networks Revisited", Appearing in Proceedings of the 19th International Conference on Artificial Intelligence and Statistics (AISTATS), Cadiz, Spain, JMLR : W&CP, Vol. 51, 13 p.
14. 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.
15. 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.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2019 Serhii Vladov, Yurii Shmelov, Ivan Derevyanko, Inna Dieriabina, Liudmyla Chyzhova
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
