автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных

Чх

На правагруйцб^^

ЖЕРНАКОВ Сергей Владимирович

КОНТРОЛЬ И ДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

Специальность:

05.13.01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

Уфа 2005

Работа выполнена

в Уфимском государственном авиационном техническом университете на кафедре вычислительной техники и защиты информации

Официальные оппоненты д-р техн. наук, проф.

КРЫМСКИЙ Виктор Григорьевич д-р техн. наук, проф. ФЕДУНОВ Борис Евгеньевич д-р техн. наук, проф. ФУРСОВ Владимир Алексеевич

Ведущая организация: Центральный институт авиационного

Защита состоится " 30 " сентября 2005 г. в 10 часов на заседании диссертационного совета Д 212.288.03 Уфимского государственного авиационного технического университета по адресу: 450000, г.Уфа-центр, ул.К. Маркса, 12, УГАТУ

С диссертацией можно ознакомиться в библиотеке университета.

Научный консультант Засл. деятель науки РФ,

д-р техн. наук, проф. ВАСИЛЬЕВ Владимир Иванович

моторостроения им П.И. Баранова, г. Москва

Автореферат разослан

п

и

2005 г.

Ученый секретарь диссертационного совета д-р техн. наук

JfMbo

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работы. Газотурбинный двигатель (ГТД) как восстанавливаемый объект в течение срока службы требует постоянного мониторинга, трудоемкость которого зависит от уровня автоматизации процессов получения, обработки, хранения, документирования информации о текущем состоянии авиационного двигателя, а также контроля, диагностики, прогнозирования его технического состояния, последовательность и методы выполнения которых определяют информационную технологию мониторинга (ИТМ). Средством их реализации являются распределенные системы мониторинга, на которые возлагается задача определения степени соответствия объекта мониторинга предъявляемым требованиям, то есть контроля его технического состояния.

Распределенная система мониторинга является логическим дополнением ИТМ, так как совместно с последней осуществляет анализ фактического технического состояния ГТД: прогнозирование остаточного ресурса, отслеживает деградацию рабочих характеристик авиационного двигателя, определяет программу ремонтно-восстановительных работ и т.д.

Основные летно-технические характеристики ГТД определяются на всех этапах его жизненного цикла (ЖЦ). Эффективность мониторинга авиационного двигателя существенно зависит от вероятности правильного распознавания его технического состояния. Мониторинг технического состояния ГТД обеспечивается рациональным выбором SCADA систем и методов обработки информации в соответствии с задачами контроля, диагностики и прогнозирования технического состояния двигателя, эффективно решающих задачи координации 'управления эксплуатацией двигателя по техническому состоянию и осуществляющих поддержку принятия решений. Основу мониторинга технического состояния ГТД составляет подчинение целей функционирования информационных технологий мониторинга и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями его эксплуатации.

Созданйе информационных технологий мониторинга и управления эксплуатацией ГТД является процессом, предполагающим определенную методологию использования априорной и апостериорной информации об объекте, измерительных, вычислительных и корпоративных средствах, образующих ресурсы информационных технологий мониторинга, и разнообразные математические методы решения задач обработки и анализа информации о техническом состоянии двигателя, а также принятия решений для достижения целей мониторинга и управления его эксплуатацией. Проблемам создания информационных технологий мониторинга и управления эксплуатацией сложных технических объектов посвящены работы: О.В. Абрамова, Е В. Барзиловича, И.В. Бар-мина, Г.И. Братухина, Л.И. Волкова, Ю.М. Гусева, Б.И. Ильясова, A.A. Ицкови-ча, A.A. Капгганова, В.А. Острейковского, В.В. Смирнова, Б.Е. Федунова, В.А. Фурсова, Р.М Юсупова и др. Проблемы контроля и диагностики технического состояния ГТД исследуются в работах В.Г. Августиновича, A.M. Ахмед-

зянова, И.А. Биргера, В.И. Васильева, Х.С. IНГ- ДУ6"

| uuwrm

W »7тюкз

равского, И.В. Егорова, C.B. Епифанова, В.Н. Ефанова, Ю.С. Кабальнова, В.Г. Крымского, Г.Г. Куликова, Д.Ф. Симбирского, H.H. Сиротина, А.П. Туна-кова, В.Т. Шепеля и др. Теоретические основы создания математических моделей ГТД и его узлов рассматриваются в работах В.М. Акимова, В.О. Боровика, О.С. Гуревича, Г.Н. Добрянского, Т.С. Мартьяновой, Е.М. Тарана, А.Я. Черкеза, A.A. Шевякова и др.

Вместе с тем, несмотря на значительный объем исследований в данных областях, информационные технологии мониторинга технического состояния ГТД не являются совершенными по ряду причин, основными из которых являются, с одной стороны, разобщенность баз данных испытаний, контроля и диагностики, отсутствие интеллектуальных компонент, позволяющих качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД, с другой стороны, нестационарность физических процессов в авиационном двигателе, сложность его математического описания, зависимость технических характеристик двигателя от внешних условий работы, ограниченный состав измеряемых термогазодинамических параметров двигателя, их технологический разброс и т.д. Указанные факторы приводят к необходимости принятия решений о техническом состоянии двигателя в условиях существенной неопределенности.

Основными направлениями, определяющими повышение качества информационных технологий мониторинга технического состояния ГТД, следует считать интеллектуализацию процессов обработки информации с привлечением методов интеллектуального анализа данных, которые способны обеспечить повышение качества распознавания технического состояния ГТД при действии указанных выше неопределенных факторов, а также интеграцию информационных процессов (распределенных локальных баз данных и знаний в глобальную базу данных и знаний). Таким образом, создание информационной технологии мониторинга состояния ГТД включает в себя разработку методологии, методов, методик, алгоритмического и программного обеспечения, позволяющих повысить эффективность решения задачи управления эксплуатацией ГТД по техническому состоянию.

В связи с вышеизложенным, тема диссертационной работы, посвященная созданию интеллектуальных систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных, является актуальной.

Данная работа выполнялась в период с 1986 по 2005 гг. на кафедрах авиационных двигателей и вычислительной техники и защиты информации Уфимского государственного авиационного технического университета в рамках:

- отраслевых программ и госбюджетных НИР в соответствии с планом научно-исследовательских работ АН СССР на 1986-1990 гг.;

- федеральной целевой программы и тематических отраслевых планов: "Авиационная технология", "Надежность и безопасность технических систем" в 1991-1998 гг.;

... - , ч»Ч

^ , - •» , «•()

- федеральной целевой программы Государственной поддержки интеграции высшего образования и фундаментальной науки на 1997 - 2006 гг.

Целью диссертационной работы является разработка научно-обоснованных принципов, методов, алгоритмов и программного обеспечения систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных с использованием технологий экспертных систем и нейронных сетей.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Разработка концепции построения интеллектуальных систем мониторинга технического состояния авиационного ГТД на основе интеллектуального анализа данных.

2. Разработка комплекса системных моделей процесса мониторинга технического состояния авиационного ГТД.

3. Разработка методов и алгоритмов контроля и диагностики технического состояния ГТД на основе технологий экспертных систем.

4. Разработка методов и алгоритмов контроля, диагностики и прогнозирования технического состояния ГТД на основе нейросетевых технологий.

5. Разработка исследовательского прототипа нейросетевой экспертной системы контроля, диагностики и прогнозирования технического состояния ГТД.

6. Разработка нейросетевых алгоритмов восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики авиационного двигателя.

7. Исследование эффективности разработанного алгоритмического и программного обеспечения экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния авиационных ГТД и их систем.

Основные научные результаты, выносимые на защиту:

1. Концепция построения интеллектуальных систем мониторинга технического состояния ГТД.

2. Комплекс системных моделей процесса мониторинга технического состояния ГТД.

3. Формализованные методы и алгоритмы контроля и диагностики технического состояния ГТД с использованием технологий экспертных систем.

4. Нейросетевые методы и алгоритмы контроля, диагностики и прогнозирования технического состояния ГТД.

5. Нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД.

6. Нейросетевые алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя.

7. Результаты исследования эффективности применения разработанных экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния ГТД и их систем.

Обоснованность и достоверность результатов диссертации

Обоснованность предложенной концепции построения интеллектуальных систем мониторинга технического состояния ГТД обусловлена проведенным системным анализом предметной области, учетом основных факторов, влияющих на процессы функционирования ГТД, современных требований и возможностей, представляемых новыми информационными технологиями для решения задач управления ГТД по техническому состоянию.

Обоснованность предложенного подхода к системному моделированию процесса мониторинга технического состояния ГТД подтверждается корректностью основных положений, принятых при построении функциональных, информационных и динамических моделей интеллектуальной системы мониторинга технического состояния ГТД.

Обоснованность и достоверность реконфигурируемой математической модели ГТД, построенной на основе расширяемой семантической сети и используемой для контроля и диагностики технического состояния двигателя, подтверждается корректностью математического описания ГТД и его узлов, возможностью настройки модели под характеристики индивидуального двигателя с учетом требуемого класса задач контроля и диагностики.

Обоснованность и достоверность процессов принятия решений с помощью экспертных систем С-РКЕ, ТПХ8Ье11, "Диагноз", а также исследовательского прототипа нейросетевой экспертной системы "ЭкспертНейро" подтверждается результатами моделирования и решения большого числа практических задач контроля, диагностики и прогнозирования технического состояния авиационных двигателей.

Методы исследования

Поставленные в диссертационной работе задачи решены с использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, теории дифференциальных уравнений, нейроинформатики, теории нечетких множеств, теории распознавания образов, теории информационных систем и обработки данпых, теории оптимизации, теории планирования эксперимента, теории принятия решений и экспертных систем, имитационного моделирования, объектно-ориентированного программирования.

Научная новизна результатов

1. В работе поставлена и решена проблема разработки методологических основ построения интеллектуальных систем мониторинга технического состояния ГТД, реализующих методы контроля и диагностики авиационных двигателей на основе технологий экспертных систем и нейронных сетей, обеспечивающие повышение эффективности процессов мониторинга и управления эксплуатацией ГТД по техническому состоянию.

2. Предложена концепция построения интеллектуальных систем мониторинга технического состояния ГТД, основанная на использовании методов интеллектуального анализа данных о режимах работы двигателя на различных

этапах его эксплуатации, применении единой методологии контроля, диагностики и прогнозирования технического состояния ГТД на основе технологии экспертных систем и нейронных сетей, интеграции разработанных средств и систем с CALS-технологиями, SCADA-системами, распределенными базами данных и знаний, обеспечивающая повышение уровня автоматизации, оперативности и достоверности мониторинга технического состояния проточной части двигателя, с целью реализации стратегии эксплуатации ГТД по техническому состоянию.

3. На основе SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса мониторинга технического состояния ГТД, что позволило выделить основной спектр функциональных задач мониторинга и их информационное сопровождение, а также обоснованно сформировать требования к их реализации в составе экспертной системы контроля и диагностики ГТД.

4. Разработан и реализован ряд экспертных систем контроля и диагностики технического состояния ГТД в рамках интеллектуальных оболочек C-PRIZ, TILL Shell, "Диагноз" с использованием реконфигурируемой математической модели авиационного двигателя, построенной на основе расширенной семантической сети, и организации контроля и диагностики ГТД на основе метода диагностических матриц и правил нечеткой логики, что позволило повысить качество решение задач контроля и диагностики состояния ГТД в условиях неопределенности.

5. Разработаны и исследованы методы, модели, алгоритмы и методики решения задач контроля, диагностики и прогнозирования технического состояния ГТД с использованием нейросетевых технологий, позволяющих накапливать и анализировать информацию о характеристиках индивидуального двигателя по результатам стендовых и летных испытаний и повысить качество решений, принимаемых экспертной системой, за счет использования- алгоритмов обучения и самообучения нейронных сетей.

6. Разработаны нейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля, диагностики и прогнозирования состояния ГТД, интегрированные в составе исследовательского прототипа нейросетевой экспертной системы контроля и диагностики состояния ГТД, применение которых позволяет повысить достоверность и глубину контроля и диагностики основных узлов двигателя в условиях факторов неопределенности.

7. Разработаны и исследованы методы, модели и алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя, основанные на использовании автоассоциативных нейронных сетей, применение которых позволяет с заданной точностью восстанавливать потерянную информацию в режиме реального времени.

Практическая значимость результатов

Практическая значимость результатов диссертационной работы определяется тем, что использование предложенной в ней концепции построения интеллектуальной системы мониторинга технического состояния ГТД позволит

сократить затраты на контроль и диагностику состояния двигателя в процессе его стендовых испытаний и летной эксплуатации в 2-3 раза за счет более полного использования априорной и апостериорной информации о режимах работы двигателя, автоматизации процессов обработки и анализа данных, применения методов искусственного интеллекта на всех этапах оценки технического состояния ГТД и принятия решений.

Разработаны алгоритмы и инженерные методики контроля, диагностики и прогнозирования состояния ГТД, реализованные в составе исследовательских прототипов экспертных систем, применение которых позволяет существенно повысить качество и эффективность принимаемых решений о техническом состоянии ГТД.

Разработана и внедрена на ряде предприятий России нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД, позволяющая решать широкий спектр практических задач мониторинга технического состояния авиационных двигателей. Предложены нейро-сетевые алгоритмы восстановления информации при отказе штатных датчиков в составе перспективной бортовой системы контроля и диагностики двигателя (БСКД) в режиме реального времени.

Внедрение результатов работы

Основные результаты работы внедрены на ряде предприятий авиационной промышленности: ФГУП НПП "Мотор" (Уфа), ФГУП "Самарские моторы" (г. Самара), ФГУП УНПП "Молния" (Уфа) в виде инженерных методик, алгоритмов и экспертных систем контроля и диагностики технического состояния ГТД, а также в учебный процесс Уфимского государственного авиационного технического университета.

Апробация работы. Основные положения, представленные в диссертационной работе, докладывались, обсуждались и получили положительную оценку на 60 Всесоюзных, Всероссийских и Международных симпозиумах, конференциях и семинарах, в том числе на:

- Всесоюзной научно-технической конференции "Декомпозиция и координация в сложных системах" (г. Челябинск, 1986);

- Всесоюзной научно-технической конференции "Диалоговые средства распределенной обработки данных в комплексах и сетях" (г. Москва, 1990);

- Всесоюзной научно-технической конференции "Новые информационные технологии" (г. Гурзуф, 1991);

- III - XI Всероссийских научно-технических конференциях "Нейроин-форматика и ее применения" (г. Красноярск, 1995 - 2003);

- Всероссийской научно-технической конференции "Информационные и кибернетические системы управления и их элементы" (г. Уфа, 1995);

- ХХП Гагаринских чтениях по авиации и космонавтике (г. Москва, 1996);

- Международной научно-технической конференции "Мягкие вычисления" (г. Казань, 1996);

- Всероссийской научно-технической конференции "Проблемы совершенствования робототехническнх и интеллектуальных систем летательных аппаратов" (г. Москва, 1996);

- Международной научно-технической конференции "Интеллектуальные системы" (г. Геленджик, 1996);

- Международной научно-технической конференции "Проблемы и перспективы развития двигателестроения в Поволжском регионе" (г. Самара, 1997);

- Всероссийской научно-технической конференции "Нейронные сети в информационных технологиях" (г. Снежинск, 1998);

- П Международной научно-технической конференции "Мягкие измерения и вычисления" (г. Санкт-Петербург, 1998);

- Международной научно-технической конференции "Новые технологии управления движением технических объектов" (г. Ставрополь, 1999);

- IV-УШ Всероссийских научно-технических конференциях "Нейроин-форматака" (г. Москва, 1999 - 2002);

- Международной научно-технической конференции "Авиация XXI века" (г. Воронеж, 1999);

- Ш-У Всероссийских научно-технических конференциях "Нейрокомпьютеры и их применение" (г. Москва, 2000-2002);

- Международной научно-технической конференции "Моделирование, вычисления, проектирование в условиях неопределенности" (г. Уфа, 2000);

- Международной научно-технической конференции "Интеллектуальные системы и информационные технологии управления" (г. Псков, 2000);

- Международной научно-технической конференции "Двигатели XXI века" (ЦИАМ, г. Москва, 2000);

- Всероссийской научно-технической конференции "Аэрокосмическая техника и высокие технологии" (г. Пермь, 2001);

- Международной научно-технической конференции "К 90-летию академика Н.Д. Кузнецова" (г. Самара, 2001);

- VI Международном симпозиуме "Авиационные технологии XXI века: новые рубежи авиационной науки" (г. Жуковский, 2001);

- Ш и V Международных семинарах "Компьютерные науки и информационные технологии" (г. Уфа, 2001,2003) и др.

Публикации. Результаты диссертационной работы опубликованы в 160 печатных работах, из них одна монография (в соавторстве), два учебных пособия (одно - с грифом УМО Минобразования РФ), 45 статей в центральной печати, в том числе 35 - из списка ВАК России, 35 статей в трудах Международных конференций, 40 статей в Межвузовских научных сборниках, 5 свидетельств об официальной регистрации программ в РосАПО.

Структура работы

Диссертация состоит из введения, пяти глав основного материала, заключения, библиографического списка и приложения. Работа изложена на 350 страницах машинописного текста, содержит 109 рисунков, 60 таблиц. Библиографический список содержит 316 наименований.

ОСНОВНОЕ СОДЕРЖАНИЕ РАБОТЫ

Во введении к диссертации обсуждается актуальность проблемы, формулируются цели и задачи исследования, приводятся результаты, выносимые на защиту, отмечается их новизна и практическая значимость, указываются связи исследований с научными программами, приводятся сведения о реализации работы, ее апробации и публикациях.

В первой главе проводится анализ современного состояния проблемы информационного мониторинга технического состояния авиационного газотурбинного двигателя. Отмечается, что существующие системы мониторинга и управления эксплуатацией авиационного двигателя являются многоуровневыми, однако, эти уровни слабо связаны между собой, отсутствует их единое информационное и метрологическое сопровождение, что приводит к большой информационной избыточности и необходимости привлечения значительных вычислительных ресурсов, недостаточно используются современные интеллектуальные информационные технологии, позволяющие эффективно и качественно осуществлять поддержку принятия ответственных решений, и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД.

Современный авиационный двигатель как объект мониторинга имеет разные стратегии технического обслуживания и ремонта. Наиболее перспективной стратегией является стратегия технического обслуживания и ремонта IIД по фактическому техническому состоянию, которая обеспечивает снижение потребного оборотного фонда и соответствующее сокращение поставок новых двигателей. Известно, что эксплуатация ГТД по техническому состоянию обеспечиваем сокращение оборотного фонда двигателей на 15 — 20%, числа капитальных ремонтов на 15 - 20%, транспортных расходов на 25 - 30%, При этом существующие системы мониторинга и управления эксплуатацией авиационных двигателей нуждаются в существенных доработках. Это связано с применением устаревших концепций и подходов, которые в современных условиях бурною развития информационных технологий не выдерживают достойной конкуренции на мировом рынке авиационной техники и технологий.

