ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОЙ ПРОЧНОСТИ НЕСУЩИХ ПОВЕРХНОСТЕЙ ДЛЯ ОБЕСПЕЧЕНИЯ БОЕВОЙ ЖИВУЧЕСТИ ПЛАНЕРА Текст научной статьи по специальности «Механика и машиностроение»

СОДЕРЖАНИЕ

УДК 681.518.5

ГРНТИ 78.25.13

ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ ОСТАТОЧНОЙ ПРОЧНОСТИ НЕСУЩИХ ПОВЕРХНОСТЕЙ ДЛЯ ОБЕСПЕЧЕНИЯ БОЕВОЙ ЖИВУЧЕСТИ ПЛАНЕРА

В.А.МАКАРЕНКО

ВУНЦ ВВС «ВВА имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж)

А.Н. САЖИН, кандидат технических наук, доцент

ВУНЦ ВВС «ВВА имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж)

Разработана интеллектуальная система прогнозирования остаточной прочности крыла истребителя при наличии боевых повреждений. Основным элементом системы является искусственная нейронная сеть, обученная на наборе данных, полученном в ходе прочностного анализа конечно-элементной модели крыла истребителя с повреждениями. На базе программного комплекса MATLAB выбран алгоритм обучения и определены гиперпараметры искусственной нейронной сети, необходимые для достижения наименьшего значения функции потерь. Предложена методика оценки эффективности разработанной интеллектуальной системы прогнозирования остаточной прочности несущих поверхностей при наличии боевых повреждений. Выполнена оценка прироста основного показателя боевой живучести путем расчета вероятности непоражения истребителя при многократном моделировании оборонительного маневра, которая составила 22 % за счет использования предлагаемой системы.

Ключевые слова: живучесть, управляемая ракета, поражающий элемент, прогнозирование, остаточная прочность, нейронная сеть.

Введение. В современных истребителях применяется множество систем, обеспечивающих поддержание технических, летно-тактических и эксплуатационных показателей на высоком уровне (системы автоматического и полуавтоматического управления, ограничители предельных режимов, системы ограничительных сигналов и т. д.). Тем не менее, такие системы не обеспечивают достаточный уровень информирования летчика о степени маневренных возможностей истребителя при наличии боевых повреждений.

При проектировании и разработке истребителя проводят математическое моделирование и комплекс экспериментальных исследований для выявления условий надежной эксплуатации и прочности конструкции [1]. Однако при выполнении боевой задачи по истребителю возможно применение средств поражения, например, управляемых ракет (УР) «воздух-воздух». В результате появления повреждений несущих поверхностей истребителя при воздействии поражающих элементов (ПЭ) изменяются его прочностные характеристики [2], что влечет за собой снижение предельно допустимых перегрузок. В таком случае имеющиеся штатные ограничители нормальной перегрузки истребителя в работу не включаются, а летчик продолжает выполнение боевого задания в присущей ему манере пилотирования. Вследствие этого возможно отложенное статическое разрушение конструкции из-за превышения допустимой перегрузки при наличии повреждений несущих поверхностей.

Таким образом, возникает противоречие между необходимостью обеспечения живучести истребителя при дальнейшем маневрировании после получения повреждений и его недостаточной прочностью в условиях неосведомленности летчика о необходимости ограничения текущей перегрузки.

Актуальность. Остаточная прочность крыла истребителя при наличии боевых повреждений характеризуется предельной перегрузкой, которая определяется величиной действующих на несущих поверхностях аэродинамических сил. Повреждения крыла истребителя

СОДЕРЖАНИЕ

при воздействии УР носят разнообразный характер, поэтому оценить его остаточную прочность в полной мере даже при статических испытаниях не представляется возможным. В связи с этим вместо натурного эксперимента выполняется математическое моделирование воздействия УР для определения остаточной прочности поврежденной конструкции. Однако этот процесс требует значительных вычислительных затрат, и его реализация в реальном времени затруднительна. Рациональным решением является использование моделирования с целью заблаговременной подготовки набора обучающих данных для искусственной нейронной сети, функционирующей в составе интеллектуальной системы и обеспечивающей получение оценки остаточной прочности с приемлемой точностью в реальном масштабе времени [3].

