Класифікація нейронних мереж для технічного стану двоконтурного турбореактивного двигуна на основі гібридного алгоритму

Автор(и)

  • Valentin Potapov National Aviation University

DOI:

https://doi.org/10.18372/2306-1472.69.11057

Ключові слова:

діагностування, інтелект, проточна частина, турбореактивний двоконтурний двигун

Анотація

Мета: Представлено метод діагностування технічного стану турбореактивного двоконтурного двигуна з використанням гібридного нейросетевого алгоритму на основі розробленого програмного забезпечення для аналізу даних отриманих в експлуатації. Методи: даний метод дозволяє виробляти діагностику двигуна з глибиною розпізнавання до конструктивного вузла при наявності як одиночних пошкоджень конструктивних вузлів проточної частини двигуна, так і багатогранних ушкоджень. Результати: представлені результати оптимізації структури нейронної мережі для вирішення завдань оцінки технічного стану проточної частини турбореактивного двоконтурного двигуна, при використанні її спільно з генетичними алгоритмами.

Біографія автора

Valentin Potapov, National Aviation University

Graduate student.

National Aviation University, Kyiv, Ukraine.

Education: National Aviation University, Kyiv, Ukraine.

Research area: diagnostics of gas turbine engines.

Посилання

Panin V.V., Voznyuk A.P., Popov A.V., Sun Gaoyong (2005) Influence of gas turbine engine gar-air channel operational factors and damageability on its components. Proceedings of NAU. №2. P. 49-52.

Kulyk M. (2013) Method of formulating input parameters of neural network for diagnosing gas-turbine engines . M. Kulyk, S. Dmutriev, А. Popov, A. Yakushenko. Aviation – Vilnius: Technika, – №17(2). P. 52–56.

Korotka, L.I. (2012) Improving the efficiency of computational methods for modeling the behavior of constructions are the precipitated corrosion. Dis. of candidate of technical sciences: 01.05.02 . L.I. Ko¬rotka. Dnepr, 144 p.

Kuo J.-T., Wang Y.-Y., Lung W.-S. (2006) A hybrid neural-genetic algorithm for reservoir water quality management. Water Res.Apr. Vol. 40, no. 7. Pp. 1367-1376.

Saemi M., Ahmadi M., Varjani A. Y. (2007) Design of neural networks using genetic algorithm for the permeability estimation of the reservoir. Journal of Petroleum Science and Engineering. 2007. Vol. 59. Pp. 97-105.

Lotfi, E. (2014) A novel single neuron perceptron with universal approximation and XOR computation properties. E. Lotfi, M.-R. Akbar¬zadeh-T. Computational Intelligence and Neuroscience. Vol. 2014. P. 1–6.

Goldberg D.E., Lingle R. (1985) Alleles, Loci, and the Traveling Salesman Problem, Proceedings of the First International Conference on Genetic Algorithms and Their Application , pp. 154-159.

Wang L. (2005) A hybrid genetic algorithm-neural network strategy for simulation optimization. Applied Mathematics and Computation. Vol. 170. Pp. 1329-1343.

Morimoto Т., Ouchi Y., Shimizu M., Baloch M. S.(2007) Dynamic optimization of watering Satsuma mandarin using neural networks and genetic algorithms. Water Management. Vol. 93. Pp. 1-10.

Rutkovskaya D. (2006) Neural networks, genetic algorithms and fuzzy system per. from Polish. I.D. Rudinsky. D. Rutkovskaya, М. Pilinsky, L. Rutkowski. Hotline Telecom. 452 p.

Опубліковано

21.12.2016

Як цитувати

Potapov, V. (2016). Класифікація нейронних мереж для технічного стану двоконтурного турбореактивного двигуна на основі гібридного алгоритму. Вісник Національного авіаційного університету, 69(4), 64–68. https://doi.org/10.18372/2306-1472.69.11057

Номер

Розділ

Сучасні авіаційно-космічні технології