Проблеми і перспективи застосування нейронних мереж у задачах моніторингу технічного стану авіаційних двигунів вертольотів у польотних режимах

Abstract

Для покращення показників якості систем автоматичного управління актуальною є задача розробки нових алгоритмів ідентифікації та діагностики технічних об’єктів. Одним із шляхів розв’язання задачі є застосування штучних нейронних мереж. З метою дослідження проблем застосування штучних нейронних мереж для ідентифікації та діагностики технічних об’єктів, зокрема, авіаційних двигунів вертольотів, проведено аналіз наукових праць з цієї тематики за останні роки. Розглянуто існуючі підходи до побудови систем діагностики несправностей та систем автоматичного управління на основі штучних нейронних мереж. Результати наведеного аналізу можуть бути використані при розробці нових методів та алгоритмів ідентифікації та діагностики технічних об’єктів на основі нейромережевих аналізаторів. У цій роботі як приклад наведена узагальнена нейромережева модель авіаційних двигунів вертольотів, що застосовується для моніторингу їх технічного стану в режимі польотів вертольотів. З даною моделлю у роботі сформульовано задача ідентифікації технічного стану авіаційних двигунів вертольотів. У цій роботі наведено приклад застосування нейромережевих технологій у задачах управління авіаційними двигунами вертольотів у польотних режимах. Розроблено структуру моделі управління авіаційними двигунами вертольотів у польотних режимах із застосуванням нейронної мережі архітектури персептрон. Отримані результати свідчать про переваги застосування нейронних мереж у задачах управління авіаційними двигунами вертольотів у польотних режимах перед іншими методами, наприклад, методом управління із застосуванням ПІД-регуляторів. З боку сучасних програмно-технічних засобів відсутні будь-які обмеження на складність використовуваних алгоритмів, проте для реалізації тих значних потенційних можливостей, які мають системи управління на основі штучних нейронних мереж, потрібна розробка концептуально нових підходів до побудови таких систем.

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.

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.