Техніка. Технічні науки. Інформаційні технології (Machinery. Engineering. Information Technology)
Постійне посилання на фонд
Переглянути
Перегляд Техніка. Технічні науки. Інформаційні технології (Machinery. Engineering. Information Technology) за Ключові слова "aircraft engine"
Зараз показуємо 1 - 4 з 4
Результатів на сторінці
Налаштування сортування
Документ A neuro-fuzzy expert system for the control and diagnostics of helicopters aircraft engines technical state(ICT in Education, Research and Industrial Applications. Integration, Harmonization and Knowledge Transfer: Proceedings of the 17th International Conference (Kherson, Ukraine, September 28 - October 2, 2021). - Volume I: Main Conference, PhD Symposium, and Posters. - P. 40-52, 2021) Shmelov, Yu. M.; Шмельов, Ю. М.; ORCID: http://orcid.org/0000-0002-3942-2003; Vladov, S. I.; Владов, С. І.; ORCID: http://orcid.org/0000-0001-8009-5254; Petchenko, M. V.; Петченко, М. В.; ORCID: http://orcid.org/0000-0003-1104-5717У роботі висвітлено актуальну науково-практичну проблему побудови нечіткої експертної системи для контролю та діагностики технічного стану двигунів вертольотів авіації в режимах польоту. На основі модифікованого методу діагностичних матриць та нечіткої логіки, який відрізняється від існуючих, за рахунок введення нечітких експертних правил, відповідних до фізичних процесів, що відбуваються в авіаційних двигунах з вільною турбіною, дозволило підвищити коефіцієнт довіри прийняття рішення при наявності дефекту в конкретному вузлі траєкторії повітряних двигунів на етапі льотної експлуатації вертольотів. Запропоновано реалізацію нечіткої експертної системи з використанням нечіткої нейронної мережі Ванга-Менделя, що дозволило на тестовому прикладі визначити наявність дефекту в компресорі, наявність якого вказує на ступінь 1 % підвищення тиску в компресорі.Документ Control and diagnostics of TV3-117 aircraft engine technical state in flight modes using the matrix method for calculating dynamic recurrent neural networks(CMIS-2021: The Fourth International Workshop on Computer Modeling and Intelligent Systems (Zaporizhzhia, Ukraine, 27 April, 2021). - P. 97-109, 2021) Vladov, S. I.; Владов, С. І.; ORCID: http://orcid.org/0000-0001-8009-5254; Shmelov, Yu. M.; Шмельов, Ю. М.; ORCID: http://orcid.org/0000-0002-3942-2003; Yakovliev, R. P.; Яковлєв, Р. П.; ORCID: https://orcid.org/0000-0002-3788-2583У даній роботі розглянуто один із методів використання динамічних рекурентних нейронних мереж для вирішення прикладних задач контролю та діагностики технічного стану авіаційних двигунів, у тому числі ТВ3-117. Запропоновано метод кодування нейронних мереж у сигнальні графи та показано, що їх матриці суміжності можуть бути використані як асоціативна пам’ять у крокових матричних алгоритмах розв’язування динамічних рекурентних нейронних мереж. Показано, що в повнозв’язаних рекурентних нейронних мережах будь-який нейрон може бути вхідним або вихідним, а один нейрон може бути одночасно вхідним і вихідним. Наведено приклади навчання за алгоритмом еволюційної оптимізації мультиекстремальних задач рекуррентних динамічних нейронних мереж, призначених для контролю та діагностики технічного стану двигуна ТВ3-117.Функції блоків активації нейронів у динамічних рекуррентних нейронних мережах у цій роботі використовуються різницевими виразами імітаційних моделей лінійних динамічних зв'язків. Показано, що для ідентифікації у часовій області перехідних процесів у динамічних системах третього порядку досягається задовільна точність на виході будь-якого нейрона рекуррентної динамічної нейронної мережі з чотирма нейронами, при цьому виявлено, що корисна інформація про динамічні властивості досліджуваної динамічної системи можна одночасно отримати з виходу будь-якої нейронної мережі.Документ Основи та особливості льотної та технічної експлуатації повітряних суден та авіаційних двигунів(Авіація, промисловість, суспільство : матеріали ІV Міжнар. наук.-практ. конф. (м. Кременчук, 18 трав. 2023 р.). – Кременчук - Харків : ХНУВС, 2023. – С. 219-220, 2023) Курінний , Є. О.; Kurinnyi , Ye. O.Наголошено, що льотна та технічна експлуатація повітряних суден та авіаційних двигунів є надзвичайно важливою справою, яка потребує високого рівня професійної підготовки та використання передових технологій. Дотримання вимог та стандартів, встановлених відповідними органами регулювання, допоможе забезпечити безпеку та ефективність повітряних перевезень.Документ Ідентифікація багаторежимної моделі авіаційних двигунів вертольотів у польотних режимах з використанням модифікованого градієнтного алгоритму навчання радіально-базисних нейронних мереж(Вісник Херсонського національного технічного університету. - 2021. - № 4(79). - С. 52-63, 2021) Владов, С. І.; Vladov, S. I.; ORCID: http://orcid.org/0000-0001-8009-5254; Дєрябіна, І. О.; Dieriabina, I. O.; ORCID: http://orcid.org/0000-0001-5164-2976; Гусарова, О. В.; Husarova, O. V.; ORCID: https://orcid.org/0000-0002-9823-0044; Пилипенко, Л. М.; Pylypenko, L. M.; ORCID: https://orcid.org/0000-0001-5221-0921; Пономаренко, А. В.; Ponomarenko, A. V.; ORCID: http://orcid.org/0000-0002-4143-1814Розглянуто розв’язання 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. Використовано 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 %.