автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей

На правах рукописи

МУСЛУХОВ Ильдар Ирскович

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ БОРТОВЫХ АЛГОРИТМОВ КОНТРОЛЯ ПАРАМЕТРОВ ГТД НА ОСНОВЕ ТЕХНОЛОГИИ НЕЙРОННЫХ СЕТЕЙ

Специальность 05.13.01 — Системный анализ, управление и обработка информации

о Ь ЛЕН

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Уфа 2007

003177450

Работа выполнена на кафедре вычислительной техники и защиты информации Уфимского государственного авиационного технического университета

Научный руководитель Официальные оппоненты

д-р техн наук, проф ЖЕРНАКОВ Сергей Владимирович д-ртехп наук, проф АСАНОВ Асхат Замилович канд техн наук, доцент КРУЖКОВ Вячеслав Николаевич

Ведущая организация

ФГУП УНГЕП «Молния», г Уфа

Защита состоится 26 декабря 2007 г в 10 часов на заседании диссертационного совета Д-212 288 03 при Уфимском государственном авиационном техническом университете по адресу 450000, Уфа - центр, ул К Маркса 12, УГАТУ

С диссертацией можно ознакомиться в библиотеке университета

Автореферат разослан 23 ноября 2007 г

Ученый секретарь диссертационного совета д-р техн наук, проф

В.В. Миронов

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность работа

Развитие современной авиационной транспортной системы привело к повышению нагрузки на авиационный газотурбинный двигатель (ГТД) и на его основные узлы, что негативно сказалось на безопасности полетов В условиях повышенной нагрузки на узлы и агрегаты ГТД повышение безопасности его функционирования достигается на основе использования стратегии управления эксплуатацией по фактическому техническому состоянию Это предполагает использование наряду с классическими подходами и новых интеллектуальных методов, позволяющих эффективно и качественно осуществлять процесс контроля параметров авиационного двигателя, с учетом так называемых «не-факторов» неполноты измеряемой информации, шумов измерений, наличия конструктивной, параметрической и экспертной неопределенности при оценке параметров ГТД Основу управления эксплуатацией современного ГТД составляет подчинение целей функционирования его бортовых информационных технологий контроля и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями эксплуатации В настоящее время повышение эксплуатационной нагрузки на ГТД приводит к сокращению времени на его обслуживание, т е на контроль и диагностику технического состояния, что требует использования оперативных и эффективных методов контроля, базирующихся на комплексной автоматизации и интеллектуализации этих процессов Эффективность контроля состояния авиационного двигателя существенно зависит от вероятности правильного распознавания его технического состояния, которая непосредственно влияет на качество систем управления эксплуатацией ГТД, что в конечном итоге определяет экономичность и безопасность полетов

Создание информационных технологий контроля технического состояния ГТД является процессом, предполагающим определенную методологию использования априорной информации об объекте, измерительных и вычислительных средствах, образующих ресурсы информационных технологий контроля и разнообразные методы решения задач обработки, оценки измерительной информации и принятия решений для достижения целей контроля и управления ГТД Проблемам созданий информационных технологий контроля и управления эксплуатацией сложных технических объектов посвящены работы Л И Волкова, Г И Братухина, Е В Барзиловича, Ю М Гусева, Б Г Ильясова, В А Острейковского, В В Смирнова, Р М Юсупова, А 3 Асанова и др Проблемы контроля технического состояния ГТД исследуются в работах В Г Августиновича, В Т Дедеша, В И Васильева, В Н Ефанова, Ю С Кабальнова, В Г Крымского, Г Г Куликова и др Теоретические основы создания математических моделей ГТД

и его узлов рассматриваются в работах Г Н Добрянского, О С Гуревича, Р К Чуяна и др

