Control and diagnostics of TV3-117 aircraft engine technical state in flight modes using the matrix method for calculating dynamic recurrent neural networks
Вантажиться...
Дата
2021
ORCID
DOI
Науковий ступінь
Рівень дисертації
Шифр та назва спеціальності
Рада захисту
Установа захисту
Науковий керівник
Члени комітету
Видавець
CMIS-2021: The Fourth International Workshop on Computer Modeling and Intelligent Systems (Zaporizhzhia, Ukraine, 27 April, 2021). - P. 97-109
Анотація
У 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.
In this paper, one of the methods of using dynamic recurrent neural networks for solving applied problems of control and diagnosing of aircraft engines technical state, including TV3-117, is considered. A method for coding neural networks into signal graphs is proposed, and it is shown that their adjacency matrices can be used as associative memory in step matrix algorithms for solving dynamic recurrent neural networks. It is shown that in fully connected recurrent neural networks, any neuron can be input or output, and one neuron can simultaneously be input and output. Examples of teaching by the evolutionary optimization algorithm for multiextremal problems of recurrent dynamic neural networks intended for control and diagnosing of TV3-117 aircraft engine technical state are given. The functions of activation blocks of neurons in dynamic recurrent neural networks in this work are used difference expressions of simulation models of linear dynamic links. It is shown that for identification in the time domain of transient processes in dynamic systems of the third order, satisfactory accuracy is achieved at the output of any neuron of a recurrent dynamic neural network with four neurons, while it was found that useful information about the dynamic properties of the dynamic system under study can be simultaneously obtained from the output of any neuron network.
В данной работе рассматривается один из методов использования динамических рекуррентных нейронных сетей для решения прикладных задач контроля и диагностирования технического состояния авиационных двигателей, в том числе ТВ3-117. Предложен метод кодирования нейронных сетей в сигнальные графы и показано, что их матрицы смежности можно использовать в качестве ассоциативной памяти в пошаговых матричных алгоритмах решения динамических рекуррентных нейронных сетей. Показано, что в полносвязных рекуррентных нейронных сетях любой нейрон может быть входом или выходом, а один нейрон может быть одновременно входом и выходом. Приведены примеры обучения алгоритмом эволюционной оптимизации многоэкстремальных задач рекуррентных динамических нейронных сетей, предназначенных для контроля и диагностики технического состояния двигателя ТВ3-117. Функции блоков активации нейронов в динамических рекуррентных нейронных сетях в данной работе используются разностными выражениями имитационных моделей линейных динамических связей. Показано, что для идентификации во временной области переходных процессов в динамических системах третьего порядка удовлетворительная точность достигается на выходе любого нейрона рекуррентной динамической нейронной сети с четырьмя нейронами, при этом установлено, что полезная информация о динамические свойства исследуемой динамической системы могут быть одновременно получены с выхода любой нейронной сети.
In this paper, one of the methods of using dynamic recurrent neural networks for solving applied problems of control and diagnosing of aircraft engines technical state, including TV3-117, is considered. A method for coding neural networks into signal graphs is proposed, and it is shown that their adjacency matrices can be used as associative memory in step matrix algorithms for solving dynamic recurrent neural networks. It is shown that in fully connected recurrent neural networks, any neuron can be input or output, and one neuron can simultaneously be input and output. Examples of teaching by the evolutionary optimization algorithm for multiextremal problems of recurrent dynamic neural networks intended for control and diagnosing of TV3-117 aircraft engine technical state are given. The functions of activation blocks of neurons in dynamic recurrent neural networks in this work are used difference expressions of simulation models of linear dynamic links. It is shown that for identification in the time domain of transient processes in dynamic systems of the third order, satisfactory accuracy is achieved at the output of any neuron of a recurrent dynamic neural network with four neurons, while it was found that useful information about the dynamic properties of the dynamic system under study can be simultaneously obtained from the output of any neuron network.
В данной работе рассматривается один из методов использования динамических рекуррентных нейронных сетей для решения прикладных задач контроля и диагностирования технического состояния авиационных двигателей, в том числе ТВ3-117. Предложен метод кодирования нейронных сетей в сигнальные графы и показано, что их матрицы смежности можно использовать в качестве ассоциативной памяти в пошаговых матричных алгоритмах решения динамических рекуррентных нейронных сетей. Показано, что в полносвязных рекуррентных нейронных сетях любой нейрон может быть входом или выходом, а один нейрон может быть одновременно входом и выходом. Приведены примеры обучения алгоритмом эволюционной оптимизации многоэкстремальных задач рекуррентных динамических нейронных сетей, предназначенных для контроля и диагностики технического состояния двигателя ТВ3-117. Функции блоков активации нейронов в динамических рекуррентных нейронных сетях в данной работе используются разностными выражениями имитационных моделей линейных динамических связей. Показано, что для идентификации во временной области переходных процессов в динамических системах третьего порядка удовлетворительная точность достигается на выходе любого нейрона рекуррентной динамической нейронной сети с четырьмя нейронами, при этом установлено, что полезная информация о динамические свойства исследуемой динамической системы могут быть одновременно получены с выхода любой нейронной сети.
Опис
Vladov, S. Control and diagnostics of TV3-117 aircraft engine technical state in flight modes using the matrix method for calculating dynamic recurrent neural networks [Electronic resource] / Serhii Vladov, Yurii Shmelov, Ruslan Yakovliev // CMIS-2021: The Fourth International Workshop on Computer Modeling and Intelligent Systems (Zaporizhzhia, Ukraine, 27 April, 2021). - P. 97-109. – Access mode: http://ceur-ws.org/Vol-2864/paper9.pdf.
Ключові слова
Техніка. Технічні науки. Machinery. Engineering. Техника. Технические науки, Наукові публікації. Scientific publications. Научные публикации, авіаційний двигун, нейронна мережа, матриці суміжності сигнального графа, синаптичні ваги, асоціативна пам'ять, aircraft engine, neural network, signal graph adjacency matrices, synaptic weights, associative memory, авиационный двигатель, нейронная сеть, матрицы смежности сигнального графа, ассоциативная память, publikatsii u Scopus