Показано, что процесс мониторинга и управления эксплуатацией ГТД уже не может быть стандартно представленным в рамках "частных" программ технического обслуживания и ремонта. Основным направлением, определяющим повышение качества информационных технологий мониторинга и управления эксплуатацией ГТД, следует считать распределенные системы мониторинга технического состояния авиационного двигателя, которые успешно функционируют в современных авиационных компаниях—лидерах мирового авиастроения. Они позволяют ликвидировать такие основные недостатки со-

временных информационных технологий мониторинга и управления эксплуатацией ГТД, как информационный консерватизм и отсутствие единого информационного пространства; отсутствие международных стандартов, в рамках которых осуществлялся бы процесс интеграции обработки контролируемых и диагностируемых параметров двигателя; отсутствие единого формата данных; использование разнородных баз данных и систем управления базами данных; отсутствие системы электронного документооборота на предприятиях отрасли; использование устаревших методов контроля и диагностики двигателя; отсутствие интеллектуализации процесса мониторинга.

Отмечается, что наиболее распространенными системами мониторинга технического состояния ГТД в настоящее время являются системы EICAS (Боинг, США), SNECMA (Мираж, Франция), КОНРАК (Прагг - Уипш, США), ECMS (Дженерал Электр®, США), "Дозор", "Мера", "Карат", "ИНДИА" (Россия). Эш системы используются на ведущих авиационных фирмах на различных этапах жизненного цикла ГТД Они позволяют решать задачи контроля и диагностики с точностью до узла отказавших элементов авиационного двигателя, ориентированы на использование новых информационных технологий, международных стандартов цифровой обработки измерительной и диагностической информации.

Вместе с тем, зарубежные системы мониторинга технического состояния ГТД обладают высокой стоимостью (100 - 150 тыс. долларов), требуют дополнительных временных и материальных затрат на их адаптацию в существующих условиях на предприятиях авиационной отрасли России.

Российские системы, в отличие от их зарубежных аналогов, узкоспециализированы, решают ограниченный круг задач, недостаточно используют возможности интеллектуальной обработки и анализа данных и находятся лишь в начальной стадии внедрения на отечественных предприятиях. В то же время, современные требования, предъявляемые ISO 9001, внедрение CALS-технологий, SCADA-систем, переход на использование международных стандартов цифровой обработки информации требуют существенной модификации концепции построения систем мониторинга технического состояния ГТД, использования сетевых технологий, интеллектуализации технологий контроля, диагностики и прогнозирования технического состояния двигателя, что является важным элементом в реализации стратегии управления эксплуатацией ГТД по техническому состоянию.

В работе предложена концепция построения интеллектуальных систем оперативного контроля и диагностики технического состояния ГТД, основанная на использовании методов интеллектуального анализа данных о режимах работы двигателя на различных этапах его эксплуатации, применении единой методологии контроля, диагностики и прогнозирования технического состояния ГТД на основе технологии экспертных систем и нейронных сетей, интеграции разработанных инструментальных средств и систем с CALS-технологиями, SCADA-системами, обеспечивающая повышение уровня автоматизации, оперативности и достоверности мониторинга технического состояния проточной части двигателя, с целью реализации стратегии эксплуатации ГТД по техническому состоянию.

Сформулированы цель и основные задачи, решаемые в рамках реализации предложенной концепции.

Во второй главе рассматриваются вопросы применения системного подхода к решению проблемы информационного мониторинга состояния авиационного двигателя. Подчеркивается важность и роль системного моделирования рассматриваемой предметной области для реализации и внедрения высокоэффективных экспертных систем контроля и диагностики технического состояния ГТД.

В качестве базовой методологии для решения задач системного моделирования используются SADT (Structured Analysis and Design Techniguc) - методология и поддерживающие ее IDEF (Integrated DEFinition) - технологии.

Показано, что применение методологии системного моделирования на этапе проектирования интеллектуальной системы контроля и диагностики технического состояния ГТД позволяет обосновать и сформулировать требования к экспертной системе контроля и диагностики состояния ГТД, определить состав и взаимосвязь отдельных компонент для ее реализации в виде исследовательского прототипа экспертной системы.

В рамках методологии системного моделирования:

- разработан комплекс функциональных моделей IDEF0 процессов мониторинга состояния авиационного ГТД, что позволило выделить основные функции и спектр решаемых задач в составе экспертной системы контроля и диагностики технического состояния авиационного двигателя;

- разработан комплекс информационных моделей EDEF/JX процесса мониторинга технического состояния авиационного двигателя, что позволило определить логическую структуру и механизмы взаимодействия баз данных и баз знаний в составе разрабатываемой экспертной системы мониторинга технического состояния ГТД;

- построена динамическая модель процесса мониторинга технического состояния авиационного двигателя, что позволило формализовать требования к механизму логического вывода в процессе выполнения экспертной системой функций мониторинга.

Отличительными чертами проектируемой экспертной системы являются: учет модели пользователя; способности к обучению и развитию в процессе функционирования; объединение в едином информационном пространстве различных программных сред (прикладные программы пользователя, программы -утилиты, разнородные базы данных, системы управления базами данных и базами знаний и т.д.); поддержка объектно-ориентированной парадигмы и новых информационных технологий (CASE, CALS, SCAD A, PDM, STEP и др.).

В третьей главе исследуются задачи разработки методического и алгоритмического обеспечения экспертных систем контроля и диагностики технического состояния ГТД.

В качестве базового метода для решения задач контроля и диагностики состояния ГТД используется FDI (Fault Detection and Identification) - метод, ос нованный на сравнении результатов измерений газодинамических параметров ГТД с расчетными значениями этих параметров, вычисленными по его матема-

тической модели (ММ), с последующим отнесением Двигателя к одному из возможных классов состояний на основе решения задачи распознавания образов.

На рис. 1 показана типовая схема решения задачи контроля и диагностики технического состояния ГТД на основе ГО1-метода. Здесь: V - вектор управляющих воздействий; 7т - вектор параметров, вычисленных с помощью ММ ГТД; к,- вектор термогазодинамических параметров, полученных по результатам измерений этих параметров с помощью штатных датчиков; г = у, -у„ - вектор отклонений (невязки), полученный путем покомпонентного сравнения векторов у, и ?„ ; И - вектор выходов классификатора (устройства принятия решений).

Рис.1. Схема решения задачи контроля и диагностики двигателя на основе РЕЯ -метода

Рассмотрены особенности реализации реконфигурируемой математической модели авиационного двигателя, построенной на основе динамически формируемой семантической сети. Вершины этой сети являются понятия предметной области, находящиеся в базе знаний экспертной системы (воздухозаборник, компрессор, камера сгорания и т.д.), определяемые уравнениями, зависимостями, описываемыми своими компонентами (полнота описания понятия зависит от требуемой точности ММ ГТД). Дуги семантической сети (рис.2) представляют собой уравнения связей меязду компонентами понятий, описывающих ММ ГТД, которая автоматически расширяется (уточняется) по мере добавления новых (модернизации старых) понятий. ММ двигателя хранится в течение сеанса работы с экспертной системой в памяти компьютера и образует семантический процессор, который позволяет проводить комплексные расчеты с использованием ММ, обеспечивая дополнительную информацию для контроля и диагностики технического состояния двигателя.

Рис.2. Формирование ММ ГТД в экспертной системе C-PRIZ

Использование системного понятия tab (работа с таблицами) наделяет ММ ГТД значительными возможностями, т.к. табличным способом могут быть заданы характеристики атмосферы, характеристики воздухозаборника, компрессора, турбины и других узлов ГТД. С помощью данного понятия удается ввести в ММ линию рабочих режимов на характеристике компрессора в относительных и приведенных параметрах, учитывая разброс компрессорных характеристик ГТД. Реконфигурируемая ММ двигателя в среде экспертной системы контроля и диагностики технического состояния ГТД в обобщенном виде может быть представлена как:

¥к (г) = Рк {Uk (t\ Lk, Qk, Sk, Tk), (1)

где Yk (/) - вектор выходных параметров, вычисленных по компонентной ММ ГТД; Uk(t) - вектор входных воздействий, задающих режим работы ГТД; Lk - множество компонент, входящих в состав ММ ГТД и находящихся в концептуальной базе знаний экспертной системы, характеризуемых к-м сочетанием в обобщенной семантической сети; к = 1, К; Qk - оператор преобразования вектора входных воздействий Uk в вектор выходных параметров Yk, рассчитываемых по модели; Sk - уравнения связи для построения реконфигурируемой модели (определение связующих переменных отдельных компонент); Тк - длительность функционирования; К - число компоновок (вариантов реконфигурации) модели ГТД.

В процессе принятия решений с помощью экспертной системы используется база прецедентов, формирование которой осуществляется экспертом на основе предварительно "настроенной" ММ ГТД (на средний по парку или ин-

дивидуальный ГТД) и "собранной" им на базе отдельных понятий, хранящихся в базе концептуальных знаний.

Реализация FDI-метода осуществляется в два этапа:

— "прямой прогон" задачи, когда имитируется дефект в ММ ГТД, вычисляются отклонения вычисленных параметров двигателя от параметров заведомо исправного ГТД (невязки ё = YM - (YM )испр ) и, так как состояние ГТД заранее

известно, то известен и выходной вектор Yk. Имитируя различные дефекты (число которых может достигать нескольких десятков) эксперт наполняет базу прецедентов. Для ее уточнения могут использоваться реальные данные с учетом опыта предыдущей эксплуатации ГТД, в результате чего устанавливается соответствие между значениями выходного вектора Yk и вектора невязки ё:

(2)

Описанный выше процесс соответствует этапу обучения экспертной системы. Тем самым производится заполнение базы прецедентов.

На втором этапе функционирования экспертной системы решается обратная задача: параметры реального ГТД сравниваются с параметрами исправного (эталонного) двигателя и затем в пространстве диагностических признаков (атрибутов) двигателя находится точка, соответствующая ближайшему прецеденту и на основании этого принимается решение об отнесении состояния двигателя (распознаваемого класса дефекта) к состоянию (классу), выраженному данным прецедентом.

В работе приводятся результаты построения диагностических матриц для различных состояний узлов авиационных двигателей (на примере изд. 95, 95Ш, 99). Сформирована база прецедентов, включающая в себя признаки дефектных состояний ГТД, связанные с изменением К.П.Д. узлов, а также конструктивных дефектов, учитывающих изменение внутренней геометрии газодинамического тракта двигателя. Построены нечеткие правила (функции принадлежности для компонент векторов Ей Ym (рис. 1)).

Рассмотрены особенности реализации предложенного подхода к решению задач контроля и диагностике технического состояния ГТД на базе экспертных оболочек C-PRIZ, TILL Shell, "Диагноз". Показано, что применение разработанных автором экспертных систем контроля и диагностики технического состояния ГТД позволяет проводить контроль и диагностику (с точностью до узла) технического состояния проточной части при ограниченном объеме исходной информации, повысить информативность и сократить общее время на контроль и диагностику двигателя в 2-3 раза по сравнению с существующими методами.

В четвертой главе исследуются нейросетевые модели и методы решения задач контроля и диагностики технического состояния ГТД с учетом факторов неопределенности и особенностей характеристик индивидуального двигателя.

Основное внимание уделяется разработке инженерных методик решения данных задач с целью доведения их до законченных программных продуктов,

реализующих информационную технологию процессов мониторинга технического состояния ГТД.

В процессе решения задач контроля и диагностики имеющаяся априорная информация, полученная по результатам стендовых и летных испытаний двигателя, предъявляется нейронной сети (НС) в виде обучающей выборки, на основе которой осуществляется процесс ее обучения (дообучения). При оценке качества работы сети на ее входы подаются данные из тестовой выборки, на основе которых вычисляется вектор отклонений (разность между выходом нейронной сети и желаемыми характеристиками) и оценивается достоверность решений, принимаемых с помощью нейронной сети.

Показано, что применение нейросетевых моделей является гибким "инструментом" в процессе мониторинга технического состояния авиационного двигателя. К числу задач, решаемых с помощью таких моделей, относятся задачи автоматической классификации (распознавания) режимов работы двигателя, идентификации, контроля и диагностики и прогнозирования его технического состояния, отладки конструктивных параметров двигателя. В качестве основных этапов решения указанных задач в нейросетевом базисе в работе рассматриваются: предварительный анализ данных; их преобразование (предобработка); выбор архитектуры и структуры нейронной сети; выбор алгоритма обучения; обучение и тестирование нейронной сети; анализ точности решения задачи с помощью нейронной сети; принятие решения на основе полученных результатов. Рассматриваются особенности реализации каждого из перечисленных выше этапов; даются рекомендации по выбору состава контрольного и тестового множества. Исследуются вопросы оптимизации структуры и алгоритмов обучения, нейронных сетей исходя из требований заданной точности и скорости сходимости процесса настройки весов сипаптических связей.

1.(0 1 *

Ц-Це-до

й П2(0 Ц-Ц('-Л') НС

1-^-1 л2(г-/,Дг+Дг) ТМ) » Й Т:<,-А,)

Й ТМ-ЬД/+ДЛ ,

Рис. 3. Схема нейросетевого классификатора режимов работы ГТД

Одной из важных задач, от решения которой зависит оценка остаточного ресурса, выбор программ и алгоритмов управления ГТД является задача классификации режимов работы двигателя в реальном времени. Общая схема решения данной задачи с помощью нейронных сетей показана на рис. 3.

Здесь в качестве входов нейронной сети л2(?), (') используются соответственно значения частоты вращения ротора низкого и высокого давления и температуры газов за турбиной двухвального ГТД; ^ и - выходы нейросе-тевого классификатора, принимающие значения 0 или 1; А? - временная задержка; Ь - ширина "временного окна" (т.е. число последовательных отсчетов временного ряда по каждому из перечисленных параметров, подаваемых на входы сети).

Процесс обучения неросетевого классификатора сводится к следующему. На входы НС подаются ЗЬ значений параметров л^г,-), л2(/,), Г4 (/,), г, е [г, г - (/,- ])• Л/] принадлежащих заведомо известным классам состояний (режимов работы) двигателя 5а, (а = 1,2,..., к). Желаемыми реакциями НС (^1, %г) в каждом случае будет двоичное представление номера распознаваемого класса а, например, классу установившихся режимов ГТД может соответствовать код (0, 0) на выходе НС, классу переходных режимов - код (0, 1), классу режимов разгона - код (1, 0), классу режимов дросселирования - код (1, 1). Обучение НС сводится к минимизации ошибки обучения НС

(3)

1=1

где £] и е2 - соответственно ошибки по 1-му и 2-му выходам классификатора.

Результаты решения задачи классификации режимов работы ГТД с использованием нейронных сетей показывают, что качество распознавания режимов (на примере данных летной эксплуатации изд. 99) составляет практически 100%, ошибка распознавания не превысила 0,4% на тестовой выборке.

Отмечается целесообразность разработки использования в рамках ИМ -метода, наряду с аналитическими ("количественными") моделями ГТД, также и нейросетевых ("качественных") моделей двигателя, построенных на малых обучающих выборках и учитывающих конкретные особенности и режимы работы индивидуального двигателя. Общая схема решения задачи идентификации ГТД с помощью НС показана на рис. 4.

Здесь е1, ...,£„ - отклонения между измеренными термогазодинамическими параметрами двигателя у^..., уп и параметрами у*, — ,у*п, рассчитанными с использованием НС для одних и тех же управляющих воздействий ,..., ит; Е - ошибка обучения НС.

Задача построения нейросетевой модели ГТД сводится к обучению нейронной сети путем настройки ее весов исходя из условия:

Е=1^Ч-у (4)

1=1

Рис. 4. Схема построения нейросетевого идентификатора

В работе рассмотрены различные варианты постановки задач идентификации ГТД:

а) построение нейросетевой многорежимной модели, описывающей установившиеся режимы работы двигателя (в приведенных и физических параметрах);

б) построение обратной нейросетевой модели двигателя, позволяющей вычислять недоступные измерению координаты двигателя (тяга, расход топлива в камеру сгорания и др.);

в) построение динамической нейросетевой модели двигателя, описывающей его поведение на переходных и неустановившихся режимах работы. Исследуется возможность применения различных архитектур НС (персептрон, РБФ НС, НС Элмана, рекуррентные динамические сети) для построения указанных выше моделей. Особое внимание уделено выбору структур НС минимальной сложности, обеспечивающих заданную точность аппроксимации характеристик ГТД и робастность модели (нечувствительность) к действию случайных возмущений (шумов измерений).

Произведено сравнение результатов нейросетевой идентификации ГТД с применением классических методов, в частности, метода наименьших квадратов (МНК).

На примере данных стендовых испытаний изд. 95 показано, что погрешность идентификации ГТД с помощью НС типа персептрон на установившихся режимах работы в 1,6 раза меньше, чем у регрессионной модели (на основе полинома 8-го порядка), полученной с помощью МНК в диапазоне изменения режимов работы двш-агеля от малого газа до форсажа. При этом погрешность идентификации ГТД с помощью персептрона при вычислении отдельных параметров двигателя не превышает 0,63%, для МНК - около 1%) в рассмотренном диапазоне измерения режимов работы ГТД.

Рассмотрены особенности применения полученных нейросетевых моделей ГТД для решения задач контроля технического состояния ГТД. В качестве показателя работоспособности авиационного двигателя используется метрическое расстояние между точкой в пространстве параметров двшателя, характе-

ризующих его фактическое состояние и эталонной точкой, характеризующей его заведомо исправное состояние. Характеристики эталонного двигателя представлены его нейросетевой моделью. Для вычисления метрического расстояния (меры близости характеристик реального и эталонного двигателей) могут использоваться:

1) евклидова метрика:

(5)

где у1 - измеренное значение 1-го параметра ГТД; у(эт - эталонное значение этого параметра, вычисленное с помощью НС;

2) метрика Чебышева:

с1 = шах

(6)

эт

1

Результаты контроля ("Годен", "Негоден") принимаются по вычисленному значению метрического расстояния (1 с использованием лингвистической шкалы (тем самым допускается замена жестких допусков на величину с1 их нечеткой интерпретацией в виде степени принадлежности состояния ГТД одному из двух указанных множеств).

Рассмотрены решения задачи диагностики в нейросетевом базисе на основе РШ-метода. В отличие от классической схемы реализации данного метода (рис.1) вычисление эталонных значений у^ в данном случае производится с

помощью обученной нейросетевой многорежимной модели исправного двигателя, а распознавание состояния двигателя осуществляется с помощью дополнительной нейронной сети (нейроклассификатора).

В основе построения обучающей выборки для обучения нейроклассификатора используется метод диагностических матриц. В качестве входных сигналов нейроклассификатора используются значения отклонений, полученные путем сравнения выходов эталонного и реального двигателя, а выходами ней-росетевого классификатора являются бинарные коды состояний ГТД.