Целью работы является обеспечение боевой живучести истребителя при наличии боевых повреждений после воздействия по нему управляемой ракеты за счет применения интеллектуальной системы прогнозирования остаточной прочности крыла.

Интеллектуальная система прогнозирования остаточной прочности крыла истребителя при наличии боевых повреждений. Разработанная структурная схема интеллектуальной системы прогнозирования остаточной прочности крыла истребителя с боевыми повреждениями после воздействия УР представлена на рисунке 1.

Рисунок 1 - Структурная схема интеллектуальной системы прогнозирования остаточной прочности крыла

истребителя с боевыми повреждениями

Основным элементом системы является искусственная нейронная сеть (ИНС), обученная на наборе данных, полученном в ходе прочностного анализа конечно-элементной модели крыла истребителя с повреждениями. Входным сигналом для блока ИНС является значение площадей повреждений крыла истребителя £повр, оцененное на основе моделирования воздействия УР по

элементам его планера. ИНС прогнозирует величину предельно допустимого нагружения крыла

СОДЕРЖАНИЕ

истребителя !^пред, которая прямо пропорциональна его предельной перегрузке пуед . Дальнейшее функциональное состояние истребителя, а также уровень его маневренных возможностей определяются путем сравнения текущей перегрузки nyi с предельной п^ед.

Для определения координат точек попадания ПЭ планер истребителя представляется в виде пространственной геометрической модели (рисунок 2), построенной на основании конструкторской документации.

Рисунок 2 - Пространственно-геометрическая модель истребителя

Консоль крыла пространственно-геометрической модели разбита на пять типовых отсеков, расположенных вдоль его размаха (рисунок 3). Под отсеком крыла понимается его участок, заключенный между двумя параллельными плоскостями, в области которого его конструктивные параметры (формы и площади поперечных сечений) изменяются незначительно.

Рисунок 3 - Разбиение модели крыла на типовые отсеки

Предельная допустимая нагрузка определяется суммарной площадью повреждений конструкции крыла в каждом отсеке вдоль его размаха при попадании ПЭ УР

= f(S1, S2,..., Si). (1)

В качестве входных данных для обучения ИНС выбраны значения суммарных площадей повреждений в области i-ro отсека крыла истребителя, которые определяются количеством ПЭ, попавших по отсеку, а также площадью повреждения от одного ПЭ

СОДЕРЖАНИЕ

где щ - количество ПЭ, попавших в z'-ый отсек крыла, £1ПЭ - площадь повреждения

от воздействия одного ПЭ гранью с наибольшим линейным размером, принимаемая постоянной и равной 1 см2.

Координаты точек попадания ПЭ в поверхность планера истребителя вычисляются в результате работы модели, описывающей их кинематически связанное движение в пространстве [4].

Для получения обучающей выборки ИНС рассматриваются отсеки № 3, 4, 5, которые составляют кессонную часть консоли крыла. Эти отсеки наиболее подвержены разрушению при возникновении повреждений, так как основные силовые факторы воспринимаются обшивкой совместно с подкрепляющими ее стрингерами. Отсеки № 1 и № 2 являются лонжеронными и вероятность их разрушения при воздействии ПЭ мала.

Для получения обучающей выборки в программном комплексе Ansys проведен конечноэлементный прочностной анализ консоли крыла истребителя (рисунок 4) [5]. Такой анализ позволяет построить зависимость между входными параметрами ИНС - площадями повреждений крыла и ее выходными значениями - величинами соответствующих предельных нагрузок, приводящих к разрушению отсека при заданных повреждениях.

Рисунок 4 - Конечно-элементная модель крыла

Массив данных, составляющих обучающую выборку ИНС, получен путем последовательного нагружения модели консоли крыла истребителя как в неповрежденном состоянии, так и при наличии повреждений. Величина нагрузки, при которой максимальные эквивалентные напряжения превышают предельные значения, является предельно допустимой для выбранного размера повреждения. На основании этого сформирован набор пар и 5';повр для каждого отсека, в области которого смоделировано повреждение. Эти данные группируются в массив входных X = |^£3повр, £"овр, S5noBp ] и выходных Y = Т3пред, Т4пред, Т5пред J векторов. Размер

массива зависит от количества рассматриваемых отсеков крыла, а также области изменения размера его повреждения и составляет п= 1020000 входных и выходных векторов. Фрагмент полученной обучающей выборки представлен в таблице 1.

