Метод підвищення робасності нейромережевої моделі контролю і діагностики технічного стану авіаційного двигуна ТВ3-117 в польотних режимах

Abstract

Розроблено метод підвищення робастності нейромережевої моделі контролю і діагностики технічного стану авіаційного двигуна ТВ3-117 у польотних режимах, який дозволяє зменшити помилки під час розрахунків контрольованих параметрів зазначеного авіаційного двигуна. При цьому застосовано метод нейроноінформатики при розробці нейромережевої моделі авіаційного двигуна ТВ3-117, градієнтний метод з адаптивним кроком під час навчання нейронної мережі, метод зворотного поширення задля навчання нейрорегулятора, метод зворотного поширення помилки задля навчання нейромодулятора. Для розв’язання задачі редукції нейромережевої моделі розроблено алгоритм на основі багатокритеріального навчання. У роботі здійснено оцінку робастності (здатність до узагальнення нейромережевої моделі) на основі обчислення специфічної міри складності мережі – «міри Вапніка–Червоненкіса» (VCdim), за допомогою якої задля збільшення робастності моделі необхідно зменшити кількість міжнейронних зв’язків при збереженні точності обчислень. У ході досліджень проведено обчислювальні експерименти, в яких нейронні мережі початково однакової топології піддавалися редукції трьома методами – запропонованим алгоритмом і двома стандартними, а саме, методом Optimal Brain Damage (OBD) й методом штрафних функцій. Розрахунково-експериментальним шляхом доведено, що розроблений алгоритм редукції нейронних мереж підвищує робастність побудованої на її основі моделі, та алгоритм перевершує стандартні методи за точністю і швидкістю навчання. Наукова новизна отриманих результатів полягає в тому, що удосконалено метод підвищення робастності нейромережевої моделі контролю і діагностики технічного стану авіаційних газотурбінних двигунів за рахунок комбінації системи нейромережевого контролю з емулятором і контролером, що застосовується для контролю і діагностики технічного стану авіаційного двигуна ТВ3-117 у польотних режимах. Це дозволило з алгоритмом на основі багатокритеріального навчання зменшити середні помилки навчання нейронної мережі приблизно на 80 та 70 % відповідно порівняно з методом Optimal Brain Damage (OBD) й методом штрафних функцій відповідно.

Разработан метод повышения робастности нейросетевой модели контроля и диагностики технического состояния авиационного двигателя ТВ3-117 в полетных режимах, который позволяет уменьшить ошибки в расчетах контролируемых параметров указанного авиационного двигателя. При этом применен метод нейроинформатики при разработке нейросетевой модели авиационного двигателя ТВ3-117, градиентный метод с адаптивным шагом при обучении нейронной сети, метод обратного распространения для обучения нейрорегулятора, метод обратного распространения ошибки для обучения нейромодулятора. Для решения задачи редукции нейросетевой модели разработан алгоритм на основе многокритериального обучения. В работе осуществлена оценка робастности (способность к обобщению нейросетевой модели) на основе вычисления специфической степени сложности сети – «меры Вапника–Червоненкиса» (VCdim), с помощью которой для увеличения робастности модели необходимо уменьшить количество межнейронных связей при сохранении точности вычислений. В ходе исследований проведены вычислительные эксперименты, в которых нейронные сети первоначально одинаковой топологии подвергались редукции тремя методами – предложенным алгоритмом и двумя стандартными, а именно, методом Optimal Brain Damage (OBD) и методом штрафных функций. Расчетноэкспериментальным путем доказано, что разработанный алгоритм редукции нейронных сетей повышает робастность разработанной на ее основе модели, и алгоритм превосходит стандартные методы по точности и скорости обучения. Научная новизна полученных результатов заключается в том, что усовершенствовано метод повышения робастности нейросетевой модели контроля и диагностики технического состояния авиационных газотурбинных двигателей за счет комбинации системы нейросетевого контроля с эмулятором и контроллером, который применяется для контроля и диагностики технического состояния авиационного двигателя ТВ3-117 в полетных режимах. Это позволило с алгоритмом на основе многокритериального обучение уменьшить средние ошибки обучения нейронной сети примерно на 80 и 70 % соответственно по сравнению с методом Optimal Brain Damage (OBD) и методом штрафных функций соответственно.

The purpose of this work is to develop the method for increase the robustness of the neural network model for control and diagnostics of the TV3-117 aircraft engine technical state in flight modes, which allows to reduce errors in the calculation of the controlled parameters of the specified aircraft engine. Methodology. The work is based on neuroinformatics method in developing a neural network model of the TV3-117 aircraft engine, gradient method with adaptive step in training a neural network, back propagation method for training a neuroregulator, back propagation method for training a neuromodulator. To solve the problem of reducing the neural network model, an algorithm based on multicriteria training has been developed. The work estimates robustness (the ability to generalize a neural network model) based on the calculation of a specific degree of network complexity – “Vapnik-Chervonenkis measures” (VCdim), with which to increase the robustness of the model it is necessary to reduce the number of interneuron connections while maintaining the accuracy of calculations. Results. During the research, computational experiments were carried out in which neural networks of initially the same topology were subjected to reduction by three methods – the proposed algorithm and two standard ones, namely, the Optimal Brain Damage (OBD) method and the penalty function method. It is proved by calculation and experiment that the developed algorithm for reducing neural networks increases the robustness of the model developed on its basis, and the algorithm surpasses standard methods in accuracy and speed of training. Originality. The method of increasing the robustness of the neural network model for monitoring and diagnosing of aircraft gas turbine engines technical state has been improved by combining the neural network control system with an emulator and a controller, which is used to control and diagnose of TV3-117 aircraft engine technical state in flight modes. This allowed using the algorithm based on multicriteria training to reduce the average neural network learning errors by about 80 and 70 %, respectively, compared to the Optimal Brain Damage (OBD) method and the penalty function method, respectively. Practical value. The developed method is a component of the intelligent system of control and diagnostics of TV3-117 aircraft engine technical state in flight modes. References 14, table 1, figure 2.