Вместе с тем, несмотря на значительный объем исследований в данной области, информационные технологии контроля параметров ГТД не являются совершенными по ряду причин с одной стороны слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД, с другой, нестационарность физических процессов в авиационном двигателе, сложность их математического описания, зависимость его технических характеристик от внешних условий работы, ограниченный состав измеряемых параметров, их технологический разброс и т д Указанные факторы приводят к необходимости автоматизации процессов принятия решений о техническом состоянии двигателя в условиях неопределенности

Основными направлениями, определяющими повышение эффективности бортовых информационных технологий контроля состояния ГТД, следует считать интеллектуализацию процессов обработки информации с привлечением нейросетевых методов, которые способны обеспечить повышение качества бортовых алгоритмов контроля параметров ГТД при действии указанных выше неопределенных факторов Таким образом, создание бортовых информационных технологий контроля параметров ГТД включает в себя разработку метода, методики, алгоритмического и программного обеспечения, позволяющих повысить эффективность решения задач контроля и управления эксплуатацией ГТД

В связи с вышеизложенным, тема диссертационной работы, посвященная повышению эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей, является актуальной

Цель работы

Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей

Задачи исследования

Для достижения указанной цели в работе сформулированы и решены следующие задачи

1 Разработка комплекса системных моделей процесса контроля измеряемых параметров ГТД в бортовых условиях

2 Разработка методики идентификации НС-моделей ГТД

3 Разработка алгоритмов определения отказов измерительных каналов и восстановления значений параметров на основе НС-моделей ГТД

4 Модификация алгоритма обучения НС-моделей ГТД и алгоритма адаптации этих моделей, для контроля индивидуальных параметров авиационного двигателя

5 Разработка программного обеспечения, реализующего методику идентификации НС-моделей ГТД

Методы исследования

Поставленные в диссертационной работе задачи решались с использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, нейроинформатики, теории планирования эксперимента, имитационного моделирования, теории информационных систем и обработки данных, объектно-ориентированного программирования

Основные научные результаты, выносимые на защиту:

1 Системные модели процесса проектирования и функционирования БКИП

ГТД

2 Методика идентификации бортовых НС-моделей ГТД

3 Алгоритмы определения отказов измерительных каналов и восстановления значений параметров

4 Модифицированный алгоритм обучения нейронных сетей Левенберга -Марквардта, требующий меньшего объема оперативной памяти и времени на его реализацию, а также алгоритм адаптации НС-моделей ГТД в бортовых условиях

5 Разработанное программное обеспечение, реализующее методику идентификации бортовых НС-моделей ГТД, а также исследовательский прототип бортовой интеллектуальной системы контроля параметров ГТД «Борт-Нейро»

Научная новизна результатов

1 На основании 8АЕ)Т-методологии и ГОЕР-технологий разработан комплекс системных моделей процесса контроля параметров ГТД, что позволило выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой пейросетевой системы контроля параметров

2. Разработана методика идентификации бортовых моделей ГТД, на основе нейросетевых технологий, позволяющая идентифицировать НС-модели ГТД в условиях неполноты измеренной информации

3 Разработаны алгоритмы определения отказов измерительных каналов на основе бортовых нейросетевых моделей ГТД, позволяющий эффективно и качественно осуществлять локализацию отказов, и восстановления значений параметров с отказавших измерительных каналов, позволяющий эффективно и качественно восстанавливать потерянную информацию

4 Алгоритмы обучения нейронных сетей Левенберга - Марквардта, на основе использования теории параллельных вычислений и линейной алгебры, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза и адаптации моделей ГТД, на основе технологии нейронных сетей, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД

5 Разработаны нейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля параметре ГТД, интегрированные в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро», применение которых позволяет повысить эффективность контроля параметров ГТД

Обоснованность и достоверность результатов

Обоснованность комплекса системных моделей процесса контроля параметров ГТД подтверждается корректностью формализации и обоснованностью требований к выбору соответствующих методов, алгоритмов и их реализации в рамках БАОТ - методологии и ГОЕГ - технологий