Таблица 1 - Фрагмент обучающей выборки ИНС

№ п/п 5,3повр,см2 S4noBp,CM2 S5noBp,CM2 Т 3пред,кН Т 4пред,кН Т 5пред,кН

1. 0 440 210 275,9484 155,7137 95,2022

2. 10 440 210 275,6725 155,7137 95,2022

3. 20 440 210 275,3965 155,7137 95,2022

4. 30 440 210 275,1206 155,7137 95,2022

♦

1020000. 1000 1000 1000 41,39226 29,5659 15,27572

СОДЕРЖАНИЕ

Для обучения ИНС выбран алгоритм Байеса. Обучающая выборка разбивается на две части: тренировочную и тестовую в соотношении 9:1 [6].

Архитектура ИНС для решения поставленной задачи - трехслойный персептрон. В качестве

функции активации нейронов скрытого слоя выбран гиперболический тангенс F(и) =

e1u -1 e111 +1

Функцией потерь является величина среднеквадратической ошибки, определенная разницей между спрогнозированными значениями и значениями из обучающей выборки

S =

п 3 1

1ZZA”7 - )

n“f jfV ij Ч

mrn ,

(3)

где n - количество элементов обучающей выборки, i - порядковый номер выходных векторов, j - номер компонента выходного вектора, уИНС - значение на выходе ИНС, Y - значение,

заданное в обучающей выборке.

Для определения степени соответствия значений тестового набора обучающей выборки и значений на выходе ИНС рассчитывается коэффициент корреляции r [7]

X (А, - X) .(Y - Y)

r =

i=1

V

X (Xi - X)1 • X (Y - Y)1

(4)

где X, Y - средние значения составляющих входных и выходных векторов обучающей выборки.

В ходе подбора гиперпараметров ИНС в условиях поставленной задачи наилучшие результаты показала ИНС с тремя нейронами в скрытом слое. Достигнутое минимальное значение среднеквадратической ошибки в процессе обучения составляет s = 11,3678 (рисунок 5), а коэффициента корреляции - r = 0,99905 .

Рисунок 5 - Результат обучения ИНС интеллектуальной системы прогнозирования

Из анализа зависимости на рисунке 5 следует, что среднеквадратическая ошибка интенсивно снижается до десятой эпохи, после чего ее изменение незначительно. Это свидетельствует о завершении обучения ИНС.

СОДЕРЖАНИЕ

Проверка качества работы ИНС выполнена путем сравнения полученных ею результатов с результатами нагружения конечно-элементной модели на примерах, не участвовавших в обучении. Для этого случайным образом были заданы значения площадей повреждений в каждом из трех рассматриваемых отсеков крыла. Результаты сравнительного анализа представлены в таблице 2, из которых видно, что разница между результатами расчета нагружения модели консоли крыла и прогнозом ИНС не превышает 3,02 %.

Таблица 2 - Сравнительная характеристика результатов работы ИНС и конечно-элементного моделирования

№ п/п Площадь повреждения i-ro отсека, см2 Модель, кН ИНС, кН Ошибка, %

S повр S повр S повр у пред 3 у пред 4 у пред 5 у пред 3 у пред 4 у пред 5 ^3 ^4 ^5

