ПРОБЛЕМИ І ПЕРСПЕКТИВИ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ У ЗАДАЧАХ МОНІТОРИНГУ ТЕХНІЧНОГО СТАНУ АВІАЦІЙНИХ ДВИГУНІВ ВЕРТОЛЬОТІВ У ПОЛЬОТНИХ РЕЖИМАХ Текст научной статьи по специальности «Компьютерные и информационные науки»

УДК 629.765 https://doi.org/10.35546/kntu2078-4481.2021A7

С.1. ВЛАДОВ

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-8009-5254 1.О. ДСРЯБ1НА

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-5164-2976 Н.В. ПОДГОРНИХ

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук

ORCID 0000-0002-1503-6896 С.А. ГРИБАНОВА

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-5831-2363 А.А. ЯНЩЬКИЙ

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ORCID 0000-0001-5318-1915

ПРОБЛЕМИ I ПЕРСПЕКТИВИ ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ У ЗАДАЧАХ МОН1ТОРИНГУ ТЕХН1ЧНОГО СТАНУ АВ1АЦ1ЙНИХ ДВИГУН1В ВЕРТОЛЬОТ1В У ПОЛЬОТНИХ РЕЖИМАХ

Для покращення показниюв якостг систем автоматичного управлгння актуальною е задача розробки нових алгоритмгв 1дентиф1каци та дгагностики технгчних об'ектгв. Одним 1з шляхгв розв 'язання задач! е застосування штучних нейронних мереж. З метою досл1дження проблем застосування штучних нейронних мереж для 1дентиф1каци та дгагностики технгчних об 'ектгв, зокрема, авгацшних двигутв вертольотгв, проведено анализ наукових праць з ц1ег тематики за остант роки. Розглянуто 1снуюч1 тдходи до побудови систем дгагностики несправностей та систем автоматичного управлгння на основi штучних нейронних мереж. Результати наведеного анализу можуть бути використаш при розробц нових методiв та алгоритмiв iдентифiкацii та дiагностики техтчних об'ектiв на основi нейромережевих аналiзаторiв. У цш роботi як приклад наведена узагальнена нейромережева модель авiацiйних двигунiв вертольотiв, що застосовуеться для мотторингу Их техтчного стану в режимi польотiв вертольотiв. З даною моделлю у роботi сформульовано задача iдентифiкацii технiчного стану авiацiйних двигутв вертольотiв. У цш роботi наведено приклад застосування нейромережевих технологт у задачах управлiння авiацiйними двигунами вертольотiв у польотних режимах. Розроблено структуру моделi управлiння авiацiйними двигунами вертольотiв у польотних режимах iз застосуванням нейронно'1' мережi архтектури персептрон. Отриман результати свiдчать про переваги застосування нейронних мереж у задачах управлiння авiацiйними двигунами вертольотiв у польотних режимах перед тшими методами, наприклад, методом управлiння i-з застосуванням ПIД-регуляторiв. З боку сучасних програмно-техтчних засобiв вiдсутнi будь-як обмеження на складтсть використовуваних алгоритмiв, проте для реалiзацii тих значних потенцшних можливостей, як мають системи управлтня на основi штучних нейронних мереж, потрiбна розробка концептуально нових пiдходiв до побудови таких систем.

Ключовi слова: штучна нейронна мережа, система автоматичного управлiння, iдентифiкацiя, дiагностика, нейрорегулятор.

С.И. ВЛАДОВ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-8009-5254 И.А. ДЕРЯБИНА

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-5164-2976 Н.В. ПОДГОРНИХ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0002-1503-6896 С.А. ГРИБАНОВА

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-5831-2363 А.А. ЯНИЦКИЙ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ORCID 0000-0001-5318-1915

ПРОБЛЕМЫ И ПЕРСПЕКТИВЫ ПРИМЕНЕНИЯ НЕЙРОННЫХ СЕТЕЙ В ЗАДАЧАХ МОНИТОРИНГА ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННЫХ ДВИГАТЕЛЕЙ ВЕРТОЛЕТОВ В ПОЛЕТНЫХ РЕЖИМАХ

Для улучшения показателей качества систем автоматического управления актуальной является задача разработки новых алгоритмов идентификации и диагностики технических объектов. Одним из путей решения задачи является применение искусственных нейронных сетей. В целях исследования проблем использования искусственных нейронных сетей для идентификации и диагностики технических объектов, в частности, авиационных двигателей вертолетов, проведен анализ научных работ по данной тематике за последние годы. Рассмотрены существующие подходы к построению систем диагностики неисправностей, а также систем автоматического управления на основе искусственных нейронных сетей. Результаты приведенного анализа могут быть использованы при разработке новых методов и алгоритмов идентификации и диагностики технических объектов на основе нейросетевых анализаторов. В данной работе в качестве примера приведена обобщенная нейросетевая модель авиационных двигателей вертолетов, которая применяется для мониторинга их технического состояния в режиме полетов вертолетов. На основании данной модели в работе сформулирована задача идентификации технического состояния авиационных двигателей вертолетов. В данной работе приведен пример применения нейросетевых технологий в задачах управления авиационными двигателями вертолетов в полетных режимах. Разработана структура модели управления авиационными двигателями вертолетов в полетных режимах с применением нейронной сети архитектуры персептрон. Полученные результаты свидетельствуют о преимуществах применения нейронных сетей в задачах управления авиационными двигателями вертолетов в полетных режимах перед другими методами, например, методом управления с применением ПИД-регуляторов. Со стороны современных программно-технических средств отсутствуют какие-либо ограничения на сложность используемых алгоритмов, однако для реализации тех значительных потенциальных возможностей, которые имеют системы управления на основе искусственных нейронных сетей, требуется разработка концептуально новых подходов к построению таких систем .

