ЗАСТОСУВАННЯ НЕЙРОННИХ МЕРЕЖ ПРИ АВТОМАТИЗАЦІЇ ДІАГНОСТИКИ СТАНУ АВІАЦІЙНОГО ГЕНЕРАТОРА ГВИНТОКРИЛА.

УДК:629.735

DOI:10.25140/2411-5363-2018-3(13)-152-160

Автор:

Бойко Сергій Миколайович, Кременчуцький льотний коледж Національного авіаційного університету (вул. Перемоги, 17/6, м. Кременчук, 39605, Україна)

Волканін Євген Євгенійович , Кременчуцький льотний коледж Національного авіаційного університету (вул. Перемоги, 17/6, м. Кременчук, 39605, Україна)

Городній Олексій Миколайович, Чернігівський національний технологічний університет (вул. Шевченка, 95, м. Чернігів, 14027, Україна)

Борисенко Оксана Миколаївна , Кременчуцький льотний коледж Національного авіаційного університету (вул. Перемоги, 17/6, м. Кременчук, 39605, Україна)

Вершняк Леонід Володимирович , Чернігівський національний технологічний університет (вул. Шевченка, 95, м. Чернігів, 14027, Україна)

Мова статті: українська

Анотація:

Актуальність теми дослідження. З огляду на те, що за останні десятиліття кількість нещасних випадків, збоїв обладнання, у тому числі нещасних випадків на вертольотах, становило понад десять, актуальною науково-практичною задачею являється діагностика і прогнозування змін стану авіаційного генератора.

Постановка проблеми. Основна мета цієї роботи – розробка нейронної мережі, яка буде враховувати основні технічні та експлуатаційні характеристики авіаційного генератора вертольота з метою діагностики і подальшого прогнозування його стану, скорочуючи час обчислень і збільшуючи рівень достовірності результатів.

Аналіз останніх досліджень і публікацій. Проблема інформаційної діагностики авіаційної техніки описана в роботах, в яких застосовуються різні методи визначення несправностей авіаційної техніки. Використання нейронних мереж у вирішенні завдань управління динамічними системами вивчається вченими і дослідниками, робота яких демонструє високий потенціал об'єднання двох обчислювальних технологій – штучних нейронних мереж і генетичних алгоритмів для вирішення задач синтезу інтелектуальних систем керування.

Виділення недосліджених частини загальної проблеми. Нині є безліч підходів до проблеми діагностики складних динамічних об'єктів, у тому числі авіаційного генератора вертольота, найбільш поширеним з яких є інформаційна діагностика, одним із методів якої є використання нейронних мереж. Використання нейронних мереж управління дозволяє істотно усунути математичні проблеми аналітичного синтезу та аналізу властивостей досліджуваного об'єкта. Це пояснюється тим, що якість процесів управління в нейронних системах багато в чому залежить від фундаментальних властивостей багатошарових нелінійних нейронних мереж, а не від аналітичних розрахованих оптимальних законів. Багатошарові нейронні мережі мають ряд переваг, що дозволяє їх використовувати в задачах управління динамічними обєктами.

Постановка завдання. Метою цієї роботи є створення нейронної мережі, яка буде враховувати основні технічні та експлуатаційні характеристики авіаційного генератора вертольота.

Виклад основного матеріалу. При діагностуванні авіаційного генератора вертольота повинні враховуватися такі параметри: теплові параметри генератора, рівень шуму генератора, частота обертання генератора, опір ізоляції контурів ротора, струм зворотної послідовності, рівень вібрації генератора, биття валу генератора, відхилення напруги, коливання напруги, коефіцієнт несинусоїдальності кривої напруги, коефіцієнт n-й гармонійної складової напруги непарного (парного) порядку, коефіцієнти нульової послідовності, відхилення частоти імпульсної напруги. Водночас необхідно швидко обчислити вихідний стан генератора в поточному режимі роботи для даної функції. Найбільш оптимальним методом вирішення проблеми є використання нейронних мереж, що скоротить час обчислень, підвищить рівень надійності результатів.