1. 149 473 740 268,80 149,00 38,03 271,03 153,02 37,55 -0,82 -2,63 1,27

2. 844 71 104 74,30 200,59 96,50 72,74 196,72 97,72 2,15 1,97 -1,25

3. 753 914 653 106,27 37,80 49,36 103,88 38,77 50,20 2,3 -2,51 -1,67

4. 568 15 932 183,37 202,34 17,06 179,91 198,24 17,10 1,92 2,07 -0,2

5. 338 332 489 253,08 174,41 71,35 248,16 178,06 73,39 1,98 -2,05 -2,78

6. 741 507 541 106,49 141,41 67,93 108,50 144,89 66,62 -1,85 -2,4 1,97

7. 311 24 54 252,41 201,94 96,36 252,91 198,02 98,63 -0,2 1,98 -2,3

8. 207 992 218 268,43 27,73 94,48 266,25 27,99 94,39 0,82 -0,93 0,09

9. 658 378 87 138,83 175,34 99,47 142,56 171,40 98,06 -2,62 2,3 1,44

10. 502 749 400 208,37 73,43 85,43 204,57 75,29 82,93 1,86 -2,48 3,02

Для дальнейшей разработки интеллектуальной системы прогнозирования остаточной прочности крыла полученная ИНС интегрирована в качестве блока в Simulink-модель [7] движения кинематически связанных истребителя и наводимой на него УР. На основании состояния конструкции планера нейросетевым блоком вычисляется величина предельной допустимой нагрузки. Исходя из значений предельной допустимой нагрузки и технических характеристик рассматриваемого истребителя рассчитывается уровень его маневренных возможностей, который определяется несущей способностью поврежденного крыла с величиной предельной перегрузки, значение которой сопоставляется с фактической нормальной перегрузкой истребителя, реализуемой в полете

п"Р63 =

nyi

у пред ^

------------Ап .

>g(i) soTCi yi

(5)

£

где у4*” - предельная нагрузка поврежденного отсека крыла вдоль размаха, Ап . =± — z.

y g

приращение нормальной перегрузки вследствие возможного ускоренного вращения вокруг продольной оси, nyi - фактическая нормальная перегрузка истребителя, f - коэффициент

безопасности, mg - вес истребителя, £ - относительная масса крыла, S - площадь крыла,

Soic . - площадь отсеченной части крыла в его i-ом сечении вдоль размаха.

На основании полученного значения предельной нормальной перегрузки определяется функциональное состояние истребителя после воздействия УР.

Для оценки эффективности применения интеллектуальной системы прогнозирования остаточной прочности крыла при решении задачи обеспечения боевой живучести истребителя предложена соответствующая методика, предполагающая выполнение следующих действий.

Статистическое моделирование динамики движения кинематически связанных истребителя и наводимой на него УР. При этом фиксируются массивы координат точек подрывов боевой части и угловых положений ее корпуса относительно центра масс маневрирующего

СОДЕРЖАНИЕ

истребителя, а на основании данных банка аэродинамических характеристик истребителя -фактические аэродинамические нагрузки на его несущих поверхностях.

Для каждой точки из массива координат подрывов боевой части УР относительно истребителя моделируется динамика движения ПЭ и производится регистрация координат их попадания.

Производится расчет суммарной площади повреждения для каждого отсека крыла истребителя вдоль его размаха S"OBp .

Производится оценка остаточной прочности истребителя с учетом рассчитанных повреждений для каждого отсека крыла при помощи разработанной интеллектуальной системы прогнозирования.

Производится определение функционального состояния истребителя при воздействии ПЭ УР в данной реализации. Для этого величина фактической перегрузки nyi, реализуемая в полете

и определенная вдоль размаха крыла по данным банка аэродинамических характеристик с учетом возможного ускоренного вращения вокруг продольной оси, сравнивается с предельно допустимой nyeR, определенной интеллектуальной системой прогнозирования остаточной

прочности.

Определение уровня маневренных возможностей поврежденного истребителя исходя из значения его предельно допустимой перегрузки, определенной интеллектуальной системой прогнозирования.

На рисунке 6 показано изменение нормальной перегрузки истребителя в области отсека крыла № 3 при моделировании противоракетного маневра типа «Змейка» (последовательное создание положительного и отрицательного крена с отклонением ручки управления самолетом «на себя»), а также снижение предельно допустимой нормальной перегрузки при появлении повреждений от ПЭ УР, размер которых составляет SnoBp = 200см2, 850см2, 1000см2.

В результате этого уровень маневренных возможностей снижается до п(^ред = 8, 5, 4 единиц соответственно по отношению к ny тах = 9 для неповрежденного истребителя.