При формировании обучающей выборки используются либо реальные данные, полученные с дефектного двигателя, либо их расчетные значения, полученные путем имитации его математической (покомпонентной ММ тех или иных дефектов двигателя).

Принятие решения о техническом состоянии ГТД осуществляется с использованием правила "ближайшего соседа":

если <¿(5,тшп, (7)

где 5 = (/?!, )Т - вектор выходов нейроклассификатора (О < < 1), Бр -

центр кластера (прецедент), соответствующий р-му состоянию ГТД.

Результат сравнительного анализа решения задач диагностики технического состояния авиационного двигателя с помощью различных архитектур НС показали высокую достоверность распознавания дефектов, включая двойные дефекты, в различных узлах ГТД.

Показано, что для снижения сложности (избыточности НС) необходимо уменьшать число нейронов скрытого слоя при заданном уровне ошибки обучения сета. Минимальное число нейронов скрытого слоя для случая 10 штатных датчиков термогазодинамических параметров двигателя и пяти классов типовых дефектов узлов ГТД может быть снижено до 10+15 при высоком качестве распознавания состояния авиационного двигателя. При уменьшении числа штатных датчиков до 4+7 обеспечивается приемлемое качество диагностирования.

Исследуются возможности использования для решения данной задачи самоорганизующейся сети Кохонена (рис.5), которая самостоятельно осуществляет классификацию и распознавание технического состояния ГТД для различных видов дефектов проточной части двигателя.

Дп2

АОв

ДТ*

АР*

ДТ^

Дт*

АР* АР*

дот дк

Рис. 5. Классификатор на основе НС Кохонена

Здесь Ал2,АОв,...,АЛ - отклонения параметров ГТД от их эталонных значений, ..., Щ - выходы НС-классификатора.

Преимуществом использования НС Кохонена для решения задачи диагностирования состояния ГТД является отсутствие указаний эксперта, т.е. возможность автоматической классификации (кластеризации) состояний двигателя по предъявляемой сети обучающей выборке.

Исследуются особенности решения задачи прогнозирования технического состояния ГТД на основе нейросетевых технологий.

Предложенный в работе подход сводится к построению нейросетевой модели (НС - предиктора), позволяющей вычислить значение вектора термогазодинамических параметров двигателя У в момент времени (г +1) по предшествующим Ь значениям временного ряда, т.е.

У(г+1) = /№ У (г-1),..., У(* - Ь+1)], (8)

где /(•) - некоторая нелинейная вектор-функция, которую требуется аппроксимировать с помощью НС.

Точность прогноза, реализуемого с помощью НС, оценивав гея величиной:

||ф + 1| = ||у(г + 1)-У(г + 1|, (9)

где У(г + 1) - прогнозируемое значение У, вычисленное НС для момента времени I +1; У(7 + 1) - истинное значение вектора У в это1 же момент времени; е(г+ 1) - ошибка прогноза; ||«| - норма соответствующего вектора.

Показаны преимущества применения нейросетевых методов прогнозирования технического состояния ГТД по сравнению с другими методами (метод наименьших квадратов, экспоненциального сглаживания, скользящего среднего).

Производится сравнение двух методов решения задачи прогнозирования, основанные на использовании:

а) рекуррентной нейронной сети с применением "скользящего временного окна" (выражение (8));

б) аппроксимации временной зависимости (регрессионная функция):

у(»+1)=/(0, (10)

где г - текущее время.

Рассмотрены примеры построения прогнозирующей НС применительно к процессу эксплуатации двухвального двухконтурного ГТД (изд.95), используемого в качестве наземной газотурбинной установки, выполняющей функцию генератора сжатого воздуха для очистки нефтепровода. На рис. 6 приведена зависимость изменения ошибки прогноза от интервала прогноза для приведенного значения температуры газов за турбиной высокого давления Г4 .

Изменение ошибки прогнозирования температуры газ о» за турбиной высокого давления от наработки ГТД

3,50 3,25 3,00 2,75 Й 2,50

Е ^

в.

5 '-75

6

1 125 О 1,00

0,75

0,30

0,25

0,00

* 1 7 ! . £ * . . Д! л ~ }

г щ щ ^ щгц ? - ' V-" ^ 1

F- -у л ? < 7Г7Л75 у. > •¿Г - • -; * ^_1

С4? л С. л-Г. V ХАЛ РЗз 1

г^КГ5 ; Г' ** --

1-й'-', и » < г

вЙ щЦ зя

ш рйй

ЩЩ к_

к

Ё # г--.; ] г "

§§ шщ — Е* 1

I 1

Т4_ЭЗ

Т4Е7

Т4_ММС

Т4_ИЗ

Т4_ЗЭ5Н

- -«- Т4_Ег_ЗН

Т4_ШС_ЗН

--е.. Т4 N3 ЯН

95,0 95,8 96,6 97,4 98,2 99,0 99,8 100/ 101,4 102,2 103,0 103,8 104,6 Интервал прогноза, в час«

Рис. 6. Зависимость изменения ошибки прогноза от интервала прогноза

Здесь Т4 - ошибка прогноза по температуре при использовании метода скользящего среднего; - для метода экспоненциального сглаживания; Тл_Мнс - Для метода наименьших квадратов; - при использовании НС (сплошная линия соответствует ошибкам прогноза при отсутствии шума измерений, штрихпунктирная - ошибкам прогноза при наличии аддитивной помехи (шума) с параметрами о = 0,01; М= 0).

Анализ полученных результатов свидетельствует о достаточно высокой точности прогнозирования с помощью нейросетевого метода. Так, в условиях отсутствия аддитивной помехи ошибка краткосрочного (А? = 0,4 часа), среднесрочного (Дг = 2 часа) и долгосрочного (Лг = 4 часа) прогноза значения температуры газов за турбиной с помощью НС составила соответственно не более 0,25, 0,37 и 0,42% (для сравнения - при использовании метода наименьших квадратов соответствующие значения ошибки прогноза составили 0,5, 1,6 и 2,5%).

Показано, что 1грименение предложенного метода прогнозирования позволяет обнаруживать моменты разладки временного ряда, т.е. появление тренда параметров ГТД, являющегося следствием качественного изменения (деградации) характеристик авиационного двигателя.

Исследуются особенности решения задачи отладки конструктивных параметров авиационного двигателя с использованием нейронных сетей.

В основе рассмотренного подхода используется методика, предложенная в работах Х.С. Гумерова, Ю.Г. Арькова, В.П. Алаторцева. В соответствии с данной методикой, компенсация "ухода" характеристик и параметров ГТД от их номинальных (эталонных) значений достигается путем плавной регулировки элементов конструкции двигателя, например, путем корректировки площади критического сечения реактивного сопла Рс (или диаметра сопла П). При этом в качестве целевой функции Д. подлежащей оптимизации в процессе отладки, может выступать функция:

I = (^пр ~ ^пр.ном У + (Тз пр ~ ТЪ ном + (Суд Пр — Суд.ном У" . (11)

где Япр, ^з„р. Суд.пр _ соответственно приведенные значения реактивной тяги, температуры газов перед турбиной и удельного расхода топлива, выраженные в относительных (безразмерных) координатах; /?прном, г£ном, Суаиом - номинальные (средние по парку) значения этих параметров.

На примере двухвального двигателя с распределенной степенью двухкол-турности построена эмпирическая зависимость (рис. 7) целевой функции (11) от относительных значений диаметра реактивного сопла О=£>/£>н0м. Отличительной особенностью развиваемого подхода является использование для этих целей НС - модели двигателя на базе многослойного персептрона, обучаемого

на множестве экспериментальных данных, полученных в процессе испытаний на различных режимах работы большого парка однотипных двигателей. Наличие ярко выраженного оптимума (D = Dopt) позволяет рассчитать требуемые

отклонения диаметра сопла AD = Dopt - £>инд для конкретного экземпляра двигателя, подвергающегося отладке, доставляющие минимум целевой функции I.

0,0003«

- 0,000300-

§ 0,000250 ■

« 0,000200 А

0,000150

Bopt. Ьщщ.

-ОДОЮ»

0,927 0,988 0,989 0^90 0,991 0,992 0,993 0,994 0,995 0,996 0,99? 0,998 0,999 1,000 1,001 Диаметр решииюго сопга Рис. 7. Зависимость целевой функции от диаметра реактивного сопла В пятой главе решается задача построения нейросетевой экспертной системы контроля и диагностики технического состояния ГТД. Формулируются требования к нейросетевой экспертной системе контроля и диагностики, позволяющей использовать, наряду с аналитическими математическими моделями двигателя, экспериментальную информацию, полученную в процессе стендовых и летных испытаний ГТД.

Предложена архитектура нейросетевой экспертной системы контроля и диагностики технического состояния ГТД "Эксперт Нейро" (рис.8). Определены функции и состав нейросетевых модулей, реализующих предложенные в работе нейросетевые алг оритмы обработки измерительной информации и принятия решений о техническом состоянии ГТД.

Основными компонентами экспертной системы являются: база знаний (БЗ), нейросетевые модули (НМ,); база концептуальных знаний (БКЗ); база экспертных знаний (ЮЗ); база нечетких правил (БНП); база знаний прецедентов (БЗП); база данных испытаний (БДИ); системы управления базами данных (СУБД) и базами знаний (СУБЗ).

эс

Г"

СУБЗ

Решатель

JE

Монитор

Планировщик

БКЗ

БЭЗ

БНП

БЗП

БЗ

СУБД

нем.

НСМ2

нем,,

БДИ

Т~~Г f

Подсистема обработки данных k t

I

Контроллеры ввода

I

Датчики

т

Эксперт

Подсистема принятия решения

Модем

Intranet

ттт

1 г

Параметры ГТД

Рис. 8. Структура нейросетевой экспертаой системы "Эксперт Нейро"

Экспертная система 'Эксперт Нейро" создана на базе экспертной оболочки С-РИЕ, расширенной средой моделирования МАТЪАВ. Алгоритмическое и программное обеспечение нейросетевой экспертной системы разработано на основе входного языка НУТ системы С-РЛК и среды моделирования МАТЪАВ. Программная реализация разработанных нейросетевых модулей защищена пятью свидетельствами государственной регистрации РосАПО. Предложена методика работы оператора с нейросетевой экспертной системой в процессе обработки результатов стендовых и летных испытаний ГТД.

В данной главе также рассмотрены особенности программной и аппаратной реализации нейросетевых алгоритмов восстановления информации в реальном времени в составе бортовой системы контроля и диагностики двигателя (БСКД). Произведено сравнение двух подходов к решению данной задачи, основанных на использовании нейросетевой многорежимной модели двигателя идентифицированной по результатам летной эксплуатации ГТД, а также автоассоциативной нейронной сети, осуществляющей сжатие измерительных данных о состоянии двигателя с последующим их восстановлением.

На примере БСКД турбовинтовентиляторного двигателя Д-27 показано, что погрешность восстановления значений термогазодинамических параметров ГТД с помощью автоассоциативной НС при отказе одного из пяти штатных датчиков не превышает 0,45% на максимальном режиме работы двигателя.

Оценка потребных вычислительных ресурсов при реализации предложенных нейросетевых алгоритмов восстановления информации на базе специализированного нейропроцессора Л1879ВМ1 (Нейроматршсс) показывает возможность их реализации на борту в составе БСКД перспективного авиационного двигателя.

Основные результаты и выводы:

1. В диссертации поставлена и решена проблема создания научных и методологических основ построения моделей, методов, алгоритмов и программного обеспечения систем мониторинга технического состояния проточной части ГТД по результатам стендовых испытаний и летной эксплуатации на основе интеллектуального анализа данных с использованием технологий экспертных систем и нейронных сетей.

2. Предложена концепция построения интеллектуальных систем мониторинга технического состояния ГТД, заключающаяся в:

• использовании методов интеллектуального анализа данных о режимах работы двигателя на различных этапах его эксплуатации (с учетом характеристик парка двигателей), с возможностью их интеграции в СЛЬБ-технологии;

• использовании единой методологии мониторинга, контроля и диагностики технического состояния авиационных двигателей в рамках стратегии управления по техническому состоянию;

• интеллектуализации основных процессов классификации, контроля, диагностики и прогнозирования состояния ГТД на основе использования количе-

ственных и качественных моделей двигателя, включая использование нейросе-тевых технологий и методов теории принятия решений и экспертных систем;

• перспективе интеграции создаваемых интеллектуальных систем мониторинга, контроля и диагностики состояния двигателей в распределенные SCADA - системы на основе использования распределенных баз данных и баз знаний, Intranet-технологий и корпоративных вычислительных систем.

3. Разработан комплекс системных моделей процесса мониторинга технического состояния ГТД на базе SADT-методологии, позволившей формализовать и обосновать требования к выбору методов, алгоритмов и систем обработки информации и принятая решений на стадии контроля, диагностики и прогнозирования технического состояния ГТД.

4. Разработаны формализованные методы и методики контроля и диагностики технического состояния ГТД с использованием технологий экспертных систем, основанных на применении в процессе контроля математических моделей двигателя и позволяющих повысить производительность и достоверность процессов контроля и диагностики состояния ГТД по результатам их стендовых и летных испытаний. Апробация этих методов и методик в составе реализованных автором исследовательских прототипов экспертных систем на базе оболочек C-PRIZ, TILL Shell, " Диагноз " показала, что они позволяют:

• проводить контроль и диагностирование технического состояния ГТД при ограниченном объеме исходной информации;

• обнаружить и локализовать дефекты проточной части двигателя с точностью до узла;

• повысить достоверность и сократить общее время контроля и диагностики в 2-3 раза за счет использования индивидуальной настраиваемой модели авиационного двигателя и экспертной базы знаний о характеристиках ГТД

5. Разработаны и исследованы (на примере реальных данных об эксплуатации изд. 95, 95Ш, 99) нейросетевые методы и алгоритмы, обеспечивающие решение широкого спектра плохо формализуемых задач, связанных с классификацией режимов работы двигателя, идентификацией его характеристик, контролем, диагностикой и прогнозированием технического состояния, отладкой параметров ГТД. Показано, что применение этих методов и алгоритмов позволяет:

• автоматизировать решение задачи автоматической классификации (кластеризации) режимов работы ГТД;

• получить решение задачи идентификации многорежимной модели ГТД в широком диапазоне изменения режимов работы двигателя (от малого газа до форсажа): погрешность идентификации ГТД с помощью НС не превысила 0,63%, обеспечивается робастность модели по отношению к внешним возмущениям (для уровня шума а = 0,025 погрешность идентификации многоре-

жимной модели ГТД при использовании НС возросла до 0,84%, тогда как для полиномиальной модели, полученной с помощью метода наименьших квадратов с 0,99 до 2,49%; рассмотрены особенности решения задачи идентификации динамической НС - модели ГТД;

• получить решение задачи диагностики технического состояния ГТД легко формализуется в нейросетевом базисе: применение НС позволяет решить задачу диагностики ГТД с точностью до узла; при уменьшении числа штатных датчиков до 4 обеспечивается приемлемое качество диагностирования; сохраняется высокое качество диагностирования технического состояния ГТД в условиях ад дитивной случайной помехи;

• повысить точность краткосрочного среднесрочного и долгосрочного прогноза технического состояния ГТД с помощью НС по сравнению с использованием полиномиальных регрессионных моделей, метода экспоненциального сглаживания, скользящего среднего; использование НС позволяет обнаруживать появление тренда параметров ГТД, что позволяет принимать своевременные оперативные решения по изменению режима его эксплуатации;

• получить решение задачи отладки параметров ГТД: для вычисления требуемого значения параметров двигателя (например, диаметра реактивного сопла) при этом можно воспользоваться регулировочной кривой, построенной на основе НС по результатам стендовых испытаний парка ГТД.

6. Разработана архитектура нейросетевой экспертной системы "Эксперт Нейро" и определен состав входящих в нее нейросетевых модулей, реализующих предложенные нейросетевые алгоритмы и технологии обработки информации для решения задач контроля и диагностики технического состояния ГТД. Программная реализация нейросетевых модулей защищена пятью свидетельствами государственной регистрации РосАПО.

7. Рассмотрены особенности реализации нейросетевых алгоритмов восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя (БСКД) На примере БСКД ТВВД Д-27 показано, что:

• реализация нейросетевой многорежимной модели ГТД обеспечивает уменьшение погрешности вычисления термогазодинамических параметров ГТД в 2,3+7,8 раза по сравнению с кусочно-линейной моделью ГТД и в 1,4-^3,4 раза по сравнению с полиномиальной моделью 9-го порядка; при этом за счет сокращения числа операций умножения обеспечивается выигрыш по сравнению с кусочно-линейной и полиномиальной моделями при использовании вычислителя Thompson ST10F269 соответственно: по времени вычислений - в 12,8 и в 14,2 раза; по требуемому объему памяти - в 8,1 и 1,2 раза (при использовании нейропроцессора JI1879BM1 время вычисления НС дополнительно уменьшается в 2 раза);

• восстановление информации при отказе датчиков с помощью автоассоциативной нейронной сети обеспечивает погрешность восстановления данных не более 0,45% в случае одиночных отказов и не более 0,58% в случае двойных отказов; при этом время 1 цикла восстановления данных при использовании пяти штатных датчиков составляет 49 мкс для вычислителя Thompson ST10F269 и 3,4 мкс для специализированного нейропроцессора JI1879BM1, что удовлетворяет требованиям бортовой реализации в составе перспективной БСКД.

8. Полученные в работе теоретические положения, методики и технологии применения ЭС для решения задач контроля и диагностики технического состояния ГТД с использованием нейросетевых методов и алгоритмов внедрены на ряде моторостроительных предприятий и проектных организаций, а также в учебный процесс Уфимского государственного авиационного технического университета.

Основное содержание работы раскрывается в следующих публикациях:

1. Нейрокомпьютеры в авиации (самолеты) / Под. ред. В.И. Васильева, Б.Г. Ильясова, С.Т. Кусимова. М.: Радиотехника, 2004. 496 с. (монография) (Жернаков C.B. - глава 6).

2. Васильев В.И., Ильясов Б.Г., Валеев С.С., Жернаков C.B. Интеллектуальные системы управления с использованием нейронных сетей: Учебное пособие. - Уфа: УГАТУ, 1997. - 92 с.

3. Васильев В.И., Жернаков C.B. Экспертные системы: Управление эксплуатацией сложных технических объектов: Учебное пособие. - Уфа: УГАТУ, 2003. -106 с.

4. Жернаков C.B., Тарасов Ф.Ф. Разработка интеллектуальных баз данных ВРД в гибридной экспертной системе // Испытания авиационных двш а-телей. -Уфа: УГАТУ,1996. - С.115-126.

5. Жернаков C.B. Система поддержки принятия решений диагностической ЭС в условиях неопределенности // Мягкие измерения и вычисления: Тр. меж-дунар. НТК. - СПб.: СЭТУ, 1998. - С. 126-129.

