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

Autor: Yakushenko, Oleksandr, Popov, Oleksandr, Mirzoyev, Azer, Chumak, Oleg, Okhmakevych, Valerii
Jazyk: angličtina
Rok vydání: 2020
Předmět:
Zdroj: Eastern-European Journal of Enterprise Technologies; Том 6, № 9 (108) (2020): Інформаційно-керуючі системи; 53-62
Eastern-European Journal of Enterprise Technologies; Том 6, № 9 (108) (2020): Информационно-управляющие системы; 53-62
Eastern-European Journal of Enterprise Technologies; Том 6, № 9 (108) (2020): Information and controlling system; 53-62
ISSN: 1729-3774
1729-4061
Popis: A process of creating a static neural network intended for diagnosing bypass gas turbine aircraft engines by a method of categorizing the technical state of the engine flow path was considered. Diagnostics depth was "to the structural assembly". A variant of diagnosing single faults of the flow path was considered.The following tasks were set:‒ select the best neuron activation functions in the network layers;‒ determine the number of layers;‒ determine the optimal number of neurons in layers;‒ determine the optimal size of the training set.The problem was solved taking into account the influence of parameter measurement errors.The method of structure optimization implies training the network of the selected configuration using a training data set. The training was periodically interrupted to analyze the results of the network operation according to the criterion characterizing the quality of classification of the engine technical state. The assessment was performed with training and control sets. The network that provides the best value of the classification quality parameter assessed by the test set was selected as the final network.The PS-90A turbojet engine was selected as the object of diagnostics. Diagnostics was carried out on takeoff mode and during the initial climb.Primary optimization was carried out according to the data with no measurement errors. It was shown that a two-layer network with the use of neurons having a hyperbolic tangent function in both layers is sufficient to solve the problem. The size of the first network layer was finally optimized according to the data containing measurement errors. A two-layer network with eight neurons in the first layer was obtained. The share of erroneous diagnoses measured 14.5 %
Рассмотрен процесс создания статической нейронной сети, предназначенной для диагностирования авиационного двухконтурного газотурбинного двигателя методом классификации технического состояния его проточной части. Диагностирование производится с глубиной «до конструктивного узла». Рассматривается вариант диагностирования одиночных неисправностей проточной части.Задачи: выбор наилучших функций активации нейронов в слоях сети; определение количества слоев; определение оптимального количества нейронов в слоях; определение оптимального размера учебного набора.Задача решается с учетом влияния погрешностей измерения параметров.Метод оптимизации структуры состоит в обучении сети выбранной конфигурации с использованием учебного набора данных. Обучение периодически прерывается для анализа результатов работы сети по критерию, характеризующему качество классификации технического состояния двигателя. Оценка выполняется для учебного и контрольного наборов. В качестве окончательной сети выбирается сеть, обеспечивающая наилучшее значение параметра качества классификации, оцененное по контрольному набору.Как объект диагностирования выбран турбореактивный двигатель ПС-90А. Диагностирование производится на взлетном режиме и при начальном наборе высоты.Первичная оптимизация проводится по данным, не содержащим погрешностей измерения. Показано, что для решения задачи достаточно двухслойной сети с использованием в обоих слоях нейронов с функцией гиперболический тангенс. Окончательная оптимизация размера первого слоя сети производится по данным, содержащим погрешности измерения. Полученная сеть двухслойная сеть имеет восемь нейронов в первом слое. Доля ошибочных диагнозов при этом составляет 14,5 %
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 %
Databáze: OpenAIRE
Externí odkaz: