Neural Network Signal Integration from Thermogas-Dynamic Parameter Sensors for Helicopters Turboshaft Engines at Flight Operation Conditions

Abstract

Основними положеннями статті є розробка та застосування методу нейронної мережі для інтегрування сигналів термогазодинамічних параметрів гелікоптерних турбовальних двигунів. Це дозволяє ефективно коригувати дані датчика в режимі реального часу, забезпечуючи високу точність і надійність показань. Розроблено нейронну мережу, яка об’єднує замкнуті цикли для параметрів турбовального двигуна вертольота, які регулюються на основі методу фільтрації. Це дозволило досягти майже 100% (0,995 або 99,5%) точності та знизило функцію втрат до 0,005 (0,5%) після 280 епох навчання. Розроблено алгоритм навчання нейронної мережі на основі помилок зворотного розповсюдження для замкнутих циклів, інтегруючи параметри турбовального двигуна вертольота, регульовані на основі методу фільтрації. Він поєднує в собі підвищення точності набору валідації та контроль переобладнання, враховуючи динаміку помилок, що зберігає здатність до узагальнення моделі. Адаптивний тренувальний курс покращує адаптацію до змін даних і умов навчання, підвищуючи продуктивність. Математично доведено, що параметри турбовального двигуна вертольота, які регулюють замкнуту нейронну мережеву інтеграцію методом фільтрації, порівняно з традиційними фільтрами (медіанно-рекурсивним, рекурсивним і медіанним), значно підвищують ефективність. Крім того, це дозволяє зменшити помилки 1-го і 2-го типів: у 2,11 рази порівняно з медіанно-рекурсивним фільтром, у 2,89 рази порівняно з рекурсивним фільтром і в 4,18 рази порівняно з медіанним фільтром. Досягнуті результати значно підвищують точність показань датчиків турбовального двигуна вертольота (до 99,5%) і надійність, забезпечуючи ефективну і безпечну роботу літака завдяки вдосконаленим методам фільтрації та інтеграції даних нейронної мережі. Ці досягнення відкривають нові перспективи для авіаційної промисловості, покращуючи ефективність експлуатації та загальну безпеку польотів вертольотів за допомогою передових технологій обробки даних.The article’s main provisions are the development and application of a neural network method for helicopter turboshaft engine thermogas-dynamic parameter integrating signals. This allows you to effectively correct sensor data in real time, ensuring high accuracy and reliability of readings. A neural network has been developed that integrates closed loops for the helicopter turboshaft engine parameters, which are regulated based on the filtering method. This made achieving almost 100% (0.995 or 99.5%) accuracy possible and reduced the loss function to 0.005 (0.5%) after 280 training epochs. An algorithm has been developed for neural network training based on the errors in backpropagation for closed loops, integrating the helicopter turboshaft engine parameters regulated based on the filtering method. It combines increasing the validation set accuracy and controlling overfitting, considering error dynamics, which preserves the model generalization ability. The adaptive training rate improves adaptation to the data changes and training conditions, improving performance. It has been mathematically proven that the helicopter turboshaft engine parameters regulating neural network closed-loop integration using the filtering method, in comparison with traditional filters (median-recursive, recursive and median), significantly improve efficiency. Moreover, that enables reduction of the errors of the 1st and 2nd types: 2.11 times compared to the median-recursive filter, 2.89 times compared to the recursive filter, and 4.18 times compared to the median filter. The achieved results significantly increase the helicopter turboshaft engine sensor readings accuracy (up to 99.5%) and reliability, ensuring aircraft efficient and safe operations thanks to improved filtering methods and neural network data integration. These advances open up new prospects for the aviation industry, improving operational efficiency and overall helicopter flight safety through advanced data processing technologies.Основными положениями статьи являются разработка и применение нейросетевого метода интегрирования сигналов термогазодинамических параметров турбовальных двигателей вертолетов. Это позволяет эффективно корректировать данные датчиков в режиме реального времени, обеспечивая высокую точность и достоверность показаний. Разработана нейронная сеть, интегрирующая замкнутые контуры параметров турбовального двигателя вертолета, регулируемые на основе метода фильтрации. Это позволило достичь почти 100% (0,995 или 99,5%) точности и снизить функцию потерь до 0,005 (0,5%) после 280 эпох обучения. Разработан алгоритм обучения нейронной сети на основе ошибок обратного распространения ошибки для замкнутых контуров, интегрирующий параметры турбовального двигателя вертолета, регулируемые методом фильтрации. Он сочетает в себе повышение точности набора проверки и контроль переоснащения с учетом динамики ошибок, что сохраняет способность модели к обобщению. Адаптивная скорость обучения улучшает адаптацию к изменениям данных и условиям обучения, повышая производительность. Математически доказано, что параметры турбовального двигателя вертолета, регулирующие нейросетевую замкнутую интеграцию методом фильтрации, по сравнению с традиционными фильтрами (медиано-рекурсивным, рекурсивным и медианным), существенно повышают эффективность. Кроме того, это позволяет уменьшить ошибки 1-го и 2-го типов: в 2,11 раза по сравнению с медианно-рекурсивным фильтром, в 2,89 раза по сравнению с рекурсивным фильтром и в 4,18 раза по сравнению с медианным фильтром. Достигнутые результаты существенно повышают точность и надежность показаний датчиков турбовального двигателя вертолета (до 99,5%), обеспечивая эффективную и безопасную эксплуатацию самолета за счет усовершенствованных методов фильтрации и интеграции данных нейронных сетей. Эти достижения открывают новые перспективы для авиационной отрасли, повышая эксплуатационную эффективность и общую безопасность полетов вертолетов за счет передовых технологий обработки данных.