6. Жернаков C.B. Применение разнородных знаний экспертных систем для диагностики ГТД в условиях неопределенности // Авиационно-космическая техника и технология. - Харьков: ХАИ, 1998. Вып.5. - С. 123129.

7. Жернаков C.B. Система поддержки принятия решений диагностической ЭС PB в условиях неопределенности // Мягкие измерения и вычисления. -СПб.: СГТУ, 1998. - С. 117-122.

8. Жернаков C.B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы // Вестник ГОТУ. Аэрокосмическая техника. -Пермь: ПГТУ, 1999. - С.33-38.

9. Жернаков C.B. Контроль и диагностика параметров ГТД гибридными экспертными системами // Авиационные технологии 21 века: 5-й Междунар науч.-техн. симп. - Жуковский: ЦАГИ, 1999. Вып. 2640. - С. 215-222.

10. Жернаков C.B., Кривошеее ИА. Использование сетевых методов представления математических моделей в САПР двигателей // Информационные технологии. - М.: Машиностроение, 1999. № 5. - С. 17-26.

11. Жернаков C.B. Комбинированные модели нейросетей для диагностики и прогнозирования ГТД // Нейроинформатика-99: Всерос. науч.-техн. конф. -М.: МИФИ, 1999. -С.115-122.

12. Жернаков СЛ. Разработка гибридных нейронечетких экспертных систем диагностики ГТД // Нейроинформатика-99. - М.: МИФИ, 1999. -С. 101-108.

13. Жернаков C.B. Гибридная нейронечеткая экспертная система диагностики состояния ГТД // Аэрокосмическое приборостроение России. Сер. 2. Авионика. Вып. 3. - СПб.: НААП, 1999. - С. 96-114.

14. Жернаков C.B. Параметрическая диагностика 1ТД на базе нейронечеткой ЭС // Вестник СГТУ. - Самара: СГТУ, 1999. - С. 123-136.

15. Жернаков C.B. Диагностика и прогнозирование состояния газотурбинного двигателя гибридными нейронечеткими экспертными системами // Известия РАН. Теория и системы управления. 1999. № 5. - С. 95-101.

16. Жернаков C.B., Крнвошеев И.А. Поддержка принятия решений при структурном синтезе в САПР двигателей // Информационные технологии. -М.: Машиностроение, 2000. № 12. - С. 17-30.

17. Жернаков C.B. Комплексная диагностика и контроль параметров ГТД в условиях неопределенности на базе нечеткой экспертной системы TTLLShel! 3 + // Информационные технологии. М: Машиностроение, 2000. № 8. С. 36-43.

18. Жернаков C.B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы II Вестник Пермск. гос. техн. ун-та. Аэрокосмическая техника. - Пермь: ГИТУ, 2000. № 5. ^ С. 39-45.

19. Жернаков C.B. Комплексная параметрическая диагностика и контроль ГТД современными гибридными экспертными системами. // Аэрокосмическое приборостроение России. Сер. 2. Авионика. - СПб.: СГТУ, 2000. Вып. 4. -С.28-41.

20. Жернаков C.B. Идентификация параметров ГТД гибридным ансамблем нейросетей // Нейроинформатика-2000: Всерос. НТК. - М.: МИФИ, 2000. -С.117- 126.

21. Жернаков C.B. Выявление отказов ГТД моделями нейросетей // Вестник Пермск. гос. техн. ун-та. Аэрокосмическая техника. - Пермь: ПГТУ, 2000. Вып.4. - С.26 - 31.

22. Жернаков C.B. Комплексная диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами // Ней-роинформатика - 2000. - М.: МИФИ, 2000. - С. 115-123.

23. Жернаков C.B. Диагностика и контроль гидромеханических устройств нейронечеткими экспертными системами // Нейроинформатика -2000. - М.: МИФИ, 2000. - С. 115-123.

24. Жернаков C.B. Диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами // Информационные технологии. - М.: Машиностроение, 2000. № 3. - С.31-36.

25. Жернаков C.B. Комплексная диагностика и контроль параметров ГТД в условиях неопределенности на базе нечеткой экспертной системы TELLShell 3.0 // Информационные технологии. - М.: Машиностроение, 2000. № 8. -С. 36-^3.

26. Жернаков C.B. Параметрическая диагностика ГТД па базе гибридной нечеткой экспертной системы // Вестник Пермск. гос. техн. ун-та. Аэрокосмическая техника. - Пермь: ПГТУ, 2000. Вып. 5. - С. 39-45.

27. Жернаков C.B. Применение экспертных систем с нейросетевыми базами знаний к диагностике и контролю устройств авиационных двигателей // Информационные технологии. - М.: Машиностроение, 2000. № 12. -С. 37-44.

28. Жернаков C.B. Комбинированная диагностика и контроль параметров ГТД нейронечеткой гибридной экспертной системой // Радиоэлектроника. Информатика. Управление. - Запорожье: ЗНТУ, 2000. № 2. - С.55-67.

29. Васильев В.И., Жернаков C.B., Уразбахтина Л.Б. Нейросетевой контроль параметров газотурбинного двигателя // Нейрокомпьютеры: разработка, применение. -М.: Радиотехника, 2001. №1. - С.37-43.

30. Жернаков C.B. Диагностика и контроль ГТД в условиях неопределенности на базе нечеткой экспертной системы TILLShell 3.0 // Авиационная промышленность. - М.: Машиностроение, 2001. № 1. - С.20-23.

31. Жернаков C.B. Интеллектуальная система комплексного мониторинга и управления эксплуатацией авиационных газотурбинных двигателей // Меж-дунар. НТК 90-летию акад. Н.Д. Кузнецова: Вестник СГТУ. Т.З. - Самара: СГТУ, 2001. - С.38-46.

32. Жернаков C.B. Комплексное моделирование авиационного двигателя в среде гибридных экспертных систем. // Автоматизация и современные технологии. - М.: Машиностроение, 2001. № 5. - С.22-26.

33. Жернаков C.B. Ансамблевые нейросети для контроля и диагностики параметров газотурбинного двигателя // Нейроинформатика-2001: Всерос. НТК. - М.: МИФИ, 2001. т. 1. - С. 116-124.

34. Жернаков C.B. Применение нейросетей для отладки параметров ГТД в процессе эксплуатации // Нейрокомпьютеры и их применение: VII Всерос. конф. с междунар. участием. -М.: ИПУ, 2001. -С.161-165.

35. Жернаков C.B. Параметрическая идентификация ГТД гибридным ансамблем нейросетей // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2001. № 4 - 5. - С.31-35.

36. Жернаков C.B. Хранение информационного портрета авиационного газотурбинного двигателя на базе нейросетей // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2001. № 4-5. - С. 44-51.

37. Жернаков C.B. Определение тренда параметров авиационного двигателя активной экспертной системой // Авиационная промышленность. - М.: Машиностроение, 2001. №4. - С.24-28.

38. Жернаков C.B. Комплексная диагностика и контроль параметров гидромеханических устройств ГТД нейронечеткими экспертными системами. -М.: МИФИ, 2001. Т. 2. - С. 115-124.

39. Жернаков C.B., Сунарчин P.A. Активная экспертная система с нейросете-выми базами знаний для комплексной диагностики и контроля гидромеханических устройств ГТД // Вестник ПГТУ. - Пермь: ПГТУ, 2001. Вып. 1. -С.33^1.

40. Жернаков C.B. Активная экспертная система диагностики и контроля параметров ГТД // Авиационная промышленность. - М.: Машиностроение, 2001. № 2. - С.34-39.

41. Жернаков C.B. Нейросетевая экспертная система комплексного мониторинга и управления эксплуатацией авиационных двигателей // Нейрокомпьютеры: разработка, применение. - М.: Радиотехника, 2001. № 6. -С. 33-40.

42. Жернаков C.B. Интеллектуальная система комплексного мониторинга и управления эксплуатацией авиационных газотурбинных двигателей H Вестник СГТУ. - Самара: СГТУ, 2001. Т.З. - С. 38^6.

43. Жернаков C.B. Комплексное моделирование авиационного двигателя в среде гибридных экспертных систем // Автоматизация и современные технологии. - М.: Машиностроение, 2001. № 5. - С. 22-26.

44. Жернаков C.B. Применение динамических экспертных систем с нейросете-выми базами знаний в процессе эксплуатации авиационных двигателей // Информационные технологии. - М.: Машиностроение, 2001. № 6. -С. 42-48.

45. Жернаков C.B. Активная экспертная система комплексной диагностики и контроля параметров газотурбинных двигателей // Автоматизация и современные технологии. - М.: Машиностроение, 2001. № 6. - С. 16-22.

46. Жернаков C.B. Активные экспертные системы в комплексной диагностике и контроле гидромеханических устройств газотурбинных двигателей

// Автоматизация и современные технологии. - М.: Машиностроение, 2001. №9.-С. 20-24.

47. Жернаков C.B. Активные экспертные системы с нейросетевыми базами знаний для эксплуатации авиационных двигателей. // Авиационная промышленность. - М.: Машиностроение, 2001. № 3. - С. 25-30.

48. Жернаков C.B. Об одном подходе к разработке активных экспертных систем диагностики и контроля параметров ГТД // Мир авионики. - СПб.: Авиационное приборостроение, 2001. № 4. - С. 21-27.

49. Жернаков C.B. Интеллектуальный мониторинг параметров газотурбинных двигателей активными экспертными системами. // Автоматизация и современные технологии. - М.: Машиностроение, 2001. № 11. - С. 10-15.

50. Жернаков C.B. Активная экспертная система комплексного мониторинга и управления эксплуатацией авиационных двигателей // Информационные технологии. - М.: Машиностроение, 2001. № 12. - С. 27-31.

51. Жернаков C.B. Определение тренда параметров авиационного двигателя активной экспертной системой // Авиационная промышленность. - М.: Машиностроение, 2001. № 4. - С. 24-28.

52. Жернаков C.B. Интеллектуальный мониторинг и диагностика параметров газотурбинного двигателя гибридными экспертными системами // Автоматизация и современные технологии. -М.: Машиностроение, 2001. № 12. - С. 16-22.

53. Жернаков C.B. Экспертная система с нейросетевыми базами знаний для определения разладки параметров авиационного ГТД // Нейроинформатика-2002. - М.: МИФИ, 2002. Т. 1. - С. 81 - 92.

54. Жернаков C.B. Базы знаний прецедентов активных экспертных систем на основе ансамблевых нейросетей // Нейроинформатика-2002. - М.: МИФИ, 2002. Т. 2.-С. 69-80.

55. Жернаков C.B. Использование активной экспертной системы для комплексного анализа работы газотурбинного двигателя // Автоматизация и современные технологии. - М.: Машиностроение, 2002. № 1. - С. 27-32.

56. Жернаков C.B. Активная диагностическая экспертная система // Проблемы машиностроения и надежности машин. - М.: РАН, 2002. № 1. - С. 92-99.

57. Жернаков C.B. Разработка баз знаний прецедентов в среде активных экспертных систем на основе ансамблевых нейросетей И Приборы и системы. Управление. Контроль. Диагностика. - М.: Научтехлитиздат, 2002. № 3. -С. 64-68.

58. Жернаков C.B. Нейросетевая база знаний прецедентов активной экспертной системы для комплексного контроля и диагностики параметров авиационного двигателя П Информационные технологии. - М.: Машиностроение, 2002. № 5. - С. 45-53.

59. Жернаков C.B. Контроль и диагностика силовых установок летательных аппаратов активными экспертными системами // Автоматизация и современные технологии. - М.: Машиностроение, 2002. № 11. - С. 26-31.

60. Жернаков C.B. Классификация комплексных отказов ГТД базой знаний прецедентов активной экспертной системы в процессе эксплуатации // Мир авионики. - СПб.: Авиационное приборостроение, 2002. № 4. - С. 22-29.

61. Жернаков C.B. Решение комплексных задач контроля и диагностики силовых установок летательных аппаратов активными экспертными системами // Приборы и системы. Управление. Контроль. Диагностика. - М.: Научтехлитиздат, 2002. № 12. -С.53-57.

62. Жернаков CJB. Базы знаний прецедентов активных экспертных систем для процесса мониторинга параметров авиационного двигателя // Автоматизация и современные технологии. - М.: Машиностроение, 2003. № 2. -С. 28-33.

63. Жернаков C.B. Активная экспертная система с нейросетевыми базами знаний для определения тренда параметров авиационного газотурбинного двигателя // Приборы и системы. Управление. Контроль. Диагностика. - М.: Научтехлитиздат, 2003. № 5. - С. 59-64.

64. Жернаков C.B. Уточнение классификации отказов ГТД базой знаний прецедентов активной экспертной системы в процессе эксплуатации // Контроль. Диагностика. - М.: Машиностроение, 2003. № 5. - С. 30-41.

65. Жернаков C.B. Распознавание параметров авиационного двигателя нейро-сетями // Автоматизация и современные технологии. - М.: Машиностроение, 2003. № 4. - С. 29 - 31.

66. Жернаков C.B. Контроль и диагностика параметров газотурбинного двигателя нейронными сетями // Нейрокомпьютеры: разработка, применение. -М.: Радиотехника, 2003. № 8-9. - С. 51-66.

67. Жернаков C.B. Отладка параметров авиационного газотурбинного двигателя на основе нейронных сетей // Приборы и системы. Управление. Контроль. Диагностика. - М.: Научтехлитиздат, 2003. № 12. - С. 33-40.

68. Жернаков C.B. Диагностика параметров авиационного ГТД на основе нейронных сетей // Авиакосмическое приборостроение. - М.: Научтехлитиздат, 2003. № 12. -С.50-60.

69. Жернаков C.B. Идентификация параметров авиационного двигателя на основе нейронных сетей II Информационные технологии. - М.: Машиностроение, 2003. № 12. - С. 31-39.

70. Жернаков C.B. Активная экспертная система для комплексного мониторинга сложного технического объекта // Вестник ИжГТУ. - Ижевск: Иж-ГТУ, 2003. № 2. - С.37-42.

71. Свид. № 2003612428 об офиц. per. прогр. для ЭВМ. Мастер создания, обучения и тестирования нейронных сетей, предназначенных для классифика-

ции режимов работы ГТД / C.B. Жернаков, К.Ю. Малякина. - М.: РосПатент, 2004.

72. Свид. № 2003612427 об офиц. per. нрогр. для ЭВМ. Мастер создания, обучения и тестирования нейронных сетей, предназначенных для отладки параметров ГТД/ C.B. Жернаков, АД. Нуйсков. - М.: РосПатент, 2004.

73. Свид. № 2003612143 об офиц. per. прогр. для ЭВМ. Мастер создания, обучения и тестирования автоассоциативных нейронных сетей /C.B. Жернаков, И-А. Муслухов. - М.: РосПатент, 2004.

74. Свид. № 2003612460 об офиц. per. прогр. для ЭВМ. Мастер создания, обучения и тестирования нейронных сетей, предназначенных для диагностики состояния лопаток ГТД / C.B. Жернаков, К.А. Потепенко. - М.: РосПатент, 2004.

75. Свид. № 2004611145 об офиц. per. прогр. для ЭВМ. Экспертная система ЭкспертНейро / C.B. Жернаков, И.А. Муслухов. - М.: РосПатент, 2004.

Диссертант

C.B. Жернаков

ЖЕРНАКОВ Сергей Владимирович

КОНТРОЛЬ И ДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ ИНТЕЛЛЕКТУАЛЬНОГО АНАЛИЗА ДАННЫХ

Специальность: 05.13.01 - Системный анализ, управление и обработка

информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени доктора технических наук

Подписано к печати 23.08.2005. Формат 60x84 1/16. Бумага офсетная. Печать плоская. Гарнитура Тайме. Усл. печ. л.2,0. Усл. кр.-отт. 2,0. Уч.-изд. л. 1,9. Тираж 100 экз. Заказ № 348.

Уфимский государственный авиационный технический университет Центр оперативной полиграфии 450000, Уфа-центр, ул. К. Маркса, 12

»165 4 î

РНБ Русский фонд

2006-4 12420

s

i

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ ИНФОРМАЦИОННОГО МОНИТОРИНГА СОСТОЯНИЯ АВИАЦИОННОГО ГАЗОТУРБИННОГО ДВИГАТЕЛЯ (ГТД).

1.1. Современный авиационный двигатель как сложный технический объект мониторинга.

1.2. Общая характеристика проблемы мониторинга и управления эксплуатацией авиационного двигателя по техническому состоянию.

1.3. Современные информационные технологии мониторинга состояния сложных технических объектов.

1.4. Интеллектуальные технологии автоматизации испытаний и управления эксплуатацией авиационного двигателя.

1.5. Концепция решения проблемы информационного мониторинга параметров авиационного ГТД.

Результаты и выводы по первой главе.

ГЛАВА 2. ПРИМЕНЕНИЕ МЕТОДОЛОГИИ СИСТЕМНОГО АНАЛИЗА К РЕШЕНИЮ ПРОБЛЕМЫ ИНФОРМАЦИОННОГО МОНИТОРИНГА СОСТОЯНИЯ АВИАЦИОННОГО ДВИГАТЕЛЯ.

2.1. Применение технологий системного моделирования на этапе проектирования интеллектуальной системы мониторинга состояния авиационного двигателя.

2.2. Разработка комплекса функциональных моделей процесса мониторинга параметров авиационного ГТД.

2.3. Разработка комплекса информационных моделей процесса мониторинга параметров авиационного ГТД

2.4. Разработка динамической модели процесса мониторинга состояния авиационного ГТД.

2.5. Требования к экспертной системе мониторинга состояния авиационного ГТД на основе IDEF — моделей.

Результаты и выводы по второй главе.

ГЛАВА 3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ КОНТРОЛЯ H ДИАГНОСТИКИ ТЕХНИЧЕСКОГО состояния АВИАЦИОННОГО ГТД НА ОСНОВЕ ЭКСПЕРТНЫХ СИСТЕМ (ЭС).

3.1. Введение.

3.2. Решение задач контроля и диагностики на основе компонентной реализации математической модели ГТД в среде экспертной системы C-PRIZ.

3.2.1. Реализация компонентных математических моделей ГТД на основе семантических сетей.

3.2.2. Методика наполнения баз знаний экспертной системы C-PRIZ

3.2.3. Особенности решения задач контроля и диагностики ГТД с использованием экспертной системы C-PRIZ.

3.3. Решение задач контроля и диагностики ГТД в среде экспертной

Ф системы TILShell 3.0.

3.3.1. Представление математической модели ГТД в базе знаний экспертной системы TILShell 3.0.

3.3.2. Решение задач контроля и диагностики ГТД в среде экспертной системы TILShell 3.

3.4. Решение задач контроля и диагностики ГТД с использованием пакета прикладных программ "Диагноз".

3.4.1. Основные принципы реализации алгоритмов контроля и диагностики ГТД с использованием пакета прикладных программ "Диагноз".

