Аналіз динаміки авіаційного двигуна ТВ3-117 із використанням нейронної мережі Елмана

Abstract

Розроблено динамічну модель авіаційного двигуна ТВ3-117 в складі його системи автоматичного управління в польотних режимах з використанням нейромережевих технологій. Наголошено, що використання динамічних рекурентних нейронних мереж, зокрема, нейронної мережі Елмана, у процесі розробки математичної моделі об’єкта управління (авіаційного двигуна ТВ3-117) дозволяє істотно прискорити цей процес, причому, отримані моделі придатні для розв’язання задач синтезу законів управління і структури системи автоматичного управління у відповідності з відомою концепцією. Відзначено, що точність динамічної ідентифікації параметрів двигуна на основі нейронної мережі Елмана у 1,5 рази вище порівняно з методом найменших квадратів. Визначено, що точність динамічної ідентифікації параметрів двигуна в умовах шумів (адитивної складової перешкоди) на основі нейронної мережі Елмана також у середньому у два рази вище порівняно з методом найменших квадратів.

The subject matter of the article is TV3-117 aircraft engine and methods for monitoring and diagnosing its technical state. The goal of the work is development of dynamic model of the TV3-117 aircraft engine as part of its automatic control system in flight modes using neural network technologies. The article solves the problem of developing a methodology for determining the optimal structure of a neural network, which consists in determining the neural network architecture, choosing an optimal algorithm for finding the weights of neurons and training a neural network, analyzing the effectiveness of various training algorithms for a neural network, determining the structure of a neural network to find the minimum error in training a neural network depending on the number of neurons in the hidden layer, as well as in the analysis of the effectiveness of the results. The following methods are used: methods of probability theory and mathematical statistics, methods of neuroinformatics, methods of information systems theory and data processing. The results of the research showed that the use of dynamic recurrent neural networks, in particular, the Elman neural network, in the process of developing a mathematical model of the control object (TV3-117 aircraft engine) can significantly accelerate this process, and the obtained models are suitable for solving synthesis control laws and the structure of the automatic control system in accordance with the well-known concept. It has been determined that the accuracy of dynamic identification of engine parameters based on Elman's neural network is 1.5 times higher than that of the least square’s method. It has been determined that the accuracy of dynamic identification of engine parameters under conditions of noise (additive component of the interference) based on Elman's neural network is also, on average, twice as high as compared with the least square’s method.

Разработана динамическая модель авиационного двигателя ТВ3-117 в составе его системы автоматического управления в полетных режимах с использованием нейросетевых технологий. Результаты проведенных исследований показали, что применение динамических рекуррентных нейронных сетей, в частности, нейронной сети Элмана, в процессе разработки математической модели объекта управления (авиационного двигателя ТВ3-117) позволяет существенно ускорить этот процесс, причем, полученные модели пригодны для решения задач синтеза законов управления и структуры системы автоматического управления в соответствии с известной концепцией. Определено, что точность динамической идентификации параметров двигателя на основе нейронной сети Элмана в 1,5 раза выше по сравнению с методом наименьших квадратов. Подчеркнуто, что точность динамической идентификации параметров двигателя в условиях шумов (аддитивной составляющей помехи) на основе нейронной сети Элмана также в среднем в два раза выше по сравнению с методом наименьших квадратов.