Ключевые слова: искусственная нейронная сеть, система автоматического управления, идентификация, диагностика, нейрорегулятор.

S.I. VLADOV

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-8009-5254 I.O. DIERIABINA

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-5164-2976 N.V. PODHORNYKH

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0002-1503-6896 S.A. HRYBANOVA

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-5831-2363 A.A. YANITSKYI

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-5318-1915

PROBLEMS AND PROSPECTS OF THE USE OF NEURAL NETWORKS IN MONITORING TASKS

OF HELICOPTERS AIRCRAFT ENGINES TECHNICAL STATE IN FLIGHT MODES

To improve the quality indicators of automatic control systems, it is urgent to develop new algorithms for the identification and diagnostics of technical objects. One of the ways to solve the problem is the use of artificial neural networks. In order to study the problems of using artificial neural networks for the identification and diagnostics of technical objects, in particular, helicopters aircraft engines, an analysis of scientific works on this topic in recent years has been carried out. The existing approaches to the construction of fault diagnostics systems, as well as automatic control systems based on artificial neural networks, are considered. The results of the above analysis can be used in the development of new methods and algorithms for identification and diagnostics of technical objects based on neural network analyzers. In this paper, as an example, a generalized neural network model of helicopter aircraft engines is presented, which is used to monitoring their technical state in the helicopter flight mode. Based on this model, the paper formulates the problem of identifying the technical condition of helicopter aircraft engines. This paper provides an example of the use of neural network technologies in the control problems of helicopter aircraft engines in flight modes. The structure of the model for

controlling helicopters aircraft engines in flight modes using a neural network of the perceptron architecture has been developed. The results obtained indicate the advantages of using neural networks in the problems of controlling helicopters aircraft engines in flight modes over other methods, for example, a control method using PID controllers. On the part of modern software and hardware, there are no restrictions on the complexity of the algorithms used, however, to realize the significant potential capabilities that control systems based on artificial neural networks have, it is necessary to develop conceptually new approaches to the construction of such systems.

Keywords: artificial neural network, automatic control system, identification, diagnostics, neuroregulatory.

Постановка проблеми

Нейронш мереж - роздш штучного штелекту, в якому для обробки сигналiв використовуються явища, аналопчш, що перебiгають у нейронах живих iстот [1]. Дослiдженню штучних нейронних мереж (ШНМ), присвяченi роботи вичизняних авторiв (В.А. Терехова, В.М. Лазарева, А.П. Свиридова, А.Н. Горбань тощо), а також зарубiжних (С. Осовського, Ф. Уоссермена, А.К. Джейна тощо).

Основними функцiями ШНМ е:

- функщя апроксимацп, актуальна при розв'язанш задач моделювання, щентифшаци та обробки сигналiв;

- функцiя класифжаци та розшзнавання образiв, актуальна, наприклад, тд час розв'язання задач дiагностики стану об'екта;

- функщя прогнозування, актуальна в ощнюванш майбутнього поведiнки системи з наявно! послiдовностi li попередшх станiв;

- функцiя щентифжацп та ощнювання, актуальна при розв'язаннi задач управлшня динамiчними прощесами;

- функцiя асощативного управлiння.

Аналiз зарубiжних дослiджень, присвячених ШМН та нейрокомп'ютерам, дозволяе видшити так1 перспективнi напрямки сучасного розвитку нейромережевих та нейрокомп'ютерних технологiй [2]:

- нейропакети;

- нейромережевi експертнi системи;

- СУБД iз використанням нейромережевих алгорштшв;

- обробка сигналiв та зображень;

- управлшня динамiчними системами;

- оптичш нейрокомп'ютери;

- системи вiртуальноl реальностi.

Нинi дослiдженнями у цш галузi займаеться понад 300 зарубiжних фiрм, причому !х постiйно збшьшуеться. Серед них Intel, DEC, IBM, Motorolla тощо. Спостерiгаеться тенденцiя переходу ввд програмно1 до програмно-апаратно1 реалiзацil нейромережевих алгоритмiв зi значним збшьшенням числа розробок НВIС-нейрочiпiв. 1стотно збшьшилася к1льк1сть вiйськових розробок, орiентованих на створення надшвидких, «розумних» суперЕОМ.

Аналiз останшх дослiджень i публiкацiй

Широке застосування ШНМ знайшли для розв'язання задач медично1 дiагностики, а також при дослщженш та прогнозуваннi рiзних економiчних процесiв та явищ, тобто там, де вщсутш способи формального опису дослщжуваних об'ектiв та явищ.