3.4.2. Представление математической модели ГТД в среде пакета прикладных программ "Диагноз".

3.4.3. Особенности решения задач контроля и диагностики ГТД с помощью пакета прикладных программ "Диагноз".

3.5. Сравнительный анализ полученных результатов.

Результаты и выводы по третьей главе.

ГЛАВА 4. НЕЙРОСЕТЕВЫЕ МЕТОДЫ КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД.

4.1. Идея предлагаемого подхода.

4.2. Классификация режимов работы ГТД на основе нейронных сетей . 187 f.J, 4.3. Идентификация характеристик ГТД на основе нейронных сетей.

4.3.1. Идентификация параметров многорежимной модели ГТД на основе нейронных сетей.

4.3.2. Решение задачи идентификации обратной многорежимной модели ГТД на основе НС.

4.3.3. Идентификация динамической многорежимной модели ГТД

4.4. Контроль технического состояния ГТД на основе нейронных сетей

4.5. Диагностика технического состояния ГТД на основе нейронных сетей.

4.6. Прогнозирование технического состояния ГТД на основе нейронных сетей.

4.7. Отладка параметров ГТД с использованием нейронных сетей.

Результаты и выводы по главе 4.

ГЛАВА 5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ НЕЙРОСЕТЕВОЙ ЭКСПЕРТНОЙ СИСТЕМЫ "ЭКСПЕРТ НЕЙРО" КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ГТД.

5.1. Краткий обзор нейросетевых экспертных систем.

5.2. Общая структура нейросетевой экспертной системы "Эксперт Нейро".

5.3. Особенности программной реализации интерфейса и программных модулей нейросетевой экспертной системы "Эксперт Нейро".

5.4. Методика работы с нейросетевой экспертной системой "Эксперт Нейро".

5.5. Особенности бортовой реализации нейросетевых алгоритмов контроля и диагностики ГТД.

5.5.1. Восстановление информации с использованием нейросетевой модели ГТД на примере БСКД ЭСУ

5.5.2. Восстановление информации при отказах датчиков с использованием автоассоциативной нейронной сети.

Результаты и выводы по пятой главе.

Актуальность работы. Газотурбинный двигатель (ГТД) как восстанавливаемый объект в течение срока службы требует постоянного мониторинга, трудоемкость которого зависит от уровня автоматизации процессов получения, обработки, хранения, документирования информации о текущем состоянии авиационного двигателя, а также контроля, диагностики, прогнозирования его технического состояния, последовательность и методы выполнения которых определяют информационную технологию мониторинга (ИТМ). Средством их реализации являются распределенные системы мониторинга, на которые возлагается задача определения степени соответствия объекта мониторинга предъявляемым требованиям, то есть контроля его технического состояния.

Распределенная система мониторинга является логическим дополнением ИТМ, так как совместно с последней осуществляет анализ фактического технического состояния ГТД: прогнозирование остаточного ресурса, отслеживает деградацию рабочих характеристик авиационного двигателя, определяет программу ремонтно-восстановительных работ и т.д.

Основные летно-технические характеристики ГТД определяются на всех этапах его жизненного цикла (ЖЦ). Эффективность мониторинга авиационного & двигателя существенно зависит от вероятности правильного распознавания его технического состояния. Мониторинг технического состояния ГТД обеспечивается рациональным выбором SCADA систем и методов обработки информации в соответствии с задачами контроля, диагностики и прогнозирования технического состояния двигателя, эффективно решающих задачи координации управления эксплуатацией двигателя по техническому состоянию и осуществляющих поддержку принятия решений. Основу мониторинга технического состояния ГТД составляет подчинение целей функционирования информационных технологий мониторинга и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями его эксплуатации.

Создание информационных технологий мониторинга и управления эксплуатацией ГТД является процессом, предполагающим. определенную методологию использования априорной и апостериорной информации об объекте, измерительных, вычислительных и корпоративных средствах, образующих ресурсы информационных технологий мониторинга, и разнообразные математические методы решения задач обработки и анализа информации о техническом состоянии двигателя, а также принятия решений для достижения целей мониторинга и управления его эксплуатацией. Проблемам создания информационных технологий мониторинга и управления эксплуатацией сложных технических объектов посвящены работы: О.В. Абрамова, Е.В. Барзиловича, И.В. Бармина, Г.И. Братухина, Л.И. Волкова, Ю.М. Гусева, Б. Г. Ильясова, A.A. Ицковича, A.A. Каштанова, В.А. Острейковского, В.В. Смирнова, Б.Е. Федунова, В.А. Фурсова, Р.М Юсупова и др. Проблемы контроля и диагностики технического состояния ГТД исследуются в работах В.Г. Августиновича, A.M. Ахмедзянова, И.А. Биргера,

B.И. Васильева, Х.С. Гумерова, В.Т. Дедеша, Н.Г. Дубравского, И.В. Егорова,

C.B. Епифанова, В.Н. Ефанова, Ю.С. Кабальнова, В.Г. Крымского, Г.Г. Куликова, Д.Ф. Симбирского, H.H. Сиротина, А.П. Тунакова, В.Т. Шепеля и др. Теоретические основы создания математических моделей ГТД и его узлов рассматриваются в работах В.М. Акимова, В.О. Боровика, О.С. Гуревича, Г.Н. Добрянского, Т.С. Мартьяновой, Е.М. Тарана, А .Я. Черкеза, A.A. Шевякова и др.

Вместе с тем, несмотря на значительный объем исследований в данных областях, информационные технологии мониторинга технического состояния ГТД не являются совершенными по ряду причин, основными из которых являются, с одной стороны, разобщенность баз данных испытаний, контроля и диагностики, отсутствие интеллектуальных компонент, позволяющих качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД; с другой стороны, нестационарность физических процессов в авиационном двигателе, сложность его математического описания, зависимость технических характеристик двигателя от внешних условий работы, ограниченный состав измеряемых термогазодинамических параметров двигателя, их технологический разброс и т.д. Указанные факторы приводят к необходимости принятия решений о техническом состоянии двигателя в условиях существенной неопределенности.

Основными направлениями, определяющими повышение качества информационных технологий мониторинга технического состояния ГТД, следует считать интеллектуализацию процессов обработки информации с привлечением методов интеллектуального анализа данных, которые способны обеспечить повышение качества распознавания технического состояния ГТД при действии указанных выше неопределенных факторов, а также интеграцию информационных процессов (распределенных локальных баз данных и знаний в глобальную базу данных и знаний). Таким образом, создание информационной технологии мониторинга состояния ГТД включает в себя разработку методологии, методов, методик, алгоритмического и программного обеспечения, позволяющих повысить эффективность решения задачи управления эксплуатацией ГТД по техническому состоянию.

В связи с вышеизложенным, тема диссертационной работы, посвященная созданию интеллектуальных систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных, является актуальной.

Данная работа выполнялась в период с 1986 по 2005 гг. на кафедрах авиационных двигателей и вычислительной техники и защиты информации Уфимского государственного авиационного технического университета в рамках:

- отраслевых программ и госбюджетных НИР в соответствии с планом научно-исследовательских работ АН СССР на 1986-1990 гг.;

- федеральной целевой программы и тематических отраслевых планов: "Авиационная технология", "Надежность и безопасность технических систем" в 1991-1998 гг.;

- федеральной целевой программы Государственной поддержки интеграции высшего образования и фундаментальной науки на 1997 - 2006 гг.

Целью диссертационной работы является разработка научно-обоснованных принципов, методов, алгоритмов и программного обеспечения систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных с использованием технологий экспертных систем и нейронных сетей.

Для достижения указанной цели в работе поставлены и решены следующие задачи:

1. Разработка концепции построения интеллектуальных систем мониторинга технического состояния авиационного ГТД на основе интеллектуального анализа данных.

2. Разработка комплекса системных моделей процесса мониторинга технического состояния авиационного ГТД.

3. Разработка методов и алгоритмов контроля и диагностики технического состояния ГТД на основе технологий экспертных систем.

4. Разработка методов и алгоритмов контроля, диагностики и прогнозирования технического состояния ГТД на основе нейросетевых технологий.

5. Разработка исследовательского прототипа нейросетевой экспертной системы контроля, диагностики и прогнозирования технического состояния ГТД.

6. Разработка нейросетевых алгоритмов восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики авиационного двигателя.

7. Исследование эффективности разработанного алгоритмического и программного обеспечения экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния авиационных ГТД и их систем.

Основные научные результаты, выносимые на защиту:

1. Концепция построения интеллектуальных систем мониторинга технического состояния ГТД.

2. Комплекс системных моделей процесса мониторинга технического состояния ГТД.

3. Формализованные методы и алгоритмы контроля и диагностики технического состояния ГТД с использованием технологий экспертных систем.

4. Нейросетевые методы и алгоритмы контроля, диагностики и прогнозирования технического состояния ГТД.

5. Нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД.

6. Нейросетевые алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя.

7. Результаты исследования эффективности применения разработанных экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния ГТД и их систем.

Обоснованность и достоверность результатов диссертации

Обоснованность предложенной концепции построения интеллектуальных систем мониторинга технического состояния ГТД обусловлена проведенным системным анализом предметной области, учетом основных факторов, влияющих на процессы функционирования ГТД, современных требований и возможностей, представляемых новыми информационными технологиями для решения задач управления ГТД по техническому состоянию.

Обоснованность предложенного подхода к системному моделированию процесса мониторинга технического состояния ГТД подтверждается корректностью основных положений, принятых при построении функциональных, информационных и динамических моделей интеллектуальной системы мониторинга технического состояния ГТД.

Обоснованность и достоверность реконфигурируемой математической модели ГТД, построенной на основе расширяемой семантической сети и используемой для контроля и диагностики технического состояния двигателя, подтверждается корректностью математического описания ГТД и его узлов, возможностью настройки модели под характеристики индивидуального двигателя с учетом требуемого класса задач контроля и диагностики.

Обоснованность и достоверность процессов принятия решений с помощью экспертных систем С-РЯК, Т1Ш5Ье11, "Диагноз", а также исследовательского прототипа нейросетевой экспертной системы "ЭкспертНейро" подтверждается результатами моделирования и решения большого числа практических задач контроля, диагностики и прогнозирования технического состояния авиационных двигателей.

Методы исследования

Поставленные в диссертационной работе задачи решены с использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, теории дифференциальных уравнений, нейроинформатики, теории нечетких множеств, теории распознавания образов, теории информационных систем и обработки данных, теории оптимизации, теории планирования эксперимента, теории принятия решений и экспертных систем, имитационного моделирования, объектно-ориентированного программирования.

Научная новизна результатов

1. В работе поставлена и решена проблема разработки методологических основ построения интеллектуальных систем мониторинга технического состояния ГТД, реализующих методы контроля и диагностики авиационных двигателей на основе технологий экспертных систем и нейронных сетей, обеспечивающие повышение эффективности процессов мониторинга и управления эксплуатацией ГТД по техническому состоянию.

2. Предложена концепция построения интеллектуальных систем мониторинга технического состояния ГТД, основанная на использовании методов интеллектуального анализа данных о режимах работы двигателя на различных этапах его эксплуатации, применении единой методологии контроля, диагностики и прогнозирования технического состояния ГТД на основе технологии экспертных систем и нейронных сетей, интеграции разработанных средств и систем с CALS-технологиями, SCADA-системами, распределенными базами данных и знаний, обеспечивающая повышение уровня автоматизации, оперативности и достоверности мониторинга технического состояния проточной части двигателя, с целью реализации стратегии эксплуатации ГТД по техническому состоянию.

3. На основе SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса мониторинга технического состояния ГТД, что позволило выделить основной спектр функциональных задач мониторинга и их информационное сопровождение, а также обоснованно сформировать требования к их реализации в составе экспертной системы контроля и диагностики ГТД.

4. Разработан и реализован ряд экспертных систем контроля и диагностики технического состояния ГТД в рамках интеллектуальных оболочек C-PRIZ, TILL Shell, "Диагноз" с использованием реконфигурируемой математической модели авиационного двигателя, построенной на основе расширенной семантической сети, и организации контроля и диагностики ГТД на основе метода диагностических матриц и правил нечеткой логики, что позволило повысить качество решение задач контроля и диагностики состояния ГТД в условиях неопределенности.

5. Разработаны и исследованы методы, модели, алгоритмы и методики решения задач контроля, диагностики и прогнозирования технического состояния ГТД с использованием нейросетевых технологий, позволяющих накапливать и анализировать информацию о характеристиках индивидуального двигателя по результатам стендовых и летных испытаний и повысить качество решений, принимаемых экспертной системой, за счет использования алгоритмов обучения и самообучения нейронных сетей.

6. Разработаны нейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля, диагностики и прогнозирования состояния ГТД, интегрированные в составе исследовательского прототипа нейросетевой экспертной системы контроля и диагностики состояния ГТД, применение которых позволяет повысить достоверность и глубину контроля и диагностики основных узлов двигателя в условиях факторов неопределенности.

7. Разработаны и исследованы методы, модели и алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя, основанные на использовании автоассоциативных нейронных сетей, применение которых позволяет с заданной точностью восстанавливать потерянную информацию в режиме реального времени.

Практическая значимость результатов

Практическая значимость результатов диссертационной работы определяется тем, что использование предложенной в ней концепции построения интеллектуальной системы мониторинга технического состояния ГТД позволит сократить затраты на контроль и диагностику состояния двигателя в процессе его стендовых испытаний и летной эксплуатации в 2-3 раза за счет более полного использования априорной и апостериорной информации о режимах работы двигателя, автоматизации процессов обработки и анализа данных, применения методов искусственного интеллекта на всех этапах оценки технического состояния ГТД и принятия решений.

Разработаны алгоритмы и инженерные методики контроля, диагностики и прогнозирования состояния ГТД, реализованные в составе исследовательских прототипов экспертных систем, применение которых позволяет существенно повысить качество и эффективность принимаемых решений о техническом состоянии ГТД.

Разработана и внедрена на ряде предприятий России нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД, позволяющая решать широкий спектр практических задач мониторинга технического состояния авиационных двигателей. Предложены нейросетевые алгоритмы восстановления информации при отказе штатных датчиков в составе перспективной бортовой системы контроля и диагностики двигателя (БСКД) в режиме реального времени.

Внедрение результатов работы

Основные результаты работы внедрены на ряде предприятий авиационной промышленности: ФГУП НПП "Мотор" (Уфа), ФГУП "Самарские моторы" (г. Самара), ФГУП УНПП "Молния" (Уфа) в виде инженерных методик, алгоритмов и экспертных систем контроля и диагностики технического состояния ГТД, а также в учебный процесс Уфимского государственного авиационного технического университета.

Апробация работы. Основные положения, представленные в диссертационной работе, докладывались, обсуждались и получили положительную оценку на 60 Всесоюзных, Всероссийских и Международных симпозиумах, конференциях и семинарах, в том числе на:

- Всесоюзной научно-технической конференции "Декомпозиция и координация в сложных системах" (г. Челябинск, 1986);

- Всесоюзной научно-технической конференции "Диалоговые средства распределенной обработки данных в комплексах и сетях" (г. Москва, 1990);

- Всесоюзной научно-технической конференции "Новые информационные технологии" (г. Гурзуф, 1991);

- III - XI Всероссийских научно-технических конференциях "Нейроинформатика и ее применения" (г. Красноярск, 1995 - 2003);

- Всероссийской научно-технической конференции "Информационные и кибернетические системы управления и их элементы" (г. Уфа, 1995);

- XXII Гагаринских чтениях по авиации и космонавтике (г. Москва,

1996);

- Международной научно-технической конференции "Мягкие вычисления" (г. Казань, 1996);

- Всероссийской научно-технической конференции "Проблемы совершенствования робототехнических и интеллектуальных систем летательных аппаратов" (г. Москва, 1996);

- Международной научно-технической конференции "Интеллектуальные системы" (г. Геленджик, 1996);

- Международной научно-технической конференции "Проблемы и перспективы развития двигателестроения в Поволжском регионе" (г. Самара,

1997);

- Всероссийской научно-технической конференции "Нейронные сети в информационных технологиях" (г. Снежинск, 1998);

- II Международной научно-технической конференции "Мягкие измерения и вычисления" (г. Санкт-Петербург, 1998);

- Международной научно-технической конференции "Новые технологии управления движением технических объектов" (г. Ставрополь, 1999);

- IV-VIII Всероссийских научно-технических конференциях "Нейроинформатика" (г. Москва, 1999 - 2002);

- Международной научно-технической конференции "Авиация XXI века" (г. Воронеж, 1999);

- III-V Всероссийских научно-технических конференциях "Нейрокомпьютеры и их применение" (г. Москва, 2000-2002);

- Международной научно-технической конференции "Моделирование, вычисления, проектирование в условиях неопределенности" (г. Уфа, 2000);

- Международной научно-технической конференции "Интеллектуальные системы и информационные технологии управления" (г. Псков, 2000);

- Международной научно-технической конференции "Двигатели XXI века" (ЦИАМ, г. Москва, 2000);

- Всероссийской научно-технической конференции "Аэрокосмическая техника и высокие технологии" (г. Пермь, 2001);

- Международной научно-технической конференции "К 90-летию академика Н.Д. Кузнецова" (г. Самара, 2001);

- VI Международном симпозиуме "Авиационные технологии XXI века: новые рубежи авиационной науки" (г. Жуковский, 2001);

- III и V Международных семинарах "Компьютерные науки и информационные технологии" (г. Уфа, 2001, 2003) и др.

Публикации. Результаты диссертационной работы опубликованы в 160 печатных работах, из них одна монография (в соавторстве), два учебных пособия (одно - с грифом УМО Минобразования РФ), 45 статей в центральной печати, в том числе 35 - из списка ВАК России, 35 статей в трудах Международных конференций, 40 статей в Межвузовских научных сборниках, 5 свидетельств об официальной регистрации программ в РосАПО.

Структура работы

Диссертация состоит из введения, пяти глав основного материала, заключения, библиографического списка и приложения. Работа изложена на 340 страницах машинописного текста, содержит 109 рисунков, 60 таблиц. Библиографический список содержит 316 наименований.

1. Абраменкова И.В., Дли М.И. Нейросетевой экстраполятор векторных случайных процессов // Нейрокомпьютеры: разработка, применение, № 3 - 4, 2003.-С. 7-13.

2. Абрамов О.В., Розенбаум А.Н. Управление эксплуатацией систем ответственного назначения. Владивосток: Дальнаука, 2000. - 200 с.

3. Августинович В.Г., Акиндинов В.А., Боев Б.В. и др. Идентификация систем управления авиационных газотурбинных двигателей. М.: Машиностроение, 1984. - 200 с.

4. Аведьян Э.Д. Алгоритмы настройки многослойных нейронных сетей. //Автоматика и телемеханика, № 5, 1995. С. 107 - 118.

