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

Автор(и)

  • Сергій Ігорович Владов Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0001-8009-5254
  • Інна Олексіївна Дєрябіна Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0001-5164-2976
  • Оксана Василівна Гусарова Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0002-9823-0044
  • Людмила Миколаївна Пилипенко Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0001-5221-0921
  • Людмила Миколаївна Пилипенко Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0001-5221-0921
  • Анатолій Володимирович Пономаренко Кременчуцький льотний коледж Харківського національного університету внутрішніх справ https://orcid.org/0000-0002-4143-1814

Ключові слова:

нейронна мережа, радіально-базисна функція, модифікований градієнтний алгоритм навчання, ідентифікація

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 %.

Біографії авторів

Сергій Ігорович Владов, Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

к.т.н., зав. відділення фахової підготовки, старший викладач циклової комісії технічного обслуговування авіаційної техніки

Інна Олексіївна Дєрябіна , Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

викладач циклової комісії технічного обслуговування авіаційної техніки

Оксана Василівна Гусарова , Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

викладач циклової комісії природничих дисциплін

Людмила Миколаївна Пилипенко , Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

викладач циклової комісії природничих дисциплін

Людмила Миколаївна Пилипенко , Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

викладач циклової комісії природничих дисциплін

Анатолій Володимирович Пономаренко , Кременчуцький льотний коледж Харківського національного університету внутрішніх справ

викладач циклової комісії технічного обслуговування авіаційної техніки

Посилання

Жернаков C.B. Идентификация параметров ГТД гибридным ансамблем нейросетей. Нейроинформатика-2000 : Всероссийская научно-техническая конференция. 2000. С. 117–126.

Жернаков C. B. Хранение информационного портрета авиационного газотурбинного двигателя на базе нейросетей. Нейрокомпьютеры: разработка и применение. 2001. № 4–5, 2001. С. 44–51.

Tudosie A.-N. Aircraft Gas-Turbine Engine’s Control Based on the Fuel Injection Control. Aeronautics and Astronautics, Intech, Rijeka, Croatia, 2011. 2011. Pp. 305–331.

Жернаков С.В. Параметрическая идентификация ГТД гибридным ансамблем нейросетей. Нейрокомпьютеры : разработка и применение. 2001. № 4–5. С. 31–35.

Жернаков С.В. Распознавание параметров авиационного двигателя нейросетями. Автоматизация и современные технологии. 2003. № 4. С. 29–31.

Ren X., Chen J. A Modified Neural Network for Dynamical System Identification and Control. Proc. 14th World Congress of IFAC. 1999. Vol. 9. No. 5. Pp. 376–388.

Ntantis E. L. Diagnostic Methods for an Aircraft Engine Performance. Journal of Engineering Science and Technology. 2015. Vol. 8. No. 4. Pp. 64–72.

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

Gas turbine engines diagnosing using the methods of pattern recognition / S. Dmitriev, O. Popov, O. Yakushenko, V. Potapov, O. Pashchuk. Авиационно-космическая техника и технология. 2017. № 8. С. 115–120.

Владов С. І., Шмельова Т. Ф., Шмельов Ю. М. Контроль і діагностика технічного стану авіаційного двигуна ТВ3-117 у польотних режимах за допомогою нейромережевих технологій : Монографія. Кременчук : ПП Щербатих А. В., 2020. 200 с.

Onboard parameter identification method of the TV3-117 aircraft engine of the neural network technologies / Vladov S., Shmelov Yu., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Chyzhova L. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University. 2019. Issue 5/2019 (118). P. 90–96.

Васильев В. И., Жернаков С. В., Муслухов И. И. Бортовые алгоритмы контроля параметров ГТД на основе технологии нейронных сетей. Вестник УГАТУ. 2009. Т. 12. № 1 (30). С. 61–74.

Жернаков С. В. Идентификация характеристик газотурбинного двигателя на основе нейронных сетей. Приборы и системы. Управление. Контроль. Диагностика. 2006. № 11. C. 49–55.

Jianyu L., Siwei L., Yingjiana Q., Yapinga H. Numerical solution of elliptic partial differential equation using radial basis function neural networks. Neural Networks. 2003. No. 5/6. Pp. 729–734.

Вичугов В. Н. Модифицированный градиентный алгоритм обучения радиально-базисных нейронных сетей. Известия Томского политехнического университета. 2009. Т. 315. № 5. С. 149–152.

https://doi.org/10.35546/kntu2078-4481.2021.4.6

##submission.downloads##

Опубліковано

2021-12-28