У свою чергу, при розв'язанш техшчних задач, таких, як щентифжащя об'екпв управлiння, синтез регуляторiв, дiагностика несправностей, застосування ШНМ досi досить обмежене. Частково це пояснюеться наявшстю розвиненого математичного апарату, що описуе процеси та явища, що переб^ають в об'ектах, а також наявшстю велико1 кiлькостi методiв розв'язання зазначених задач. Незважаючи на це, в останш роки спостерiгаеться позитивна динамжа щодо застосування ШНМ для розв'язання задач щентифжацп та дiагностики несправностей техшчних об'екпв. Наприклад, у роботах 1.П. Добродеева, А.С. Макарова, Д.С. Легконогих як об'ект дослщження розглядаються авiацiйний газотурбiнний двигун (ГТД) та його система автоматичного управлшня (САУ), наводиться опис шдходу до техшчно1 дiагностики авiацiйних силових установок iз застосуванням математичного апарату ШНМ [3], розглядаються проблеми шдвищення ефективностi нейромережевих методiв розв'язання основних типiв дiагностичних задач ГТД шляхом оптимiзацil нейромережевих моделей на основi функцiональноl адаптацп [4], а також пiдвищення оперативносп та достовiрностi виявлення вiдмов САУ ГТД в умовах змiни режимiв роботи двигуна та методики 1хньо1 програмно-апаратно1 реалiзацil [5]. Розробцi методiв дiагностики авiацiйних ГТД за умов частково1 втрати iнформацil присвячено дослщження [6]. Створенню методу оптимально1 фрагментацп нейронно1 мережi, що дозволяе створити апаратно-програмний комплекс на основi великих нейронних мереж, присвячено роботу С.Ю. Степанова [7]. Крiм того, низка дослщжень присвячена розв'язанню задач дiагностики двигунiв постiйного струму iз застосуванням

нейромережевих моделей [8, 9], а також проблем оперативно! дiагностики стану мехатронного комплексу фонду електровщцентрових насоав нафтовидобувних свердловин з метою скорочення шлькосп !х вiдмов [10].

Формулювання мети дослвджень

Метою дано! роботи е обгрунтування застосування ШНМ для розв'язання прикладних задач монiторингу технiчного стану авiацiйних двигунiв вертольотiв у польотних режимах.

Принцип побудови нейромережевоТ моделi складних технiчних об'eктiв На основi анал1зу наведених джерел можна зробити висновок про те, що рiвень розв'язання велико! кiлькостi задач аналiзу та синтезу САУ нижчий за рiвень потреб та можливостей розвитку наукових та техшчних досягнень. Зокрема, актуальною е проблема визначення та локалiзацi! несправностей САУ, що проектуються на основi мiкроконтролерiв та мiкропроцесорiв. На рис. 1 представлена схема можливих шлях1в пошуку несправностей залежно вiд стадi! життевого циклу виробу, а також дослiджуваних канал1в систем управлшня.

Рис. 1. Схема шляхiв пошуку несправностей у САУ

Розробка та реалiзацiя нових нетривiальних алгорштшв монiторингу та оперативно! дiагностики техшчних об'екпв та САУ в цшому на основi ШНМ дозволить тдвищити надiйнiсть пристро!в та водночас спростити !х конструкцiю за рахунок виключення так званого «гарячого резервування», а також зменшити експлуатацшш витрати, витрати на технiчне обслуговування та ремонт обладнання.

Однак при розробцi алгорштшв дiагностики та проектуваннi САУ на основi ШНМ досi не виршено низку проблем, головними з яких е так1 [11]:

- вщсутшсть формальних методiв вибору типу ШНМ, адекватного розв'язуваному класу задач;

- недостатня обгрунтованiсть вибору методiв ошгашзацп у процедурi навчання ШНМ, що призводить до великих помилок прогнозу та часу навчання;

- висока комбшаторна складнiсть проблем, пов'язаних з автоматичним формуванням топологи ШНМ, що у багатьох випадках не дозволяе створювати штелектуальш шформацшш технологi! на базi ШНМ з мшмальною складнiстю.

У загальному виглядi алгоритм розв'язання задач апроксимацi! та класифжаци iз застосуванням ШНМ, вщповщно до [1], представлений на рис. 2.

Осшльки в термiнах ШНМ задача дiагностики несправностей (як частинна задача комплексного мониторингу) вiдноситься до групи задач класифiкацi! та розтзнавання образiв, пiсля постановки задачi та аналiзу вхiдних даних проводиться попередня обробка даних - так звана екстракщя (визначення властивостей). Це пов'язано з тим, що опис самого образу повинен наводитися до виду, що забезпечуе його незалежшсть ввд можливого перемiщення, ротацi! та масштабування. Внаслiдок такого перетворення формуються значення властивостей образу, що подаються для розтзнавання на вхвд нейронно! мереж1, i, тому розроблено рiзнi методи (метод статистичних моментiв, метод перетворення Фур'е, хвильове перетворення, перетворення RSA, перетворення Карунена-Лоева тощо), вибiр яких визначаеться специфжою розв'язувано! задачi. Далi слiдуе етап попереднього пiдбору архгтектури мереж1, який включае:

- вибiр кiлькостi шарiв мереж1;

- вибiр кiлькостi нейронiв у кожному шарц

- визначення необхiдних зв'язк1в м1ж шарами.