5. Адгамов Р.И., Беркеев М.М., Заляев И.А. и др. Автоматизированные испытания в авиастроении. М.:Машиностроение, 1989. - 232 с.

6. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Классификация и снижение размерности. Н.: Финансы и статистика, 1989. -393 с.

7. Айвазян С.А., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Исследование зависимостей. М.: Финансы и статистика, 1985 г. - 385 с.

8. Аксенов Н.К., Митин Б.М., Уваров В.Н. К вопросу о тепловом модуле математической модели масляной системы ГТД.//Симпозиум посвященный 90-летию со дня рождения академика Б.С. Стечкина. М.: АН СССР, 1981. -С. 134-147.

9. Алексеев A.B., Борисов А.Н., Вилюмс Э.Р. и др. Интеллектуальные системы принятия проектных решений. Рига: Зинатне, 1997. - 320 с.

10. Арсеньев Б.П., Яковлев С.А. Интеграция распределенных баз данных. СПб.: Лань, 2001. - 464 с.

11. Арьков Ю.Г., Алаторцев В.П. Об отладке основного контура ТРДФ на форсажных режимах в стендовых условиях. //Испытания авиационных двигателей, № 6. Уфа: УАИ, 1978. - С. 51 - 59.

12. Афанасьев В.Н., Юзбашев H.H. Анализ временных рядов и прогнозирование. М.: Финансы и статистика, 2001. - 288 с.

13. Ахмедзянов A.M., Дубравский Н.Г., Тунаков А.П. Диагностика состояния ВРД по термогазодинамическим параметрам. М.¡Машиностроение, 1983 г.-206 с.

14. Ахмедзянов A.M., Жернаков C.B., Маликов В.М. Система моделирования БД и БЗ удаленного доступа. // Труды международной НТК. Дистанционное управление. Москва: МГТУ, 1994. - С. 117-123.

15. Барзилович Е.Ю. Модели технического обслуживания сложных систем М.:Высшая школа, 1982. - 258 с.

16. Бармин И.В., Юсупов P.M., Прохорович В.Е. Концепция управления состоянием сложных технических комплексов за пределами плановых сроков эксплуатации.//Информационные технологии. 2000. - № 5. - С. 2-7.

17. Белкин Ю.С., Боев Б.В., Гуревич О.С. и др. Интегральные системы автоматического управления силовыми установками самолетов. М.: Машиностроение, 1983.-283с.

18. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978.

19. Боев Б.В., Бугровский В.В., Вершинин М.П. и др. Идентификация и диагностика в информационно-управляющих системах авиакосмической энергетики. М.:Наука, 1988. - 168 с.

20. Болотов A.A., Ларичев О.И. Сравнение методов распознавания образов по точности аппроксимации разделяющих гиперплоскостей // Автоматика и телемеханика, 1997, № 3. С. 116 - 123.

21. Боровик В.О., Таран Е.М. Анализ результатов испытаний ГТД с использованием математических моделей и методов математической статистики.//Испытания авиационных двигателей, № 6. Уфа: УГАТУ, 1978. -С. 3-12.

22. Борисов А.Н., Алексеев A.B., Меркурьева Г.В. и др. Обработка нечеткой информации в системах принятия решений. М.: Радио и связь, 1989. - 304 с.

23. Братухин А.Г., Давыдов Ю.В., Елисеев Ю.С. CALS в авиастроении. -М.:МАИ, 2000.-300 с.

24. Буравлев А.И., Доценко Б.И., Казаков И.Е. Управление техническим состоянием динамических систем. М.: Машиностроение, 1995. - 240 с.

25. Буртаев Ю.Ф., Острейковский В.А. Статистический анализ надежности объектов по ограниченной информации. М.: Энергоатомиздат, 1995.-240 с.

26. Буцев А.В., Первозванский А.А. Локальная аппроксимация на искусственных нейросетях. //Автоматика и телемеханика, № 5, 1995. С. 127 — 136.

27. Валеев С.С., Васильев В.И., Ильясов Б.Г. и др. Отказоустойчивые системы управления сложными динамическими объектами с использованием искусственных нейронных сетей. //Нейрокомпьютеры: разработка, применение. 2000. - № 1. - С. 32-35.

28. Васильев В.И., Гусев Ю.М., Иванов А.И. и др. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. М.:Машиностроение, 1989. - 240 с.

29. Васильев В.И., Жернаков C.B. Экспертные системы: Управление эксплуатацией сложных технических объектов.-Уфа: УГАТУ, 2003. 106 с.

30. Васильев В.И., Ильясов Б.Г. Интеллектуальные системы управления с использованием нечеткой логики. Уфа: УГАТУ, 1995. - 80 с.

31. Васильев В.И., Валеев С.С., Жернаков C.B. Применение нейросети для диагностирования состояния САУ ГТД в условиях неопределенности. //Принятие решений в условиях неопределенности. Межвузовский сборник научных трудов. Уфа: УГАТУ, 1996. - С.27 - 33.

32. Васильев В.И., Жернаков C.B., Уразбахтина Л.Б. Нейросетевой контроль параметров газотурбинного двигателя. // Нейрокомпьютеры: разработка и применение. -М.: Радиотехника, №1, 2001. С.37 -43.

33. Васильев В.И., Ильясов Б.Г., Валеев С.С., Жернаков C.B. Интеллектуальные системы управления с использованием нейронных сетей. -Уфа:УГАТУ, 1997.-92 с.

34. Васильев С.Н., Жерлов А.К., Федосов Е.А., Федунов Б.Е. Интеллектное управление динамическими системами. М.: Физматлит,2000. -352с.

35. Вендров A.M. CASE-технологии. Современные методы и средства проектирования информационных систем. М: Финансы и статистика, 1998 г. -176 с.

36. Веселов В.В., Елманов O.A., Карелов И.Н. Комплекс мониторинга информационных систем на основе нейросетевых технологий. //Нейрокомпьютеры: разработка, применение. 2001. - № 12. - С. 33-36.

37. Волков Л.И. Управление эксплуатацией летательных комплексов. -М.:Высшая школа, 1981. 368 с.

38. Гаврилова Т.А., Хорошевский В.Ф. Базы., знаний интеллектуальных систем. С.-П.: Питер, 2000. - 384 с.

39. Галиуллин К.Ф., Ахмедзянов A.M. Об одном алгоритме диагностики состояния ГТД по диагностическим матрицам.//Испытания авиационных двигателей, № ю. Уфа: УАИ, 1982. - С. 155-163.

40. Галушкин А.И., Васильев В.И., Ильясов Б.Г., Жернаков C.B. и др. Нейрокомпьютеры в авиации, (монография). М.: Радиотехника, 2004. -496 с.

41. Галушкин А.И. Теория нейронных сетей. М.: ИПРЖР "Радиотехника", 2000. - 416 с.

42. Гапоненко И.В. Построение решающих правил в задаче распознавания образов при использовании экспертной информации // Автоматика и телемеханика, № 5, 1996. С. 118 - 125.

43. Гачурин В.А. Конструкция и летная эксплуатация двигателя D-ЗОКУ-154 второй серии. М.:Воздушный транспорт, 1989 - 202 с.

44. Герасименко В.А. Защита информации в автоматизированных системах обработки данных.- М.: Энергоатомиздат, 1994, кн.1 -400 с.

45. Герман О.В. Введение в теорию экспертных систем и обработку знаний. Минск: Дизайн ПРО, 1995. - 255 с.

46. Гишваров A.C., Приб И.В., Жернаков B.C. Математическое моделирование рабочих процессов газотурбинных энергетических установок.//Труды АН Республики Башкортостан. Отделение технические науки. Уфа: АН РБ, 2002. - С. 212-229.

47. Глухов В.В. Техническое диагностирование динамических систем. М.:Транспорт, 2000. 96 с.

48. Головко В.А. Нейронные сети: Обучение, организация и применение. М.: Радиотехника, 2001. - 256 с.

49. Горбань А.Н., Россиев Д.А. Нейронные сети на персональном компьютере. Новосибирск: Наука, 1996. - 276 с.

50. ГОСТ 20911-89. Техническая диагностика. Термины и определения. М.: Изд-во стандартов, 1989. 22 с.

51. ГОСТ 27002-89. Надежность в технике. Основные понятия, термины и определения. М.: Изд-во стандартов, 1989. - 36 с.

52. ГОСТ 27518-87. Техническая диагностика. Показатели диагностирования. М.: Изд-во стандартов, 1990. - 16 с.

53. ГОСТ 8.009-84 ГСИ. Нормируемые метрологические характеристики средств измерений. М.: Изд-во стандартов, 1984. - 16 с.

54. ГОСТ 8.326-89. Метрологическая аттестация средств измерений. М.: Изд-во стандартов, 1990. - 14 с.

55. ГОСТ 34-602.89. Информационная технология. Комплекс стандартов и руководящих документов на автоматизированные системы. М.: Изд-во стандартов, 1991. - 142 с.

56. ГОСТ 19.701-90. (ИСО 5807-85). Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения. М.: Издательство стандартов, 1990. - 17 с.

57. Григорьев Ю.А., Ревунков Г.И. Банки данных М.: МГТУ, 2002. -320 с.

58. Гумеров Х.С., Алаторцев В.П., Горюнов ИМ. Оценка и отладка параметров турбореактивного двигателя на самолетах. //Авиационная техника. -1998.-№3.-С. 72-77.

59. Гуревич О.С., Гольберг Д.Ф., Селиванов О.Д. Интегральное управление силовой установкой многорежимного самолета. М.: Машиностроение, 1993. -304с.

60. Двигатели семейства D 30. Диагностическая обработка параметров, измеряемых в эксплуатации. Методика № 41-00-815 ПМ 117-2, 1991 г. -45 с.

61. Дегтярев А.Б., Кирюхин И.А. Оперативный контроль параметров аварийного динамического объекта на основе нейросетевых алгоритмов. // Нейроинформатика, т. 2. М.: МИФИ, 2002. - С. 151 - 158.

62. Дегтярев Ю.Д., Гумеров Х.С., Юлдыбаев Л.Х. Сравнение методов идентификации математических моделей ГТД.//Испытания авиационных двигателей, № 9. Уфа: УАИ, 1981. - С. 98-104.

63. Дегтярев Ю.Д., Алаторцев В.П., Гумеров Х.С., Афанасьев И.П. Статистическое моделирование технологического процесса отладки одновальных ГТД при стендовых испытаниях. //Испытания авиационных двигателей, № 10. Уфа: УАИ, 1982. - С. 97 - 102.

64. Дейч А.М. Методы идентификации динамических объектов. М.: Энергия, 1979.-239 с.

65. Демидович В.М., Готлиб М.С. К вопросу исследования суммарного коэффициента сопротивления в радиально-упорных шарикоподшипниках опор роторов на нестационарных режимах.//Испытания авиационных двигателей, № 10. Уфа: УАИ, 1982. - С. 128-132.

66. Джексон П. Введение в экспертные системы. М.: Вильяме, 2001. -624 с.

67. Диагностирование и прогнозирование технического состояния авиационного оборудования./Под ред. Синдеева И.М. М.:Транспорт, 1984. -186 с.

68. Диагностическая обработка параметров двигателей Б 30КУ. Измеряемые в эксплуатации на самолетах ИЛ - 62 М. Методика 40 РР - 48 - 1 предприятия п/я Р - 6837, 1989. - 35 с.

69. Диагностическая обработка параметров двигателей О 30 (1 и 2 серии), измеряемых в эксплуатации на самолетах ТУ - 134 и ТУ - 134А. Методика 41-00-815 ПМ предприятия п/я Р - 6837, 1989. - 56 с.

70. Долматова Л.М. Что считать результатом обучения: интерпретация зависимостей посредством анализа топологии обученной нейронной сети. // Известия АН. Теория и системы управления, 1996. № 5. С. 71-76.

71. Дубравский Н.Г., Егоров И.В., Знаменков O.K. и др. Структура и алгоритмы системы диагностики двигателей по функциональным параметрам. -М.:ЦИАМ, 1984, № 10261. 156 с.

72. Дубровин В.И., Субботин С.А., Богуслаев A.B. Интеллектуальные средства диагностики и прогнозирования надежности авиадвигателей. -Запорожье: Мотор Сич, 2003. - 279 с.

73. Дулин С.К., Киселев И.А. Структуризация знаний в системах мониторинга. //Известия АН. Теория и системы управления, 1999, № 5. -С. 28-33.

74. Дунаев С.Б. Доступ к базам данных и техника работы в сети. М.: ДИАЛОГ-МИФИ, 1999.-416 с.

75. Епифанов C.B., Кузнецов Б.И., Богаенко И.Н. др. Синтез систем управления и диагностирования газотурбинных двигателей. Киев: Техника, 1998.-312 с.

76. Ефимов В.В., Яковкин В.А. Метод технического диагностирования на основе нейронной сети // Приборостроение. 1999. — №9.-С.42 - 47.

77. Ефимов Д.В. Оптимальный алгоритм обучения многослойных нейронных сетей. //Изв. вузов. Приборостроение, 2000, т. 43, № 6 С. 40 - 46.

78. Жернаков C.B., Кривошеев И.А. Поддержка принятия решений при структурном синтезе в САПР двигателей. //Информационные технологии, № 12. М.: Машиностроение, 2000. - С. 17-30.

79. Жернаков C.B. Система поддержки принятия решений диагностической ЭС в условиях неопределенности. //Труды международной НТК. Мягкие измерения и вычисления. С.-Пб.: СЭТУ, 1998. - С. 126-129.

80. Жернаков C.B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы. //Вестник ПГТУ. Аэрокосмическая техника. Пермь: ПГТУ, 1999. - С.33-38.

81. Жернаков C.B. Контроль и диагностика параметров ГТД гибридными экспертными системами. //5-й Международный научно-технический симпозиум. "Авиационные технологии 21 века." Жуковский: ЦАГИ, 1999. вып. 2640-С. 215-222.

82. Жернаков C.B. Сравнительный анализ гибридных экспертных систем для диагностики и контроля параметров ГТД. //Авиационно-космическая техника и технология, № 9. Харьков: ХАИ, 1999. - С. 134-141.

83. Жернаков C.B., Кривошеев И.А. Использование сетевых методов представления математических моделей в САПР двигателей //Информационные технологии. М: Машиностроение, № 5, 1999. - С. 17-26.

84. Жернаков C.B. Комплексная диагностика и контроль параметров ГТД в условиях неопределенности на базе нечеткой экспертной системы TILShell 3.0 + //Информационные технологии. М: Машиностроение, № 8, 2000.-С. 36-43.

85. Жернаков C.B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы. //Вестник Пермского государственного технического университета. Аэрокосмическая техника, № 5. Пермь: ПГТУ, 2000. -С. 39-45.

86. Жернаков C.B., Юлдыбаев JI.X. Диагностика и контроль параметров ГТД в среде пакета "Диагноз". //Вычислительная техника и новые информационные технологии. Уфа: УГАТУ, 2000. - С.22-30.

87. Жернаков C.B. Комплексная параметрическая диагностика и контроль ГТД современными гибридными экспертными системами.Аэрокосмическое приборостроение России. Серия 2. Авионика. Выпуск 4. Санкт-Петербург: СГТУ, 2000. С.28-41.

88. Жернаков C.B. Диагностика и контроль ГТД в условиях неопределенности на базе нечеткой экспертной системы TILShell 3.0 //Авиационная промышленность. М: Машиностроениё, № 1, 2001. - С.20-23.

89. Жернаков C.B. Интеллектуальная система комплексного мониторинга и управления эксплуатацией авиационных газотурбинных двигателей. //Международная НТК. К 90-летию академика Н.Д. Кузнецова, Вестник СГТУ, т.З. Самара: СГТУ, 2001. - С.38-46.

90. Жернаков C.B. Комплексное моделирование авиационного двигателя в среде гибридных экспертных систем. //Автоматизация и современные технологии, № 5. М: Машиностроение, 2001. - С.22-26.

91. Жернаков C.B. Комбинированные модели нейросетей для диагностики и прогнозирования ГТД. //Нейроинформатика-99. Всероссийская научно-техническая конференция. М.МИФИ, 1999. - С. 115 - 122.

92. Жернаков C.B. Идентификация параметров ГТД гибридным ансамблем нейросетей. // Нейроинформатика-2000. Всероссийская НТК. -М.:МИФИ, 2000. С. 117 - 126.

93. Жернаков C.B. Выявление отказов ГТД моделями нейросетей. // Вестник Пермского государственного технического университета. Аэрокосмическая техника. Пермь:ПГТУ, вып.4, 2000. - С.26 - 31.

94. Жернаков C.B. Ансамблевые нейросети для контроля и диагностики параметров газотурбинного двигателя. // Нейроинформатика-2001. Всероссийская НТК. М.МИФИ, т. 1., 2001. - С. 116 - 124.

95. Жернаков C.B. Применение нейросетей для отладки параметров ГТД в процессе эксплуатации. // Нейрокомпьютеры и их применение. VII Всероссийская конференция с международным участием. М.:ИПУ, 2001. -С.161 165.

96. Жернаков C.B. Параметрическая идентификация ГТД гибридным ансамблем нейросетей. // Нейрокомпьютеры: разработка и применение. М.: Радиотехника, № 4 5, 2001. - С.31 - 35.

97. Жернаков C.B. Хранение информационного портрета авиационного газотурбинного двигателя на базе нейросетей.// Нейрокомпьютеры:разработка и применение. М.: Радиотехника, № 4-5, 2001. - С. 44 - 51.<

98. Жернаков C.B. Распознавание параметров авиационного двигателя нейросетями. // Автоматизация и современные технологии. -М.:Машиностроение, № 4, 2003. С. 29 - 31.

99. Жернаков C.B., Муслухов И.И. Нейросетевые технологии для повышения отказоустойчивости измерительных каналов ГТД. // Информатика и информационные технологии. Труды Международной конференции. Уфа: УГАТУ, 2003, том 2. - С. 91 - 96.

100. Жернаков C.B. Контроль и диагностика параметров газотурбинного двигателя нейронными сетями. // Нейрокомпьютеры: Разработка и применение. -М.: Радиотехника, №8 -9, 2003. С.51 -66.

101. Жернаков C.B. Отладка параметров авиационного газотурбинного двигателя на основе нейронных сетей. // Приборы и системы. Управление. Контроль. Диагностика. М.: Научтехлитиздат, № 12, 2003. - С. 33 - 40.

102. Жернаков C.B. Диагностика параметров авиационного ГТД на основе нейронных сетей. //Авиакосмическое приборостроение. М.: Научтехлитиздат, № 12, 2003. - С. 50 - 60.

103. Жернаков C.B. Идентификация параметров авиационного двигателя на основе нейронных сетей. // Информационные технологии. М.: Машиностроение. № 12, 2003. - С. 31 - 39.

104. Жернаков C.B. Определение тренда параметров авиационного двигателя активной экспертной системой //Авиационная промышленность. -2001. -№4. С. 24 -28.