Обоснованность и достоверность разработанных нейросетевых алгоритмов подтверждается результатами моделирования и решения практической задачи бортового контроля параметров ГТД, а также их использованием в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро» Достоверность основных результатов работы подтверждена решением широкого спектра практических задач и внедрением этих результатов в ФГУП УНПП «Молния»

Практическая значимость результатов

Практическая ценность результатов, полученных в диссертации, заключается в разработке

1 Комплекса системных моделей процесса контроля параметров ГТД, позволяющий выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой нейросетевой системы контроля параметров

2 Методики идентификации бортовых моделей ГТД, на основе нейросетевых технологий, позволяющая идентифицировать НС-модели ГТД в условиях неполноты измеренной информации

3 Алгоритма определения отказов измерительных каналов на основе бортовых нейросетевых алгоритмов, позволяющий эффективно и качественно осуществлять локализацию отказов, алгоритма восстановления значений параметров авиационного двигателя на основе адекватных НС-моделей, позволяющий эффективно и качественно восстанавливать потерянную информацию

4 Модифицированного алгоритма обучения нейронных сетей Левенберга -Марквардта, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза, а также бортовой алгоритм адаптации НС-моделей ГТД, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД

5 Нейросетевых модулей, зарегистрированных в РОСАПО, для решения задач контроля параметров ГТД, интегрированные в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро»,

применение которых позволяет повысить эффективность контроля параметров ГТД

Результаты работы в виде алгоритмов, методик и программного обеспечения внедрены в ФГУП УН1111 «Молния» и в учебный процесс кафедры ВТ и ЗИ УГАТУ

Апробация работы

Основные научные и практические результаты диссертациопной работы докладывались и обсуждались на следующих конференциях Всероссийская молодежная научно-техническая конференция «Интеллектуальные системы управления и обработки информации», Уфа, 2003, Вторая всероссийская научно-техническая конференция с междуна родным участием «Мехатроника, Автоматизация, Управление», Уфа, 2005, Федеральная итоговая научно-техническая конференция творческой молодежи России, Москва, 2003, Студенческие научно-технические конференции, УГАТУ, Уфа, 2001-2007 г Публикации

Основные положения и результаты исследований по теме диссертации опубликованы в 20 работах, включая 1 статью в рецензируемом журнале из списка ВАК РФ, 16 публикаций в центральных журналах, материалах Всероссийских и Международных конференций, 3 свидетельства о регистрации программного обеспечения в РосАПО

Структура и объем работы

Диссертационная работа состоит из списка сокращений, введения, четырех глав, заключения, приложений, библиографического списка и изложена на 161 страницах Библиографический список содержит 122 наименования

СОДЕРЖАНИЕ РАБОТЫ Во введении к диссертации обсуждается актуальность темы исследования, формулируется цель и задачи исследования, приводятся результаты, выносимые на защиту, отмечается их новизна и практическая значимость, приводятся сведения о реализации работы, ее апробации и публикациях

В первой главе проводится анализ современного состояния задачи контроля измеряемых параметров ГТД в бортовых системах контроля технического состояния ГТД, рассматривается аппаратная реализация таких систем Приводится классификация отказов информационных каналов, при которых уменьшается точность измерения параметров Обоснована необходимость повышения эффективности контроля измеряемых параметров ГТД в бортовых условиях, которая осуществляется на основе использования аппаратного и алгоритмического подходов

Рассматриваются достоинства и недостатки каждм о подхода. Сравнительный анализ методов в условиях бортовой реализации показывает преимущества использования алгоритмического подхода на основе эталонной математической модели (ММ) ГТД Предлагается функциональная схема системы

контроля, диагностики и управления ГТД на базе предложенного алгоритмического подхода для повышения эффективности бортовых алгоритмов контроля измеряемых параметров ГТД (рис. 1) Показана необходимость использования разрабатываемого бортового алгоритмического решения задачи контроля измеряемых параметров ГТД Анализируются существующие микропроцессорные решения для реализации блока контроля измеряемых параметров ГТД