Рiшення щодо вибору остаточно! схеми мереж1 може бути прийняте лише пiсля повноцiнного навчання ф зменшенням похибки до рiвня, що визнаеться задовiльним) рiзних варiантiв и структури. Етапу навчання передуе пiдбiр навчальних вибiрок i додавання шуму в навчальт вибiрки, оск1льки для добре натреновано! мереж1 стае актуальною задача вироблення у вихiдних сигналiв чутливостi до

варiацiй вхщних величин за умови, що вони знаходяться в певних допустимих межах, а мережа реалiзуe монотонне воображения.

Навчання мереж1 у разi розв'язання задачi диагностики несправностей (завдань класифшацп та розпiзнавания образiв) проводиться найчаспше методом зворотного поширення помилки з використанням одного з навчальних алгоритшв на множинi навчальних даних, що послщовно представляють всi класи образiв, що пiдлягають розпiзнаванню. У режимi вiдтворения класифiкований образ, що пройшов через всi фази екстракцп, подаеться на вхiд мереж1, збуджуе вихщний нейрон, який вiдповiдае необхiдному класу.

Головним критерiем пiдбору оптимально! архггектури мереж1 е здатнiсть до узагальнення. Мережа, натренована на деяк1й шдмножиш навчальних вибiрок, генеруе очiкуванi результати при подачi на !! вхщ даних, що належать до пе! ж множини, але не брали участь безпосередньо у процеа навчання. Пiдбiр оптимально! структури мереж! зводиться до зменшення кiлькостi прихованих нейрошв i мiжнейронних зв'язшв, тобто, до редукцп мереж! за допомогою рiзних методiв (з урахуванням чутливосп, з використанням штрафно! функцп тощо) або до нарощування мереж1 (алгоритми Мезарда-Рис. 2. Блок-схема алгоритму розв'язання задач Надала, Мерчанда, метод ЛьТафтса, алгоритм

апроксимаци та класифжаци i3 застосуванням ШНМ каскадно! кореляци С. Фальмана).

1ншим перспективним напрямом застосування ШНМ, як було зазначено вище, е щентифшащя техшчних об'екпв та управлшня динам!чними процесами. Нин! проблему практичного використання ШНМ у САУ виршено лише частково. Недостатньо повно висвплено питання застосування нейрорегулятор!в у САУ, а також ввдсутт формальш методики побудови нейромережевих моделей об'екпв управлшня (ОУ) р!зно! складносп. £ приклади застосування рекурентних та нерекурентних ШНМ для розв'язання лише окремих частинних задач даного класу.

Разом з тим можна констатувати науковий штерес, що збшьшуеться, до дано! галуз! застосування ШНМ, особливо в останш роки. У цьому слад зазначити роботу В.Л. £л!сеева [12], присвячену розробщ та дослщженню нейромережевих алгоритшв управлшня стацюнарними та нестацюнарними об'ектами, а також роботи С. А. Агваш [13] та А.А. Атсшова [14], що розглядають питання синтезу адаптивного нейрорегулятора для управлшня нелшшним багатозв'язним об'ектом та щентифжацп електромехашчних систем з використанням ШНМ. На особливу увагу заслуговуе робота В.Б. Троф!мова [15], в якш зроблено спробу виршити в комплекс! проблеми побудови та навчання нейромережевих моделей об'екпв у замкнутому контур! управлшня та сформувати науково-методичш засади розробки нейроекспертних розшзнавач!в, яш можуть бути застосоваш при комплексному мониторингу техшчного стану ав!ацшних ГТД вертольопв у польотних режимах.

Анал!з наведених джерел показуе, що щентифжащя техшчних об'екпв з використанням апарату ШНМ мае наступш переваги:

- нейромережна модель ОУ при устшному навчанш е бшьш точною, шж модель, в основ! яко! лежить передавальна функщя, особливо при щентифжацп об'екпв високого порядку з! складним математичним описом;

- застосування нейромережевих моделей дае можливють моделювання динам!ки ОУ у р!зних режимах, у тому числ!, екстремальних, як1 неможливо вщтворити на наявному лабораторному обладнанш;

- нейрорегулятори дозволяють синтезувати високояшсш САУ нестацюнарними об'ектами та об'ектами з розподшеними параметрами.

На рис. 3 наведена широко цитована у р!зних джерелах схема САУ з нейромережевою моделлю ОУ та нейрорегулятором, де НР - нейрорегулятор; ОУ - об'ект управлшня; НМ - нейромережева модель

ОУ; д(/) - сигнал iз задатчика; г(/) - сигнал на входi НР; и(/) - керуючий вплив, що формуеться НР; /(?) збуджуюча дiя; у(/) - сигнал на виходi ОУ; уУ (О - сигнал на виходi НМ; е(/) - сигнал помилки.