105. Жернаков C.B., Тарасов Ф.Ф. Разработка интеллектуальных баз данных ВРД в гибридной экспертной системе. // Испытание авиационных двигателей. -Уфа: УГАТУ, 1996. С. 115-126.

106. Жернаков C.B., Молотков Е.Г. Диагностика САУ СУДА на базе нечеткой ЭС PB. // Мягкие вычисления 96. - Казань: КГТУ, 1996. - С. 96115.

107. Жернаков C.B. Применение разнородных знаний экспертных систем для диагностики ГТД в условиях неопределенности. //Авиационнокосмическая техника и технология, вып. 5. Харьков: ХАИ, 1998. - С. 123129.

108. Жернаков C.B. Система поддержки принятия решений диагностической ЭС PB в условиях неопределенности. // Мягкие измерения и вычисления. С. -Пб.: СГТУ, 1998. - С. 117-122.

109. Жернаков C.B. Разработка гибридных нейронечетких экспертных систем диагностики ГТД. // Нейроинформатика-99. М.: МИФИ, 1999. - С. 101-108.

110. Жернаков C.B. Гибридная нейронечеткая экспертная система диагностики состояния ГТД. // Аэрокосмическое приборостроение России. Серия 2. Авионика. Выпуск 3. С. -Пб.: НААП, 1999. - С. 96-114.

111. Жернаков C.B. Параметрическая диагностика ГТД на базе нейронечеткой ЭС. // Вестник СГТУ. Самара: СГТУ, 1999. - С. 123-136.

112. Жернаков C.B. Диагностика и прогнозирование состояния газотурбинного двигателя гибридными нейронечеткими экспертными системами. // Известия РАН. Теория и системы управления. N 5, 1999. С. 95-101.

113. Жернаков C.B. Комплексная диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами. // Нейроинформатика 2000. - М.: МИФИ, 2000. - С. 115-123.

114. Жернаков C.B. Диагностика и контроль гидромеханических устройств нейронечеткими экспертными системами. // Нейроинформатика-2000. М.: МИФИ, 2000. - С. 115-123.

115. Жернаков C.B. Диагностика и контроль параметров масляной системы ГТД гибридными нейронечеткими экспертными системами. // Информационные технологии. М: Машиностроение, № 3, 2000. - С.31-36.

116. Жернаков C.B. Комплексная диагностика и контроль параметров ГТД в условиях неопределенности на базе нечеткой экспертной системы TIL Shell 3.0 // Информационные технологии. М: Машиностроение, № 8, 2000. С. 36-43.

117. Жернаков C.B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы. // Вестник Пермского государственноготехнического университета. Аэрокосмическая техника. Пермь: ГТГТУ, вып. 5, 2000. - С. 39-45.

118. Жернаков C.B. Применение экспертных систем с нейросетевыми базами знаний к диагностике и контролю устройств авиационных двигателей. // Информационные технологии. М: Машиностроение, № 12, 2000. - С. 3744.

119. Жернаков C.B. Комбинированная диагностика и контроль параметров ГТД нейронечеткой гибридной экспертной системой. // Радиоэлектроника. Информатика. Управление. Запорожье: ЗНТУ, № 2,2000. С. 55-67.

120. Жернаков C.B. Комплексная диагностика и контроль параметров гидромеханических устройств ГТД нейронечеткими экспертными системами. М.: МИФИ, т. 2, 2001. С. 115-124.

121. Жернаков C.B., Сунарчин P.A. Активная экспертная система с нейросетевыми базами знаний для комплексной диагностики и контроля гидромеханических устройств ГТД. // Вестник ПГТУ. Пермь: ПГТУ, вып. 1,2001.-С. 33-41.

122. Жернаков C.B. Диагностика и контроль ГТД в условиях неопределенности на базе нечеткой экспертной системы TIL Shell 3.0 // Авиационная промышленность. М: Машиностроение, № 1, 2001. - С. 2023.

123. Жернаков C.B. Активная экспертная система диагностики и контроля параметров ГТД. // Авиационная промышленность. М: Машиностроение, № 2, 2001. - С. 34-39.

124. Жернаков C.B. Нейросетевая экспертная система комплексного мониторинга и управления эксплуатацией авиационных двигателей. // Нейрокомпьютеры: разработка и применение. М.: Радиотехника, № 6, 2001.-С. 33-40.

125. Жернаков C.B. Интеллектуальная система комплексного мониторинга и управления эксплуатацией авиационных газотурбинных двигателей. //Вестник СГТУ. Самара: СГТУ, т. 3. 2001. - С. 38-46.

126. Жернаков C.B. Комплексное моделирование авиационного двигателя в среде гибридных экспертных систем. // Автоматизация и современные технологии. М: Машиностроение, № 5, 2001. - С.22-26.

127. Жернаков C.B. Применение динамических экспертных систем с нейросетевыми базами знаний в процессе эксплуатации авиационных двигателей. // Информационные технологии. М: Машиностроение, № 6, 2001.-С. 42^18.

128. Жернаков C.B. Активная экспертная система комплексной диагностики и контроля параметров газотурбинных двигателей. // Автоматизация и современные технологии. М: Машиностроение, № 6, 2001.-С. 16-22.

129. Жернаков C.B. Активные экспертные системы в комплексной диагностике и контроле гидромеханических устройств газотурбинных двигателей. // Автоматизация и современные технологии. М: Машиностроение, № 9, 2001. - С. 20-24.

130. Жернаков C.B. Активные экспертные системы с нейросетевыми базами знаний для эксплуатации авиационных двигателей. // Авиационная промышленность. М.: Машиностроение, № 3, 2001. - С. 2530.

131. Жернаков C.B. Об одном подходе к разработке активных экспертных систем диагностики и контроля параметров ГТД. // Мир авионики. С. -Пб.: Авиационное приборостроение, № 4, 2001. - С. 21-27.

132. Жернаков C.B. Интеллектуальный мониторинг параметров газотурбинных двигателей активными экспертными системами. // Автоматизация и современные технологии. М: Машиностроение, № 11, 2001.-С. 10-15.

133. Жернаков C.B. Активная экспертная система комплексного мониторинга и управления эксплуатацией авиационных двигателей. // Информационные технологии. М: Машиностроение, № 12, 2001. - С.27-31.

134. Жернаков C.B. Определение тренда параметров авиационного двигателя активной экспертной системой. //Авиационная промышленность. -М.: Машиностроение, № 4, 2001. С. 24-28.

135. Жернаков C.B. Интеллектуальный мониторинг и диагностика параметров газотурбинного двигателя гибридными экспертными системами. // Автоматизация и современные технологии. М: Машиностроение, № 12, 2001. - С. 16-22.

136. Жернаков C.B. Экспертная система с нейросетевыми базами знаний для определения разладки параметров авиационного ГТД. // Нейроинформатика-2002. М.: МИФИ, т. 1., 2002. - С. 81 - 92.

137. Жернаков C.B. Базы знаний прецедентов активных экспертных систем на основе ансамблевых нейросетей. //Нейроинформатика-2002. М.: МИФИ, т. 2., 2002. - С. 69-80.

138. Жернаков C.B. Использование активной экспертной системы для комплексного анализа работы газотурбинного двигателя. //Автоматизация и современные технологии. М: Машиностроение, № 1, 2002. - С. 27-32.

139. Жернаков C.B. Активная диагностическая экспертная система. // Проблемы машиностроения и надежности машин. М.: РАН, № 1, 2002. -С. 92-99.

140. Жернаков C.B. Разработка баз знаний прецедентов в среде активных экспертных систем на основе ансамблевых нейросетей. // Приборы и системы. Управление. Контроль. Диагностика. М.: Научтехлитиздат, № 3, 2002. -С. 64-68.

141. Жернаков C.B. Нейросетевая база знаний прецедентов активной экспертной системы для комплексного контроля и диагностики параметров авиационного двигателя. //Информационные технологии. М.: Машиностроение, № 5, 2002. - С. 45-53.

142. Жернаков C.B. Контроль и диагностика силовых установок летательных аппаратов активными экспертными системами. //Автоматизация и современные технологии. М: Машиностроение, № 11, 2002. - С. 26-31.

143. Жернаков C.B. Классификация комплексных отказов ГТД базой знаний прецедентов активной экспертной системы в процессе эксплуатации. // Мир авионики. С. -Пб.: Авиационное приборостроение, № 4, 2002. -С. 22-29.

144. Жернаков C.B. Решение комплексных задач контроля и диагностики силовых установок летательных аппаратов активнымиэкспертными системами. //Приборы и системы. Управление. Контроль. Диагностика М.: Научтехлитиздат, № 12, 2002. - С. 53-57.

145. Жернаков C.B. Базы знаний прецедентов активных экспертных систем для процесса мониторинга параметров авиационного двигателя. //Автоматизация и современные технологии. М.: Машиностроение, № 2, 2003. -С. 28-33.

146. Жернаков C.B. Активная экспертная система с нейросетевыми базами знаний для определения тренда параметров авиационного газотурбинного двигателя. //Приборы и системы. Управление. Контроль. Диагностика. М.: Научтехлитиздат, № 5, 2003. - С. 59-64.

147. Жернаков C.B. Уточнение классификации отказов ГТД базой знаний прецедентов активной экспертной системы в процессе эксплуатации. // Контроль. Диагностика. М.: Машиностроение, № 5, 2003. С. 30-41.

148. Жернаков C.B. Активная экспертная система для комплексного мониторинга сложного технического объекта. //Вестник ИжГТУ. Ижевск: ИжГТУ, № 2, 2003. - С. 37-42.

149. Замулин A.B. Системы программирования баз данных и знаний. -Новосибирск: Наука, 1990. 352 с.

150. Игнатьев H.A. Выбор минимальной конфшурации нейронных сетей. // Вычислительные технологии, т. 6, № 1, 2001. С. 23 - 28.

151. Идентификация на основе нейросетей // В кн. Я.З. Цыпкина: Идентификация систем. М.:Наука, 1995. - 385 с.

152. Искусственный интеллект, т. 3 /Под ред. Хорошевского В.Ф. и Захарова В.Н. М.: Радио и связь, 1990. - 368 с.

153. Испытания воздушно реактивных двигателей. /Черкез А.Я., Онищик И.И., Таран Е.М. и др. - М.: Машиностроение, 1992. - 304 с.

154. Каллан Р. Основные концепции нейронных сетей М.: Вильянс, 2001.-288 с.

155. Калянов Г.Н. CASE-технологии: Консалтинг в автоматизации бизнеспроцессов. - М.: Горячая линия - 2000 г. - 320 с.

156. Кеба И.В. Диагностика авиационных газотурбинных двигателей. -М.Транспорт, 1980. 248 с.

157. Компьютерно-интегрированные производства и CALS-технологии в машиностроении./Под ред. Б.И. Черпакова. М.:ВИМИ, 1999. - 512 с.

158. Контроль. Диагностика. Энциклопедия. т.УИ.//Под ред. В.В. Клюева М.'Машиностроение, 2000. - 665 с.

159. Корнеев В.В., Гарев А.Ф., Васютин C.B. и др. Базы данных. Интеллектуальная обработка информации. М.: Нолидж, 2000. - 325 с.

160. Котенко П.С. Системы технического обслуживания и автоматизированного контроля летательных аппаратов. //Учебное пособие. -Уфа: УГАТУ, 2000. 212с.

161. Котов В.Е. Сети Петри. М.: Наука, 1984 г. - 285 с.

162. Кулик Н.С., Тамаргазин A.A. Перспективные направления диагностирования авиационных двигателей. //Авиационно-космическая техника и технологии. Вып. 23.2001. С. 163 - 168.

163. Куликов Г.Г., Набатов, Речкалов A.B. и др. Автоматизированное проектирование информационно-управляющих систем: проектирование ЭС на основе системного моделирования. Уфа: УГАТУ, 1999. - 223 с.

164. Куликов Г.Г., Флеминг П.Д., Брейкин Т.В. и др. Марковские модели сложных динамических систем: идентификация, моделирование и контроль состояния. Уфа: УГАТУ, 1998. - 104 с.

165. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Управление динамическими системами в условиях неопределенности. М.:Наука, 1998. -452 с.

166. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Проблемы проектирования и развития систем автоматического управления и контроля ГТД. М.:Машиностроение, 1999. - 609 с.

167. Ладыгин С.Ф. Эффективность методов уравнивания в задачах идентификации параметров математических моделей ГТД.//Испытания авиационных двигателей, № 13. Уфа: УАИ, 1985. - С. 31-41.

168. Ларичев О.И., Мечитов А.И., Мошкович Е.М. и др. Выявление экспертных знаний. М.: Наука, 1989. - 128 с.

169. Леонов A.A., Леонова М.А., Федосеев Ю.Н. Синтез нейронной сети для решения задачи идентификации состояния объекта. // Нейроинформатика, т. 1. М.: МИФИ, 2000. - С. 100 - 109.

170. Липаев B.B. Системное проектирование сложных программных средств для информационных систем. М.:СИНТЕГ, 1999. - 224 с.

171. Лозицкий Л.П., Степаненко В.П., Студеникин В.А. и др. Практическая диагностика авиационных газотурбинных двигателей. -М.:Транспорт, 1985. 102 с.

172. Медведев B.C., Потемкин В.Г. Нейронные сети. М.: Диалог -МИФИ-2002 г.-496 с.

173. Мерил У.К. Обнаружение отказов датчиков ГТД за счет аналитической избыточности //Аэрокосмическая техника. № 6. - С. 28-41.

174. Месарович М., Такахара И. Общая теория систем: математические основы. М.: Мир, 1978. - 311 с.

175. МИ 2174-91. Рекомендация. Аттестация алгоритмов и программ обработки данных при измерениях. Основные положения. С-Пб.: НПО ВНИИМ им. Д.И. Менделеева - 1993 г. - 34 с.

176. Миркес Е.М. Нейрокомпьютер. Проект стандарта. Новосибирск: Наука, 1999.-337 с.

177. Митин Б.М., Рахальский В.А. Математическая модель маслосистемы авиационного ГТД. Принципы формирования гидравлического модуля.//Трубы ЦИАМ, № 1085. С. 20-27.

178. Морозов A.A., Саранцев В.В. Структура и особенности систем эксплуатации двигателей по техническому состоянию.//Испытания авиационных двигателей. № 15.-Уфа:УАИ, 1987.-С. 155-162.

179. Морозов A.A., Никонова И.А. Технико-экономические методы повышения эффективности авиационных ГТД. М.:Машиностроение, 1983. -251 с.

180. Надежность в технике. Термины и определения. ГОСТ 27.002.-89. -М.: Изд-во стандартов, 1990. 36 с.

181. Надежность, диагностика, контроль авиационных двигателей. / Шепель В.Т., Кузьменко M.JI., Сарычев C.B. и др. Рыбинск: РГТА, 2001. -352 с.

182. Назаров A.B., Лоскутов А.И. Нейросетевые алгоритмы прогнозирования и оптимизации систем. С-Пб.: Наука и техника, 2003. - 384 с.

183. Наумов А.Н. Вендров A.M., Иванов В.К. и др. Системы управления базами данных и знаний. М.: Финансы и статистика, 1991. - 352 с.

184. Научный вклад в создание авиационных двигателей.//Под ред. В.А. Скибина и В.И. Соломина, кн.1. М.:Машиностроение, 2000. - 625 с.

185. Нейронные сети в системах автоматизации /Архангельский В.И., Богаенко И.Н., Грабовский Г.Г. и др. Киев: Техника, 1999. - 364 с.

186. Нечаев Ю.И., Дегтярев А.Б., Кирюхин И.А. Синтез самоорганизующейся нейронной сети в задаче идентификации состояний сложного динамического объекта. //Нейроинформатика, Т.2. М.: МИФИ, 2001.-С. 169- 177.

187. Никонова И.А., Шепель В.Т. Технико-экономическая эффективность авиационных ГТД в эксплуатации. М.: Машиностроение, 1989 г. - 200 с.

188. Олифер В.Г., Олифер М.А. Компьютерные сети. С.-П.: Питер, 2001. -672 с.

189. Опыт диагностического контроля двигателей D 30КУ самолета ИЛ - 62М в лаборатории диагностики аэропорта Шереметьево. Отчет № 9237, предприятия п/я В - 2504, 1990. - 130 с.

190. Осовский С. Нейронные сети для обработки информации М.: Финансы и статистика, 2002. - 344 с.

191. Осуга С. Обработка знаний. М.: Мир, 1989. - 293 с.

192. Осуги С., Саэки Ю. Приобретение знаний. М.: Мир, 1990. - 304 с.

193. Павлов C.B. Системы обработки и хранения информации для контроля и прогнозирования состояния авиакосмических и экологических объектов на основе концепции многомерных баз данных.//Автореферат докт. техн. наук. Уфа: УГАТУ, 1998. - 34 с.

194. Питерсон D. Теория сетей Петри и моделирование систем. М.: Мир, 1984 г.-320 с.

195. Попов Э.В., Фоминых И.Б., Кисель Е.Б. и др. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996. - 320 с.

196. Поспелов Г.С. Искусственный интеллект основа новой информационной технологии. - М.: Наука, 1988. - 280 с.

197. Разработка нейросетевых алгоритмов контроля и диагностики технического состояния авиационных двигателей. //Технический отчет. Руководители: В.И. Васильев, Х.С. Гумеров. Ответственный исполнитель: C.B. Жернаков. Уфа: УГАТУ, 2003. - 156 с.

198. Ревунков Г.И., Самохвалов Э.Н., Чистов В.В. Базы и банки данных и знаний. М.: Высшая школа, 1992. - 367 с.

199. Рутковский В.Ю., Куликов Г.Г., Котенко П.С. и др. Интеллектуальные информационные технологии контроля и диагностики авиационных двигателей и их систем на протяжении жизненного цикла. //Труды ИПУ, т. 19. М.: ИПУ, 2002. - С. 25-33.

200. Рыбина Г.В. Интегрированные экспертные системы: современное состояние, проблемы и тенденции. //Известия АН. Теория и системы управления, 2002, № 5. С. 111-126.

201. Саранцев В.В. Методические аспекты перевода авиационных двигателей на эксплуатацию по состоянию.//Испытания авиационных двигателей, № 14. Уфа:УАИ, 1986. - С. 3-8.

202. Саранцев В.В. Цели и методы контроля состояния двигателей при эксплуатации по состоянию//Испытания авиационных двигателей. № 14. -Уфа:УАИ, 1986.-С. 8-18.

203. Сиротин H.H., Коровкин Ю.М. Техническая диагностика авиационных газотурбинных двигателей. М.: Машиностроение, 1979. - 272 с.

204. Смирнов H.H., Ицкович A.A. Обслуживание и ремонт авиационной техники по состоянию М.: Транспорт, 1987. - 272 с.

205. Смирнов H.H., Владимиров Н.И., Черненко Ж.С. Техническая эксплуатация летательных аппаратов. М.: Транспорт, 1990 г. - 423 с.