Висновки відповідно до статті. У статті виконано синтез нейрорегулятора прогнозу NN Prediction Controller для вирішення завдання автоматизації діагностики стану авіаційного генератора вертольота в реальних режимах роботи шляхом розробки моделі нейромережевої системи в Simulink програмного пакету MATLAB. Також встановлено, які пара-метри істотно впливають на якість регулювання та визначено оптимальні значення параметрів. Використання нейромережевої моделі для автоматизації діагностики стану авіаційного генератора вертольота забезпечило високу якість ідентифікації параметрів нейрорегулятора. Це дозволило вибрати оптимальні значення параметрів нейрорегулятора, що забезпечить високі динамічні характеристики системи діагностики стану авіаційного генератора вертольота.

Ключові слова:

система контролю стану; авіаційний генератор; нейронні мережі.

Список використаних джерел:

1. Синчук О. Н. Нейронные сети и управление процессом управления электроснабжением объектов от комбинированных электрических сетей / О. Н. Синчук, С. Н. Бойко // Технiчна електродинамiка. – 2014. – № 5. – С. 53–55.

2. Машошин О. Ф. Информационное обеспечение процессов диагностирования авиационной техники / О. Ф. Машошин, А. В. Бигус // Научный вестник МГТУ ГА. – 2002. – № 49. – С. 44–48.

3. Машошин О. Ф. Диагностика авиационной техники : учебное пособие / О. Ф. Машошин. – М. : МГТУ ГА, 2007. – 141 с.

4. Синтез нейрорегулятора NN Predictive Controller для управління трьохмасовою електромеханічною системою / Т. Ю. Василець, О. О. Варфоломієв, Р. В. Тютюн, Ю. О. Алфьоров, А. О. Власов // Системи обробки інформації. – 2017. – Вип. 3 (149). – С. 88–95.

5. Машошин О. Ф. Инструментальные методы диагностики авиационной техники : учебное пособие / О. Ф. Машошин. – М. : МГТУГА, 2010. – 88 с.

6. Головко В. А. Нейронные сети: обучение, организация и применение. Книга 4 : учебное пособие для вузов / В. А. Головко. – М. : ИПРЖР, 2001. – 256 с.

7. Клепиков В. Б. Применение методов нейронных сетей и генетических алгоритмов в решении задач управления электроприводами / В. Б. Клепиков, К. В. Махотило, C. A. Сергеев // Электротехника. – 1999. – № 5. – С. 2–6.

8. Нейро-фаззи регулятор для электроприводов с проскальзыванием / В. Б. Клепиков, А. В. Клепиков, О. Ю. Глебов, П. Л. Моисеенко, И. С. Полянская // Вісник Національного технічного університету «Харківський політехнічний інститут». – 2002. – Т. 4, № 9. – С. 47–52.

9. Руденко О. Г. Основы теории искусственных нейронных сетей / О. Г. Руденко, Е. В. Бодянский. – Х. : ТЕЛЕТЕХ, 2002. – 317 с.

10. Лила В. Б. Алгоритм и программная реализация адаптивного метода обучения искусственных нейронных сетей / В. Б. Лила // Инженерный вестник Дона. – 2012. – Т. 19, № 1. – С. 55–59.

11. Пивоваров В. А. Применение аппарата теории статистической классификации к задачам диагностирования авиационной техники / В. А. Пивоваров, О. Ф. Машошин // Научный вестник МГТУ ГА. – 1999. – № 20. – С. 25–30.

12. Острейковский В. А. Теория надежности / В. А. Острейковский. – М. : Абрис, 2012. – 463 с.

13. Input Current Parameters Analysis for PFC based on Quasi-Resonant and Conventional Boost / Denisov Y. O., Stepenko S. A., Gorodny A. N., Kravchenko V. A. // International Scientific Conference on Electronics and Nanotechnology(ELNANO): Thirty-Fourth Annual IEEE, 2014. – P. 393–397.

14. Switch operation power losses of quasi-resonant pulse converter with parallel resonant circuit / Denisov Y., Gorodny A., Gordienko V., Yershov R., Stepenko S., Kostyrieva O., Prokhorova A. // International Scientific Conference on Electronics and Nanotechnology(ELNANO): Thirty-Fourth Annual IEEE, 2016. – P. 327–332.

15. Impact of Supply Voltage Change on the Energy Performance of Boost Quasi-Resonant Converter for Radioelectronic Equipment Power Supplies / Gorodniy O., Gordienko V., Stepenko S., Boyko S., Sereda O. // Modern Electrical and Energy Systems (MEES). – 2017. – P. 232–235.

Завантажити