НР

и(г)

НМ

ОУ у(0

в(1)

Рис. 3. Структурна схема САУ з нейромережевою моделлю ОУ та нейрорегулятором

Проте, недолжом дано! схеми е те, що тут потрiбно як мшмум уточнения алгоритму синтезу нейрорегулятора на основi iнвертувания нейромережево! моделi ОУ, а також недостатньо явно простежуеться взаемозв'язок мiж подбором вагових коефщенпв НМ та НР. Крiм того, потрiбне додаткове опрадювання питання про можливiсть об'еднання НР та НМ в одну ШНМ.

Окрему проблему е навчання нейромережево! модель Необхiдно визначити найбiльш iнформативнi методи щентифжацп, як серед традицiйно застосовуваних з використанням експериментально знятих кривих розгону ОУ у(?) при рiзних комбiнацiях керуючих ы(Г) i збуджуючих^) впливiв, кривих ви61гу тощо, так i принципово нов1, що враховують специфiку процесiв навчання ШНМ.

Питання застосування в САУ астатичних нейрорегуляторiв у наукових працях практично не висвiтлено. Що стосуеться синтезу нейрорегуляторов дуже актуальною е задача отримання нульово! помилки регулювання пiд час використання в САУ нейромережевих аналогiв П1Д-регулятора, астатических регуляторiв стану та iнших аналогiчних систем.

Узагальнена нейромережева модель авiацiйних ГТД вертольоив

Авiацiйний ГТД вертольоту е складною техшчною системою. Розвиток пiдходiв монiторингу технiчного стану ГТД йде у к1лькох напрямах: розробка нових фiзичних принципiв монiторингу, розробка дiагностичних засобiв та систем, удосконалення алгорштшчних процедур [16]. Актуальнiсть питань мониторингу досить висока, враховуючи, що е тенденцп до розробки ГТД з бшьшими ресурсами та з бшьшим експлуатацшним наваитажениям. Щна несправностi, руйнування чи катастрофи надзвичайно висока, особливо, коли йдеться про людсьш життя. Розробка систем монiторингу дозволяе тдвищити безпеку експлуатацп ГТД.

Застосування нейронних при розробцi моделей авiадiйних ГТД вертольопв мае низку незаперечних переваг, осшльки:

- класичнi методи апроксимацп функдiй дек1лькох змiнних не дозволяють реалiзувати простi механiзми вибору структури математичних моделей, у той час як розробка нейромережевих моделей базуеться на використанш стандартних процедур вибору структури нейронно! мереж1 i методiв !х навчання;

- реалiзацiя класичних методiв iнтерполяцi! на основi сплайн-функдiй вимагае значних обчислювальних ресурсiв, при цьому забезпечення обчислень у реальному масштабi часу, як правило, проблематично. Багатошарова органiзацiя нейронних мереж дозволяе виконувати паралельнi обчислення (при апаратнiй реалгацп нейронно! мереж1), що забезпечуе розв'язок задачi апроксимацi! в реальному масштабi часу;

- за допомогою нейронно! мереж1 досить просто будуються шверсш моделi авiацiйних ГТД вертольотiв, як1 використовуються в компенсуючих регуляторах.

На рис. 4 приведена узагальнена структурна схема процесу настройки параметрiв (процедури навчання) нейромережево! моделi авiацiйного ГТД вертольоту (на прикладi двигуна ТВ3-117), де и = (щ, и2 ..., ит)т - вектор вхщних (керуючих) впливiв; У = (у1, у2 ..., ут)т - вектор вихщних параметрiв двигуна;

уНМ _ / НМ НМ НМ\т

У ~ ^ у1 ,У 2 ,..., Уп ) _

вектор виходiв нейронно! мереж1; АЩ - прирiст ваг синаптичних зв'язк1в

нейронно! мереж1.

и

ип

Рис. 4. Схема навчання нейромережевоТ моделi авiацiйного ГТД вертольоту (на приклад двигуна ТВ3-117)

Перетворення вектору управляючих впливiв на вектор вихщних параметрiв описуеться оператором Б (який в загальному випадку може описувати статичну або динамiчну модель):

У = Р(и).

(1)

Задача щентифжацп авiацiйного ГТД вертольоту за допомогою ШНМ може бути сформульована наступним чином. За шдсумками пропонованих нейронно! мереж1 в процесi навчання множини векторiв (и,-; У,), що утворюють «навчальну вибiрку» i отриманих експериментальним шляхом для iндивiдуального екземпляра двигуна, необхщно вiдшукати оператор РНМ в класi нейромережевих архiтектур, який найкращим чином представляв би (апроксимував) оператор Б.

Апроксимацiя оператора Б оператором БНМ може вважатися найкращою, якщо деякий функцiонал вiд рiзницi (У - Унм) не перевищуе задано! досить мало! величини едод, що визначае точнiсть апроксимацi! оператора

Е = У - Ун

№ ^

(2)

Виконання умови (2) забезпечуеться шляхом навчання нейронно! мереж1, тобто настройки !! параметрiв на навчальнiй вибiрцi {(И, У)} i перевiряеться на спецальним чином органiзованiй «тестовш вибiрщ».