Рисунок 6 - Работа интеллектуальной системы прогнозирования остаточной прочности при моделировании оборонительного маневра истребителя с повреждениями различных размеров

Из полученных результатов следует, что:

при попадании ПЭ УР в геометрические обводы отсека крыла № 3 и величине SnoBp = 200 см2 уровень маневренных возможностей истребителя снижается до пу?ед = 8 единиц, что не влияет на выполнение противоракетного маневра;

СОДЕРЖАНИЕ

при попадании ПЭ УР в геометрические обводы отсека крыла № 3 и величине £повр = 850 см2 уровень маневренных возможностей истребителя снижается до п^ = 5 единиц, поэтому при дальнейшем маневрировании в присущей летчику манере пилотирования произойдет разрушение конструкции при пу ; = п"ред;

при попадании ПЭ УР в геометрические обводы отсека крыла № 3 и величине SnoBp = 1000 см2 уровень маневренных возможностей истребителя снижается до п^ед = 4 единиц,

в результате чего истребитель будет поражен ( пу i > кг) еще во время ввода в маневр.

После повторения операций 1-6 для каждой точки подрыва боевой части УР

рассчитывается вероятность непоражения Pi поврежденного истребителя как отношение количества реализаций, в которых фактическая перегрузка истребителя с повреждениями не превышает предельно допустимой к их общему числу

В результате многократного моделирования выполнения истребителем противоракетного маневра вероятность его непоражения без разработанной интеллектуальной системы составила P = 0,12, а с ее использованием - P' = 0,34 (рисунок 7), что подтверждает возможность повышения боевой живучести истребителя за счет применения интеллектуальной системы прогнозирования остаточной прочности крыла, информирующей летчика о величине предельно допустимой перегрузки.

Pi

0,9

0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 о

Без применения модели С применением модели

Рисунок 7 - Эффективность применяемой модели

Выводы. Таким образом, разработана интеллектуальная система прогнозирования остаточной прочности крыла истребителя, основанная на нейросетевом алгоритме, предназначенная для прогнозирования величины предельно допустимой перегрузки несущих поверхностей при наличии боевых повреждений после воздействия УР.

Оценка эффективности применяемой интеллектуальной системы с использованием разработанной методики показала, что основной показатель боевой живучести - вероятность непоражения P при наличии повреждений - увеличивается на 22 % вследствие дополнительного информирования летчика об уровне маневренных возможностей истребителя.

СОДЕРЖАНИЕ

СПИСОК ЛИТЕРАТУРЫ

1. Дмитриев В.Г., Чижов В.М. Основы прочности и проектирование силовой конструкции летательных аппаратов. М. 2005. 416 с.

2. Ковальчук Д.В., Сажин А.Н. Моделирование боевой повреждаемости конструкции планера самолета при воздействии средств поражения // Сборник научных статей по материалам VI Международной научно-практической конференции Академические Жуковские Чтения АЖЧ-2018. ВУНЦВВС «ВВА», 2018. С. 89-96.

3. Филиппов М.А., Осипов Н.Р., Кротова Е.Л. Преимущества нейронных сетей / Наука и

бизнес: пути развития. ФЕБОУ ВПО «Пермский национальный исследовательский

политехнический университет». 2016. С. 35-37.

4. Ковальчук Д.В. Имитационная модель воздействия поражающих элементов боевой части управляемой ракеты по самолету // Воздушно-космические силы. Теория и практика. 2021. № 17. С. 105-116. [Электронный ресурс]. Режим доступа: http://www.aKafleMna-BBC^/images/docs/vks/17-2020/105-116.pdf (дата обращения 11.05.2024).

5. Еребенников А.Е. Анализ НДС авиационных конструкций с помощью системы ANSYS: учебное пособие для студентов и специалистов промышленности / А.Е. Еребенников, Ю.Н. Еермес, Д.Ю. Дмитренко, С.П. Светличный, Ю.А. Яковлев. Харьков: АНТО «КНК», 2008. 394 с.

6. Санталов А.А., Клячкин В.Н. Разработка нейронной сети для оценки исправности гидроагрегата по результатам вибромониторинга // Программные продукты и системы. 2020. Т. 33. №4. С. 629-634.

7. Румянцев Ю.В., Романюк Ф.А. Разработка в MATLAB-Simulink искусственной нейронной сети для восстановления искаженной формы вторичного тока. Часть 2 // Энергетика. Изв. высш. учеб, заведений иэнерг. объединений СНЕ. 2022. Т. 65. № 1. С. 5-21.

REFERENCES

1. Dmitriev V.G., Chizhov V.M. Osnovy prochnosti i proektirovanie silovoj konstrukcii letatel'nyh apparatov. M. 2005. 416 p.