ГТД

V правляюшие воздействия

Исполнительные механизмы

Блок регистрации параметров ГТД

д1 д"

Буфер приема информации с датчиков

БКЕШ

Расчетные значения

Алгоритм поиска отказавшего измерительного канала и восстановления потерянной информации

Математическая модель ГТД

/ч

»_34 Сохранение результат

Буферная

ламять

предыстории

Уставки управления

Рисунок 1 Функциональная схема блока контроля измеряемых параметров ГТД

Проводится анализ существующих подходов, методов, методик и алгоритмов идентификации математической модели ГТД (метод наименьших квадратов (МНК), кубические сплайны (КС), Марковские стохастические модели (МСМ), быстросчетные кусочно-линейные динамические модели(БКЛДМ), полная поэлементная математическая модели (ППММ)), оценивается возможность их применения в существующих аппаратных реализациях системы контроля параметров ГТД Результаты сравнительного анализа, рассмотренных выше методов сведены в табл 1

Таблица 1 - Сравнительные характеристики методов построения упро[ценных моделей ГТД_______

Параметр Модель ГТД \ Погрешность аппроксимации, % Погрешность аппроксимации с шумом (1%), % Требуемый объем памяти, Кб Время реализации на ST10F269, мс

Полином (МНК) 233 19,45 7 1,15

Кубический сплайн (КС) 0,89 0,95 200 1,75

БКЛДМ 1 12 126 1

ППММ 0,1 0,1 15000 80000

МСМ 1-1,5 - 56000 1,25

Установлено, что основным недостатком существующих методов построения математических моделей ГТД являются высокая сложность их реализации в рамках существующих бортовых вычислителей и в связи с этим необходимость ее полного пересчета (в случае адаптации к изменившимся параметрам ГТД и окружающей среды), что затрудняет их использование в бортовых условиях Проведенный анализ показывает, что в условиях бортовой реализации задачу идентификации бортовой ММ ГТД необходимо решать, используя интеллектуальные методы, базирующиеся на основе нейросетевых технологий

Во второй главе рассматриваются вопросы применения системного подхода к решеншо задачи информационного контроля состояния авиационного двигателя Подчеркивается важность и роль системною моделирования для процессов проектирования и функционирования перспективного бортового блока контроля измеряемых параметров (БКИП) ГТД

В качестве базовой методологии для решения задач системного моделирования используется SADT (Structured Analysis and Design Technique) -методология и поддерживающие ее lDEF-технологии

Показано, что применение методологии системного моделирования на этапе проектирования бортовых интеллектуальных систем контроля измеряемых параметров ГТД позволяет обосновать и сформулировать требования к перспективным бортовым интеллектуальным системам контроля состояния авиационного двигателя, определить состав и взаимосвязь отдельных компонент для их реализации в виде исследовательского прототипа.

В рамках методологии системного моделирования

• разработан комплекс функциональных моделей IDEF0 процесса контроля измеряемых параметров ГТД, что позволило выделить основные функции и спектр решаемых задач в составе бортовой интеллектуальной системы контроля технического состояния авиационного двигателя,

• разработан комплекс информационных моделей ГОЕР/1Х процесса контроля измеряемых параметров авиационного двигателя, что позволило определить логическую структуру и механизмы взаимодействия информационных потоков в составе бортовой интеллектуальной системы контроля технического состояния авиационного двигателя,

• построена динамическая модель процесса контроля измеряемых параметров авиационного двигателя, что позволило формализовать требования к механизму логического вывода в процессе выполнения бортовой интеллектуальной системой функции контроля измеряемых параметров

В третьей главе в рамках предложенной функциональной схемы БКИП ГТД на основе эталонной НС-модели ГТД разрабатываются метод идентификации бортовых НС-моделей и АНС для БКИП ГТД, алгоритм обнаружения отказов датчиков и восстановления потерянной информации с отказавшего датчика