Приклад застосування нейромережевих технологш в задачах управлшня ашацшними

газотурбiнними двигунами вертольоив у польотних режимах Вiдомо, що нейроуправлшня - це окремий випадок iнтелектуального управлiння, що використовуе штучш нейроннi мережi на вирiшення задач управлшня складними динамiчними об'ектами. Нейроуправлшня знаходиться на стику таких дисциплш, як штучний iнтелект, нейрофiзiологiя, теорiя автоматичного управлiння, робототехнiка тощо. Нейронш мережi мають низку унiкальних властивостей, що робить !х потужним шструментом для створення систем управлiння: здаттстю до навчання на прикладах та узагальнення даних, здатнiстю адаптуватися до змши властивостей об'екта управлiння та зовтшнього середовища, придатнiстю для синтезу нелшшних регуляторiв, високою стшюстю до пошкоджень сво!х елеменпв у силу спочатку закладеного в нейромережеву архитектуру паралелiзму. У роботi [17] було проведено дослвдження iснуючих методiв нейроуправлшня, за результатами якого було обрано метод пбридного нейроупрамння щодо випробувань складних динамiчних об'ектiв. Розглянемо як об'ект управлшня ашацшним ГТД ТВ3-117, що входить до складу силово! установки вертольоту М1-8МГВ. Спрощена модель ГТД ТВ3-117 описуеться такими рiвняннями: - рiвняння кута дозатора газу:

(3)

рiвняння витрати палива:

- рiвняння частоти обертання ротора турбокомпресора:

- рiвняння частоти обертання ротора вшьно! турбiни:

^СТ ^41 ' ^ ' ^42 ' ^ТК «13 ' ^СТ «II ' ^45 ' ^^КЯ '

(4)

(5)

(6)

Кут дозатора газу Ащ регулюе к1льк1сть палива От, що поступае, в результат! обертаеться турбша компресора птк, обертання переходить на в1льну тур61ну пст, на яку подаеться навантаження Мкя

У процес1 дослiджень було розглянуто р1зн1 моделi нейроуправлiния. Для управлшня авiацiйним ГТД ТВ3-117 було виршено реалiзувати варiант г16ридного нейро-ШД-управлшня без входу, на який надходить помилка 1з затримкою за часом. Дане ршення дещо ускладнюе процес навчания та робить нейронну мережу бшьш прив'язаною до конкретного перехвдного процесу, тобто. до конкретно! спрощено! моделi. Побудова мережа, що ввдповщае р1зним спрощеним моделям, можлива, але залишаеться питания про швидкод1ю тако! мережа в реальних умовах.

У результата проведених експериментiв було обрано так1 параметри нейронно! мережа: 1) тип -багатошаровий персептрон; 2) шльшсть прихованих шарiв - два; 3) шльшсть нейрошв у першому шарi -п'ятнаддять; 4) шльшсть нейрошв у другому шарi - двадцять; 5) к1льк1сть нейронiв у вих1дному шарi -три; метод навчания нейронно! мережа - навчания з учителем за допомогою алгоритму зворотного поширення похибки [18].

Загальна структура моделi управлiння представлена на рис. 5. При моделюванш керуючою величиною е кут дозатора газу Ащ, а керованою - частота обертання ротора вшьно! турбши пст. У ро6от1 проведено пор1вияння вих1дного графiка перехiдного процесу з застосуванням ПIД-управлiния 1з графiком перехiдного процесу 1з застосуваниям г16ридного нейро-ПIД-управлiния, результуючий граф1к представлено на рис. 6.

а б

Рис. 5. Загальна структура модели а - без нейронноТ мережц б - iз застосуванням нейронноТ мереж1

ш

¡5 15000

о

я

"1 14250

л

I

& 12750 о

о «

о 12000

г Л 4 1 \ 2

I

Час. с 10

Рис. 6. Графи* перехiдного процесу: 1 - вихiдний графш iз застосуванням ПЩ-управлшня; 2 -вихщний графш iз застосуванням гiбридного нейро-ПIД-управлiння

З рис. 2 видно, що при застосуванш пбридного нейро-ПIД-управлiння полiпшенi наступш показники якост1 регулювання: помилка в режим1, що встановився, перерегулювання i час перехiдного процесу, к1льк1сть коливань за час перех1дного процесу. Пор1вняння систем е виправданим, оск1льки налаштування П1Д-регулятора у першому експеримент1 е в1дправною точкою для налаштування нейронно! мереж1. Отриманий результат п1дтверджуе можлив1сть застосування г1бридного нейро-П1Д-управл1ння в рамках задач1, що розв'язуеться.