2. Koval'chuk D.V., Sazhin A.N. Modelirovanie boevoj povrezhdaemosti konstrukcii planera samoleta pri vozdejstvii sredstv porazheniya // Sbornik nauchnyh statej po materialam VI Mezhdunarodnoj nauchno-prakticheskoj konferencii Akademicheskie Zhukovskie Chteniya AZhCh-2018. VUNC VVS «VVA», 2018. pp. 89-96.

3. Filippov M.A., Osipov N.R., Krotova E.L. Preimuschestva nejronnyh setej / Nauka i biznes: puti razvitiya. FGBOU VPO «Permskij nacional'nyj issledovatel'skij politehnicheskij universitet». 2016. pp. 35-37.

4. Koval'chuk D.V. Imitacionnaya model' vozdejstviya porazhayuschih 'elementov boevoj chasti upravlyaemoj rakety po samoletu // Vozdushno-kosmicheskie sily. Teoriya i praktika. 2021. № 17. pp. 105-116. ['Elektronnyj resurs]. Rezhim dostupa: http://www.akademiya-vvs.rf/images/docs/vks/17-2020/105-116.pdf (data obrascheniya 11.05.2024).

5. Grebennikov A.G. Analiz NDS aviacionnyh konstrukcij s pomosch'yu sistemy ANSYS: uchebnoe posobie dlya studentov i specialistov promyshlennosti / A.G. Grebennikov, Yu.N. Germes, D.Yu. Dmitrenko, S.P. Svetlichnyj, Yu.A. Yakovlev. Har'kov: ANTO «KNK», 2008. 394 p.

6. Santalov A.A., Klyachkin V.N. Razrabotka nejronnoj seti dlya ocenki ispravnosti gidroagregata po rezul'tatam vibromonitoringa // Programmnye produkty i sistemy. 2020. T. 33. № 4. pp. 629-634.

7. Rumyancev Yu.V., Romanyuk F.A. Razrabotka v MATLAB-Simulink iskusstvennoj nejronnoj seti dlya vosstanovleniya iskazhennoj formy vtorichnogo toka. Chast' 2 // 'Energetika. Izv. vyssh. ucheb. zavedenij i 'energ. ob'edinenij SNG. 2022. T.65.№1. pp. 5-21.

© Макаренко B.A., Сажин A.H., 2024

СОДЕРЖАНИЕ

Макаренко Владимир Андреевич, адъюнкт, Военный учебно-научный центр Военно-воздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж), Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54А, [email protected].

Сажин Александр Николаевич, кандидат технических наук, доцент, заместитель начальника кафедры авиационных комплексов и конструкции летательных аппаратов, Военный учебно-научный центр Военновоздушных сил «Военно-воздушная академия имени профессора Н.Е. Жуковского и Ю.А. Гагарина» (г. Воронеж), Россия, 394064, г. Воронеж, ул. Старых Большевиков, 54А, [email protected].

СОДЕРЖАНИЕ

UDC 681.518.5

GRNTI 78.25.13

INTELLIGENT SYSTEM FOR PREDICTING THE RESIDUAL STREINGTH OF

BEARING SURFACES FOR ENSURING COMBAT SURVIVABILITY OF GLIDER

V.A. MAKARENKO

MESC AF «N.E. Zhukovsky and Y.A. Gagarin Air Force Academy» (Voronezh)

A.N. SAZHIN, Candidate of Technical Sciences, Associate Professor

MESC AF «N.E. Zhukovsky and Y.A. Gagarin Air Force Academy» (Voronezh)

An intelligent system for predicting the residual strength of a fighter wing at the presence of combat damage has been developed. The main element of is an neural network which trained on data set obtained during the strength analysis of a finite element model of a the system damaged wing of fighter. It based on the MATLAB software package, the learning algorithm was selected and the hyper parameters of the neural network were determined. It need to achieve the lowest value of the loss function. A methodology for evaluating the effectiveness of the developed intelligent predicting system of the residual strength of bearing surfaces with combat damage has been proposed. An evaluation of the main indicator of combat survivability increasing was made by calculating the probability of nonattack a fighter during repeated modeling of defensive maneuver, which amounted to 22 % due to using the proposed system.

Keywords: survivability, guided missile, striking element, predicting, residual strength, neural network.