206. Соловьев Б.А., Куландин A.A., Макаров Н.В. и др. Устройство и летная эксплуатация силовых установок. М.: Транспорт, 1991 . - 256 с.

207. Соломатин H.H. Информационные семантические системы. М.: Высшая школа, 1989. - 127 с.

208. Таран Е.М. Универсальный метод согласования математической модели ГТД с результатами испытаний.//Испытания авиационных двигателей, № 14. Уфа: УАЙ, 1986. - С. 63-70.

209. Терехов В.А., Тюкин И.Ю.' Исследование устойчивости процессов обучения многослойной нейронной сети. //Автоматика и телемеханика, № 10, 1999.-М: С. 136-143.

210. Тихонов В.И., Миронов М.А. Марковские процессы. М.:Советское радио, 1987. - 350 с.

211. Трахтенгерц Э.А. Компьютерная поддержка принятия решений. М.: СИНТЕГ, 1998.-376 с.

212. Труды ЦИАМ № 756.//Под ред. В.М. Акимова, Н.Г. Дубравского. -М.:ЦИАМ, 1977. 120 с.

213. Тэрано Т., Асан К., Сугэно М. Прикладные нечеткие системы. М.: Мир, 1993.-368 с.

214. Тыугу Э.Х. Концептуальное программирование. М.: Наука, 1984. -236 с.

215. Убейко В.М., Убейко В.В. Экспертные системы в технике и экономике. М.: МАИ, 1992. - 240 с.

216. Умнов H.A., Орлов С.Н. Сравнение алгоритмов RPROP и SCG обучения многослойных нейронных сетей. //Приборостроение, 1996, Т. 39, № 1,-С. 17-22.

217. Уоссермен Ф. Нейрокомпьютерная техника. М.: Мир, 1992. - 223 с.

218. Уразбахтина Л.Б., Васильев В.И. Выбор стратегии управления объектом, основанный на распознавании образов его состояний. // Международная НТК. Мягкие измерения и вычисления, т.2. СПб.: СГЭТУ, 1998.-С. 87-91.

219. Уэно X., Исидзука М. Представление и использование знаний. М.: Мир, 1989. - 220 с.

220. Федунов Б.Е. Проблемы разработки бортовых оперативно-советующих экспертных систем для антропоцентрических объектов. //Изв. РАН. Теория и системы управления, 1996, №5. С. 147-159

221. Харрингтон Д.Л. Проектирование реляционных баз данных. М.: Лори, 2000. - 230 с.

222. Царегородцев В.Г. Оптимизация предобработки данных: константа Липища обучающей выборки и свойства обученных нейронных сетей. // Нейрокомпьютеры: разработка, применение, № 7, 2003. С. 3 - 8.

223. Чебатко М.Н. Нейронные сети для решения задач на борту летательных аппаратов. //Автоматизация и современные технологии, 1994 г., №5, с. 40^14.

224. Черемных C.B., Семенов И.О., Ручкин B.C. Структурный анализ систем: IDEF-технологии. М.: Финансы и статистика, 2001. - 208 с.

225. Черкез А.Я. Инженерные расчеты газотурбинных двигателей методом малых отклонений. М.:Машиностроение, 1975. - 380 с.

226. Чуян Р.К. Методы математического моделирования двигателей летательных аппаратов. М.: Машиностроение, 1988. - 288 с.

227. Щеглов И.Н., Богомолов A.B., Печатное Ю.А. Исследование влияния репрезентативности обучающей выборки на качество работы методов распознавания образов. // Нейрокомпьютеры: разработка, применение, № 9 -10, 2002.-С. 3-9.

228. Эйкхофф П. Основы идентификации систем управления М.: Мир, 1975. - 683 с.

229. Юлдыбаев Л.Х., Гумеров Х.С., Алаторцев В.П. и др. Оценка рассеивания коэффициентов потерь газовоздушного тракта серийных ВРД.//Испытания авиационных двигателей, № 4. Уфа: УАИ, 1976. - С. 100— 105.

230. Яковенко A.B. Идентификация математической модели движения самолета на основе нейросетевого подхода. // Нейроинформатика, 2002, т.2. -М.: МИФИ, 2002. - С. 158 - 164.

231. Anderson R., Flachsbart В., Holland J. Application of Emerging Technologies to Improve Supportability, IEEE Conference Publication. Vol. 15. -1994. No. 3.-P. 1165- 1172.

232. Arkov V.Y., Patel V.C., Kulikov G.G., Breikin T.V. Aircraft Engine Condition Monitorings: Stochastic Identification and Neural Networks //Artifical Neural Networks, IEEE Conference Publication. 1994. - No. 440. - P.295 - 299.

233. Ayoubi M., Isermann R. Neuro-Fuzzy Systems for Diagnosis. //Journal of Fuzzy Sets and Systems. 1997. - No. 2. - P. 289 - 306.

234. Brousset C., Baudrilard G. Neural Network for Automating Diagnosis in Aircraft //Review of Progress in Quantitative Nondestructive Evaluation, Vol. 12. -1993.-P. 797-802.

235. Da R., Lin C.F., Failure A. Diagnosis Approach Uusing ARTMAP Neural Networks //AIAA Journal of Guidance, Control and Dynamics. Vol. 18. 1995. - P. 696-701.

236. Dalmi I., Kovacs L., Lorant I. Adaptive Learming and Neural Networks in Fault Diagnosis //UKACC International Conference on CONTROL'98, IEEE, 1998. -pp. 284-289.

237. Ding S.X., Ding E.L. An approach to analysis and design of observer and parity relation based FDI systems. //Proc. The 14th IFAC World Cougr., Beijing, 1999, Vol. 3, No. 1, pp. 1256 1264.

238. Doel D. An Assessment of Weighted Leastsguares Based Gas Path Analysis, ASME 93-GT-l 19, Transactions of the ASME: Journal of Engineering for Gas Turbines and Power. Vol. 116. - 1994. - P. 366 - 373.

239. Dunia R., Mc Avoy T. A Subspace Approach to Multidimensional Fault Identification and Reconstruction. //AIChE. Journal, 1998, Vol. 44, pp. 927-943.

240. Dunia R., Qin S.J., Edgar T.F Sensor fault identification and reconstructi on using principalcomponent analysis. //Proc. of 13th IFAC Triennial World Congress, 1998, Vol. 2, pp. 259-264.

241. Eustace R. Neural Network Fault Diagnosis of a Olimp 593 Engine, XI IS ABE 93 7091, Tokyo, Japan, 1995. - P. 937 - 956.

242. Frank M.P., Ding S.X. Current developments in the theory of FDI //Preprints of the 4th IFAC Symposium on Fault Detection Supervision and Safety for Technical Processes, Budapest, 14 16 June, 2000. - Vol. 1 - pp. 16 - 27.

243. Frank P.M., Koppen Selinger B. New Developments Using Artificial Intelligence in Fault Diagnosis. //Engineering Application Artificial Intelligence, 1997, Vol. 10, pp. 3 - 14.

244. Garg V., Hedrick J.K. Fault detection jilters for a class of nonlinear systems. //Proc. of ACC'98, 1998, pp. 1647 1651.

245. Garsia A., Frank P.M. On the relationship between observer and parameter identification based approaches to fault detection. //The 3th IFAC World Congress, 1996.-pp. 25-29.

246. Ge J. H., Frank P.M. A Novel Fault Tolerant Control Approach and its Application. //Preprints of the 5 th IFAC Sumposium on Automated Systems Based on Human Skill, Berlin, Germany, 1995. P. 198 - 202.

247. Goel S., Hajela P. Identification of Parameter Coupling in Turbine Design Using Neural Network// Journal of Propulsion and Power. Vol. 13. No. 3. - 1996. -P. 503-508.

248. Guo T., Moller J. Neural Network-Based Sensor Validation for Turboshaft Engines //Proc. of the 34th AIAA/ASME/S AE/ASEE Joint Propulsion Conference & Exhibit, 1998. P. 1-8.

249. Guo T., Musgrave J., Lin C. Neural Networks Based Sensor Validation for Reusable Rocket Engines //Proceedings of the American Control Conference, 1995. -P. 1367-1372.

250. Guo T., Sans J. Sensor Validation for Turbofan Engines Using an Autoassociative Neural Network //Proceedings of the AIAA Guidance, Navigation and Control Conference, 1996. P. 1-7.

251. Habib S., Zaghloul E. System Identification Using Time Dependent Neural Networks //Proc. of the AIAA Guidance Navigation and Control Conference, 1996. -P. 1 8.

252. Hu X., Viam J., Choi J. Propulsion Vibration Analysis Using Neural Network Inverse Modeling // Proc. of the 2002 IEEE World Congress on Computational Intelligence, 2002. P. 546 - 556.

253. Iserman R. Process Fault Detection and Diagnosis Methods. //IFAC Symposium SAFE PROCESS'94, Helsinki, Finland, Vol. 2 - pp. 597 - 612.

254. Iserman R., Balle P. Trends in the application of model Based fault detection and diagnosis of technical processes. //Control Eng. Practice. - No. 5. -Vol. 5-pp. 709-719.

255. Isermann R. Fault Diagnosis of machines via parameter estimation and knowledge processing. Automatica 29, 1993. pp. 815-836.

256. Isermann R. Überwachung und Fehlerdiagnose Methoden und ihre Anwendungen bei Technischen Systemen. Duesseldorf: VDI - Verlag, 1994. -380 p.

257. Koppen Seiinger B., Frank P.M., Neural Networks in Model - Based Fault Diagnosis. //Proc. of the IF AC Simposium on fault detection, 1999, Vol. 1, pp. 133- 139.

258. Kotkas V., Penjam J., Tyugu E. Ontology based desigu of surveillance systems with NUT//15th IFIP World Computer Congress, Wien, 1998. pp. 1-5.

259. Kramer M. Autoassociative Neural Networks, Computers &Chemical Engineering. Vol. 16. 1995. - No. 4. - P. 313 - 328.

260. Kramer M.A. Nonlinear Principal component Analysis using Autoassociative Neural Network. //AIChE Journal, 1997, Vol. 37, pp. 233-243.

261. Kuhlmann D., Handsechin E., Hoffmann W. ANN based fault diagnosis system ready for practical application. //Engineering intelligent systems for electrical engineering and communications, 1999, Vol. 7, No. 1, pp. 29-39.

262. Lee Y., Singh R. Health Monitoring of Turbine Engine Gas Path Components and Measurement Instruments, ASME 96-GT-242, International Gas Turbine Congress & Exhibition, Bermingham, UK, 1996.

263. Li C.J., Fan Y.M. Recurrent neural networks for fault diagnosis and severity assessment of a screw compressor. //Journal of dynamic systems measurement and control transactions of the asme, Vol. 121, No. 4, pp. 724 - 729.

264. Li J.C., Yu X. High pressure air compressor valve fault diagnosis using feed forward neurel networks //Mechanical Systems and Signal Processing, Vol. 9, No. 5, pp. 527 536.

265. Maki Y., Loparo K.A. A neurel network approach to fault detection and diagnosis in industrial processes. //IEEE transactions on control'systems technology, 1997, Vol. 5, No. 6, pp. 529 541.

266. Mattern D., Jaw L., Guo T. Simulation of an Engine Sensor Validation Scheme Using an Autoassociative Neural Network //AIAA 97-2902, 23nd AIAA/ASME/SAE/ASEE Joint Propulsion Conference. Vol. 25. 1998. - No. 2. - P. 235-245.

267. Mitra S., Hayashi Y. Neuro Fuzzy Rule Generation: Survey in Soft Computing Framework. //IEEE Transactions ON Neural Networks, vol. 11, No. 3, 2000. - pp. 748-768.

268. Modern Problems of Design of Aeroengine Control Systems /Eds: Sun Jianguo, V.I. Vasilyev, B.G. Ilyasov, Beijing, China, 2004.

269. Murad G.A., Gu D.W. A robust design approach to integrated controls and diagnostics. //Proc. of the 13th IFAC World Congress, 1998, Vol. 3, No. 1, pp. 345-357.

270. Napolitano M., Neppach C., Casdorph V. Sensor Failure Detection, Identification and Accomodation Using On-Line Neural Architectures, AIAA 94 -3598, AIAA Guidance Navigation and Control Conference, 1994. P. 345-358.

271. Narendra K.G., Sood V.K., Khorasani K. RBF Neural Network for fault diagnosis in a HVDC system. //IEEE transactions on power systems, Vol. 13, No. 1, pp. 177- 183.

272. Narendra K.S. Identification and control of dynamic systems Using neural networks //IEEE Trans, on Nenral Networks. Vol. 1 - pp. 4 - 27.

273. Narendra K.S. Nenral Networks for Control. Theory and Practice //Proceedings of the IEEE, Vol. 84, No. 10, 1996. pp. 1385 -1405.

274. Narendra K.S., Parasarathy K. Identification and Control of Dynamical Systems Using Nenral Netwarks//IEEF, Trans. Nenral Networks, Vol. 1, No. 1, 1990. -pp. 4.-27. ' '

275. Narendra K.S., Sood V.K., Khorasani K., Patel R. RBF Nenral Networks' for fault diagnosis in a HVDC system. //IEEE transactions on power systems, 1999, -Vol. 13.-No. l.-pp. 177- 183.

276. Neagu N.C., Avouris N.M. Using Neuro Fazzy Tools to Express Implicit Knowledge in Hybrid Systems. //The 7th International Conference on Information System Analysis and Synthesis, 2001. - pp. 350-356.

277. Nells O., Ernst S., Isermann R. Neuronale Netze zur Identification Nichtlinearer Dynamischer Systeme. Springer, 1997. - 125 p.

278. Nuansri N., Dillon S., Singh S. An Application of Neural Network and Rule Based System for Network Management: Application Level Problems //IEEE Journal on Selected Areas in Communications, 6, 5, pp. 476-^183.

279. Pantelelis N.G., Kanarachos A.E.,Gotzias N. Neural networks and simple models for the fault diagnosis of naval turbochargers. //Mathematics and computers in simulation, 2000, Vol. 51, No. 3 4, pp. 387 - 397.

280. Patton R.J., Frank P.M., Clark R.N.Issues in fault diagnosis for dynamic systems, 2000, Springer Verlag, London, 536 p.

281. Records M. Spurious Symptom Reduction in Fault Monitoring Using a Neural Network and Knowledge Base Hybrid System, Control Engine Practice. Vol. 5. 1995. - No. 10. - P. 865 - 875.

282. Ren X., Chen J. A Modified Neural Network For Dynamical System Identification and Control. //Proc. 14th World Congress of IFAC, 1999, Vol. 9., No. 5, pp. 376-388.

283. Rolls-Royce The Magazine. ISSUE 87. Desember 2000. p.p. 10-15.

284. Rolls-Royce. The Magazine. ISSUE 96. March 2003. p.p. 26-31.

285. Saund E. Dimensionality-Reduction Using Connectionist Networks, IEEE Trans, on Pattern Analysis and Machine Intelligence. Vol. 11. 1990. No. 3. - P. 125-137.

286. Sharif M.A., Grosvener R.I. Process plant condition monitoring and fault diagnosis. //Journal of Precess Mechanical Engineering, 1999, Vol. 2, No. 1, pp. 13 -30.

287. Shitong W., Scott E., Gamermann A. Extract rules by using rought set and knowledgebased neural network. //Journal of Computer and Technologi, Vol. 13, № 3, 1998.-pp. 65-78.

288. Shpilewski E. Artificial Intelligence Methods in Technical Diagnostics. //IFAC LSS'98. Large Scale Systems: Theory and Applications, vol. 1, 1998. -pp. 868 874.

289. Soliman A., Rzzoni G., Kim Y.W. Diagnosis of an antomotive emission control system using fuzzy inference. //Control engineering practice, 1999, Vol. 7, No. 2, pp. 209-216.

290. Sorsa T., Suontausta J., Koivo H.N. Fault diagnosis of dynamic systems using neural networks. //Proc. IFAC World Congress, 1998, Vol. 7, pp. 476 484.

291. Torella G. Expert Systems and Neural Neiworks for Fault Isolation in Gas Turkines'ISA BE 97-7148.

292. Tyugu E., Using Classes spcifications for automatic construction of programs in the NUT System //Commynications of the ACM, V/ 34., 1998. P. 4659.

293. Tyugu E., Valt R. Visual programming in NUT //Journal of Visual Languages and Computing., V. 8, 1997. P.P. 523-544.

294. Uustalu T., Kopra U., Matskin M., Tyugu E. The NUT Language Report//The Royal Iustitute of Technology (KTH), TRITA IT//R 94 : 14, KTH, March, 1999. - 125 p.

295. Vasilyev V.I., Urazbakhtina L.B. Testing of GAS Turbine - Engine Technical condition With Use of Nenral Network model // Symposium on actual problems of aircraft Engines construction. - Ufa: USATU, 1999. - C. 116 - 123.

296. Vingerhoeds R., Janssens P., Netten B. Enhancing Off Line and On -Line Condition Monitoring and Fault Diagnosis, Control Engine Practice. Vol. 3 -1995.-No. 11.-P. 1515- 1528.

297. Vivian V., Sigh R. Application of Expert System Technology to the Gas Path Analysis of a Gas Turbine Turboprop, EPF 95-01, AIDAA/AAAF/DGLR/RaeS 5th European Forum, Pisa, Italy, 1995. P. 255-265.

298. Vlasov V., Addibpaur M., Tyngu E. NUTS: A distributed object oriented platform with bigh - level communication functions. //Computers and Artifical Intelligence, V. 17, N. 4, 1998. - P.P. 305-335.

299. Wang H., Brown M., Harris C.J. Fault Detection for aclass of unknown non-linear systems via associative memory networks. //Proc. Control and Diagnosis Eng., 1998, Vol. 2, No. 1, pp. 101-107.

300. Wang Z.Y., Liu Y.L., Griffin P.J. A combined ANN and expert system tool for transformer fault diagnosis. //IEEE transactions on power delivery, 1998, Vol. 13, No. 4, pp. 1224-1229.

301. Watton J., Pham D.T. An artificial neural network based approach to fault diagnosis and classification for Engine systems. //Journal of systems and Control Engineering, Vol. 2, No. 4, pp. 307 317.

302. Whitehead B., Kiech E., Ali M. Rocket Engine Diagnostics Using Neural Networks //Proc. of the AIAA/SAE/ASME/ASEE 27th Joint Propulsion Conference, Florida, 1996. P. 565 - 572.

303. Zakrzewski R. Fuel Volume Measurement in Aircraft Using Neural Networks. // IEEE Transactions on Neural Networks. 2001. - No. 5. - P. 687 - 692.

304. Zedda M., Singh R. Fault Diagnosis of a Turbofan Engine Using Neural Networks: a Quantitative Approach //Proc. of the 34 th AIAA /ASME/ SAE/ASEE, Joint Propulsion Conference & Exhibit, 1998. P. I - 10.