Висновки

На тепершнш час найб1льш перспективним е використання ШНМ для розв'язання задач д1агностики та прогнозування, насамперед, у галузях, де в1дсутн1 способи формального опису досл1джуваних об'ект1в чи явищ. Для розв'язання задач 1дентиф1кацп та д1агностики техн1чних об'ект1в за допомогою ШНМ потр1бна розробка формальних метод1в вибору вих1дного опису об'екта, типу ШНМ, обгрунтованого вибору алгоритму навчания ШНМ та метод1в оптим1зацл у процедур1 навчания. У термшах ШНМ задача 1дентиф1кац1! техн1чного об'екта належить до класу задач апроксимацп, а завдання д1агностики несправностей - до групи завдань класиф1кац1! та розтзнавання образ1в. В останн1

роки спостертаеться тенденщя переходу вщ програмно1 до програмно-апаратно! реалiзацil нейромережевих алгоритшв. З боку сучасних програмно-техшчних засобiв вiдсутнi будь-як1 обмеження на складшсть використовуваних алгоритмiв, проте для реалiзацil тих значних потенцiйних можливостей, що мають системи управлiння на основi ШНМ, потрiбна розробка концептуально нових пiдходiв до побудови таких систем.

Список використанот лiтератури

1. Осовский С. Нейронные сети для обработки информации / пер. с польского И. Д. Рудинского. Москва : Финансы и статистика, 2002. 344 с.

2. Лазарев В. М., Свиридов А. П. Нейросети и нейрокомпьютеры. Москва : Издательство МГТУ РЭА, 2011. 131 с.

3. Легконогих Д. С. Применение нейросетевых технологий в системах диагностики авиационных силовых установок. Известия Самарского научного центра Российской академии наук. 2012. Т. 14. № 4 (2). С. 639-643.

4. Добродеев И. П. Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации : дис. ... канд. техн. наук. Рыбинск, 2010. 218 с.

5. Макаров А. С. Алгоритмы контроля и диагностики систем управления авиационными ГТД на основе нейросетевых моделей и нечеткой логики : дис. ... канд. техн. наук. Уфа, 2011. 207 с.

6. Метод диагностирования авиационных двигателей в условиях частичной потери информации / Е. Копытов, B. Лабендик, А. Осис, А. Тарасов. Авиадвигатели XXI века : труды II Международной научно-технической конференции, 2005. C. 246-247.

7. Степанов С. Ю. Проектирование процедур организации управления объектами машиностроения на основе аппарата фрагментации больших нейронных сетей : дис. ... канд. техн. наук. Москва, 2011. 152 с.

8. Скалозуб В. В., Швец О. М. Нейросетевые модели диагностики электродвигателей постоянного тока. Iнформацшно-керуючi системи на зал1зничному транспортi. 2009. № 4. С. 7-11.

9. Керенцев Е. В. Анализ методов диагностирования двигателей постоянного тока на автомобиле. Вектор науки Тольяттинского государственного университета. 2011. № 3(17). С. 50-53.

10. Коровин Я. С. Методы и средства оперативной диагностики состояния электроцентробежных насосов нефтедобывающих скважин на основе нейронных сетей : дис. ... канд. техн. наук. Таганрог, 2011. 162 с.

11. Воеводин Ю. Ю. Методы и алгоритмы структурно-параметрического синтеза нейросетевой модели для формирования интеллектуальных информационных технологий : дис. ... канд. техн. наук. Волгоград, 2009. 153 с.

12. Елисеев В. Л. Разработка и исследование нейросетевых алгоритмов управления стационарными и нестационарными объектами : дис. ... канд. техн. наук. Москва, 2012. 208 с.

13. Агвами С. А., Коломейцева М. Б. Синтез адаптивного нейрорегулятора для управления нелинейным многосвязным объектом. Вестник Московского энергетического института. 2011. № 6. С. 209-215.

14. Анисимов А. А., Горячев М. Н. Идентификация электромеханических систем с использованием искусственной нейронной сети. Вестник Ивановского государственного энергетического университета. 2008. Вып. 3. С. 55-58.

15. Трофимов В. Б. Методы и алгоритмы построения нейроэкспертных систем автоматического контроля и управления технологическими процессами (на примере черной металлургии) : дис. ... канд. техн. наук. Новокузнецк, 2008. 189 с.

16. 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.

17. Бахирев И. В. Нейросетевые модели управления в задачах испытания САУ ГТУ. Инновационные технологии: теория, инструменты, практика (INNOTECH 2012). 2013. С. 66-71.

References

1. Osovskiy, S. Neyronnye seti dlya obrabotki informatsii [Artificial Neural Networks for Information Processing]. Moscow, Finansy i statistika, 2002, 344 p.

2. Lazarev, V. M., Sviridov, A. P. Neyroseti i neyrokomp'yutery [Neural Networks and Neural Computers]. Moscow, MGTU REA, 2011, 131 p.

3. Legkonogikh, D. S. (2012), "Primenenie nejrosetevyh tekhnologij v sistemah diagnostiki aviacionnyh silovyh ustanovok" [Application of neural network technologies in diagnostic systems of aircraft power plants], Izvestiya Samarskogo nauchnogo tsentra Rossiyskoy akademii nauk, vol. 14, issue 4(2), pp. 639-643.

