Ідентифікація багаторежимної моделі авіаційних двигунів вертольотів у польотних режимах з використанням модифікованого градієнтного алгоритму навчання радіально-базисних нейронних мереж

Abstract

Розглянуто 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 %.

This work is devoted to solving the applied problem of identification helicopters aircraft gas turbine engines in flight modes using their multi-mode models using the classical method – least squares method and the neural network method – by constructing a neural network in accordance with the initial data. The following methods are used: methods of probability theory and mathematical statistics, methods of neuroinformatics, methods of information systems theory and data processing. To achieve this goal and reduce the identification error of aircraft gas turbine engine multi-mode model, the use of radial-basis functions neural network with a modified gradient training algorithm is proposed, which consists in dynamically changing the structure of the neural network in the learning process, and to exclude situations when the parameters of the elements are close to each other. to a friend, the coefficient of mutual intersection of elements is introduced. When solving the applied problem of identification helicopters aircraft gas turbine engines, it was shown that the error in identifying a multi-mode model of helicopters aircraft gas turbine (using the example of the TV3-117 aircraft engine) using a perceptron when calculating individual engine parameters did not exceed 0.63 %; for radial-basis functions neural network – 0.74 %, for radial-basis functions neural network with a modified gradient learning algorithm – 0.47 %, while for the classical method (least squares method) it is about 1% in the considered the range of change of engine operating modes. Comparative analysis of neural network and classical identification methods under noise action shows that neural network methods are more robust to external disturbances: for a noise level σ = 0.025, the error in identifying parameters of an aircraft engine TV3-117 when using a perceptron increases from 0.63 to 0.84%; for radial-basis functions neural network – from 0.74 to 0.86 %; for radial basis functions neural network with a modified gradient learning algorithm – from 0.47 to 0.65 %, and for the least squares method – from 0.99 to 2.14 %.

Рассмотрено решение прикладной задачи идентификации авиационных газотурбинных двигателей вертолетов в полетных режимах с помощью их многорежимных моделей с использованием классического метода – метода наименьших квадратов и нейросетевого метода – путем построения нейронной сети в соответствии с исходными данными. Использованы следующие методы: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Для достижения поставленной цели и уменьшения ошибки идентификации многорежимной модели авиационного газотурбинного двигателя в работе предложено использование нейронной сети радиально-базисных функций с модифицированным градиентным алгоритмом обучения, заключающийся в динамическом изменении структуры нейронной сети в процессе обучения, а для исключения ситуаций, когда параметры элементов близки друг к другу, введен коэффициент взаимного пересечения элементов. При решении прикладной задачи идентификации авиационных газотурбинных двигателей вертолетов показано, что погрешность идентификации многорежимной модели авиационных газотурбинных вертолетов (на примере авиационного двигателя ТВ3- 117) с помощью персептрона при вычислении отдельных параметров двигателя не превысила 0,63 %; для нейронной сети радиально-базисных функций – 0,74 %, для нейронной сети радиально-базисных функций с модифицированным градиентным алгоритмом обучения – 0,47 %, в то время как для классического метода (метода наименьших квадратов) она составляет около 1 % в рассматриваемом диапазоне смены режимов работы двигателя. Сравнительный анализ нейросетевых и классических методов идентификации в условиях действия шумов показывает, что нейросетевые методы более робастны к внешним возмущениям: для уровня шума σ = 0,025 погрешность идентификации параметров авиационного двигателя ТВ3-117 при использовании персептрона возрастает с 0,63 до 0,84 %; для нейронной сети радиально-базисных функций – с 0,74 до 0,86 %; для нейронной сети радиально-базисных функций с модифицированным градиентным алгоритмом обучения – с 0,47 до 0,65 %, а для метода наименьших квадратов – с 0,99 до 2,14 %.