ІДЕНТИФІКАЦІЯ БАГАТОРЕЖИМНОЇ МОДЕЛІ АВІАЦІЙНИХ ДВИГУНІВ ВЕРТОЛЬОТІВ У ПОЛЬОТНИХ РЕЖИМАХ З ВИКОРИСТАННЯМ МОДИФІКОВАНОГО ГРАДІЄНТНОГО АЛГОРИТМУ НАВЧАННЯ РАДІАЛЬНО-БАЗИСНИХ НЕЙРОННИХ МЕРЕЖ

Анотація

Дана робота присвячена розв’язанню прикладної задачі ідентифікації авіаційних газотурбінних двигунів вертольотів у польотних режимах за допомогою їх багаторежимних моделей з використанням класичного методу – методу найменших квадратів і нейромережевого методу – шляхом побудови нейронної мережі відповідно до вихідних даних. Використовуються такі методи: методи теорії ймовірностей і математичної статистики, методи нейроінформатики, методи теорії інформаційних систем та обробки даних. Для досягнення поставленої мети та зменшення помилки ідентифікації багаторежимної моделі авіаційного газотурбінного двигуна у роботі запропоновано використання нейронної мережі радіально-базисних функцій з модифікованим градієнтним алгоритмом навчання, що полягає у динамічній зміні структури нейронної мережі у процесі навчання, а для виключення ситуацій, коли параметри елементів стають близькими один до одного, введено коефіцієнт взаємного припинення елементів. При розв’язанні прикладної задачі ідентифікації авіаційних газотурбінних двигунів вертольотів показано, що похибка ідентифікації багаторежимної моделі авіаційних газотурбінних вертольотів (на прикладі авіаційного двигуна ТВ3-117) за допомогою персептрона при обчисленні окремих параметрів двигуна не перевищила 0,63 %; для нейронної мережі радіально-базисних функцій – 0,74 %, для нейронної мереж радіально-базисних функцій з модифікованим градієнтним алгоритмом навчання – 0,47 %, у той час як для класичного методу (методу найменших квадратів) вона складає близько 1 % у розглянутому діапазоні зміни режимів роботи двигуна. Порівняльний аналіз нейромережевих і класичного методів ідентифікації в умовах дії шумів показує, що нейромережеві методи більш робастні до зовнішніх збурень: для рівня шуму σ = 0,025 похибка ідентифікації параметрів авіаційного двигуна ТВ3-117 при використанні персептрона зростає з 0,63 до 0,84 %; для нейронної мережі радіально-базисних функцій – з 0,74 до 0,86 %; для нейронної мережі радіально-базисних функцій з модифікованим градієнтним алгоритмом навчання – з 0,47 до 0,65 %, а для методу найменших квадратів – з 0,99 до 2,14 %.