4. Dobrodeev, I.P. Povyshenie effektivnosti neyros- etevykh modeley v sistemakh diagnostiki tekhnicheskogo sostoyaniya gazoturbinnykh dvigateley na osnove funktsional 'noy adaptatsii. Diss. kand. tekhn.

nauk [Increasing the Efficiency of Neural Networks Models in Gas Turbine Engine Diagnostic Systems based on Functional Adaptation. Cand. tech. sci. diss.]. Rybinsk, 2010. 218 p.

5. Makarov, A.S. Algoritmy kontrolya I diagnostiki system upravleniya aviatsionnymi GTD na osnove neyrosetevykh modeley i nechetkoy logiki. Diss. kand. tekhn. nauk [Control and Diagnostic Algorithms for Aviation Gas Turbine Engine Control Systems based on Neural Networks Models and Fuzzy Logic. Cand. tech. sci. diss.]. Ufa, 2011. 207 p.

6. Kopytov, E., Labendik, V., Osis, A., Tarasov, A. (2005), "Metod diagnostirovaniya aviatsionnykh dvigateley v usloviyakh chastichnoy poteri informatsii" [Aviation Engine Diagnostic Method in Condition of Partial Information Losses], Trudy II Mezhdunarodnoy nauchno-tekhnicheskoy konferentsii «Aviadvigateli XXI veka» [Works of the Il-nd International Scientific and Technical Conference «AviaEngines of the XXI century»]. Moscow, 2005, pp. 246-247.

7. Stepanov, S. Yu. Proektirovanie protsedur organizatsii upravleniya ob»ektami mashinostroeniya na osnove apparata fragmentatsii bol'shikh neyronnykh setey. Diss. kand. tekhn. nauk [Designing the Control Organization Procedures of Maching-building Objects on the basis of Fragmentation Apparatus of Big Neural Networks. Cand. tech. sci. diss.]. Moscow, 2011. 152 p.

8. Skalozub, V. V., Shvets, O. M. (2009), "Nejrosetevye modeli diagnostiki elektrodvigatelej postoyannogo toka" [Neural network models for diagnostics of DC motors], IKSZT, issue 4, pp. 7-11.

9. Kerentsev, E. V. (2011), "Analiz metodov diagnostirovaniya dvigatelej postoyannogo toka na avtomobile" [Analysis of diagnostic methods for DC motors on a car], Vektor nauki TGU, issue 3(17), pp. 50-53.

10. Korovin, Ya. S. Metody i sredstva operativnoy diagnostiki sostoyaniya elektrotsentrobezhnykh nasosov neftedobyvayushchikh skvazhin na osnove neyronnykh setey. Diss. kand. tekhn. nauk [Operative Diagnostic Methods and Means for Electric Centrifugal Pumps of Oil Wells based on Artificial Neural Networks. Cand. tech. sci. diss.]. Taganrog, 2011. 162 p.

11. Voevodin, Yu. Yu. Metody i algoritmy strukturno-parametricheskogo sinteza neyrosetevoy modeli dlya formirovaniya intellektual'nykh informatsionnykh tekhnologiy. Diss. kand. tekhn. nauk [Methods and Algorithms of Structural and Parametric Synthesis of Neural Network Model for Developing the Intellectual Information Technologies. Cand. tech. sci. diss.]. Volgograd, 2009. 153 p.

12. Eliseev, V. L. Razrabotka i issledovanie neyrosetevykh algoritmov upravleniya statsionarnymi i nestatsionarnymi ob»ektami. Diss. kand. tekhn. nauk [Development and Research of Neural Networks Control Algorithms for Stationary and Nonstationary Objects. Cand. tech. sci. diss.]. Moscow, 2012. 208 p.

13. Agvami, S. A., Kolomeytseva, M. B. (2011), "Sintez adaptivnogo nejroregulyatora dlya upravleniya nelinejnym mnogosvyaznym ob'ektom" [Synthesis of an adaptive neuroregulator for control of a nonlinear multiply connected object], VestnikMEI, issue 6, pp. 209-215.

14. Anisimov, A. A., Goryachev, M. N. (2008), "Identifikaciya elektromekhanicheskih sistem s ispolzovaniem iskusstvennoj nejronnoj seti" [Identification of electromechanical systems using an artificial neural network], VestnikIGEU, issue 3, pp. 55-58.

15. Trofimov, V. B. Metody i algoritmy postroeniya neyroekspertnykh sistem avtomaticheskogo kontrolya i upravleniya tekhnologicheskimi protsessami (na primere chernoy metallurgii). Diss. kand. tekhn. nauk [Methods and Algorithms of Neuro-expert automatic control systems designing for technological processes (the example of the steel industry). Cand. tech. sci. diss.]. Novokysnetsk, 2008. 189 p.

16. Tudosie A.-N. (2011), "Aircraft Gas-Turbine Engine's Control Based on the Fuel Injection Control", Aeronautics and Astronautics, Intech, Rijeka, Croatia, 2011, pp. 305-331.

17. Bahirev, I. V. (2013), "Nejrosetevye modeli upravleniya v zadachah ispytaniya SAU GTD" [Neural network control models in the tasks of testing ACS GTE], Innovative technologies: theory, tools, practice (INNOTECH 2012), pp. 66-71.