Проведен сравнительный анализ эффективности использования различных архитектур нейронных сетей для решения задач идентификации ММ ГТД в условиях бортовой реализации Установлено что использование НС-моделей позволяет повысить эффективность контроля измеряемых параметров авиационного двигателя В качестве НС-моделей кандидатов рассматриваются рекуррентные нейронные сети следующих архитектур НС прямого распространения сигнала с одним скрытым слоем с общей обратной связью (рис 2, а) и рекуррентной НС Эльмана (рис 2, б)

Исследуемые НС-модели различались следующими параметрами количеством нейронов в скрытом слое и их передаточными функциями; наличием дополнительных общих обратных связей или глубиной общей обратной связи В качестве передаточных функций рассматривались линейная, сигмоида и

а б

Рисунок 2 Архитектуры рекуррентных НС

Г(х) = кх + Ь (1)

^Г^"1 (3)

Анализ результатов моделирования различных НС-моделей показывает, что оптимальной архитектурой является рекуррентная архитектура НС с общей обратной связью (рис 2, а) и сигмоидной функцией активации, формула (2) Анализ существующих алгоритмов обучения показывает, что наиболее эффективным является алгоритм Левенберга — Марквардта Учитывая требования, предъявляемые данным ашоритмом к оперативной памяти, исследовались методы формирования малой обучающей выборки В результате проведенных исследований было предложено формировать обучающую выборку на основе метода прореживания по амплитуде В этом методе экспериментальные точки выбираются на основе прореживания по амплитуде Др=сот1, где р - один из измеряемых параметров Условием попадания экспериментальной точки в обучающую выборку является отклонение ее абсолютной величины в диапазоне измерения Ар Применение данного метода позволяет уменьшить количество экспериментальных точек в обучающей выборке до 8 - 10% от общего числа

В процессе разработки алгоритма идентификации АНС обоснована необходимость применения метода главных компонент для определения размера «горлового» слоя, на основе которого становится возможным сократить интервал поиска размера «горлового» слоя АНС

Проводится анализ полученных решений на работоспособность в рамках бортового вычислителя Так расчет требуемого объема памяти для хранения коэффициентов НС-моделей и АНС (У ¡им 2) проводился по формулам

= (К +1) N. + +1) Моит) Ук ~ (4)

^ = ((Ли +1) К, + (К, +1) Н2 + (Ы3 +1) Ы3 + (Н3 +1) Ук (5)

где Ыт — размер входного слоя нейронной НС, N1 - размер первого скрытого слоя НС, Моит — размер выходного слоя НС и Ух - объем памяти, требуемый для хранения одного коэффициента

Расчет количества выполняемых операций (УА1Ю - количество операций сложения, Умш. - количество операций умножения) для НС-моделей проводился по следующим формулам

= ^ Н^ЗМ.+К, Ыош, (6)

N,+3 К01ГГ (7)

Расчет выполняемых операций для АНС проводился по следующим формулам

= N,+3 Н2+Ы2 N3+3 Н3+Н3 Ыоит, (8)

^=N„•N,+3 N,+N,.N,+N,-N,+3 Ы3+К3 Моит (9)

В результате расчета аппаратных требований по формулам (4-9), было установлено, что требуемый объем памяти для хранения НС-моделей ГТД и АНС

не превышает 5 Кб, а суммарное время не превышает 2 мс

Рисунок 3 Функциональная схема блока контроля измерений параметров ГТД

На основе полученных НС-моделей и АНС предложена функциональная схема бортового блока контроля измеряемых параметров ГТД (рис 3) Блок алгоритма определения отказавших датчиков в качестве входных сигналов получает измеренные с датчиков значения параметров ГТД, окружающей среды, расчетные значения параметров авиационного двигателя, расчетные значения параметров окружающей среды, предыдущие корректные значения всех измеряемых параметров, значения измеряемых параметров, обработанные автоассоциативной нейронной сетью На основании полученных данных блок контроля параметров в соответствии с предложенным алгоритмом (рис 4) оценивает состояние измерительных каналов и выдает последующим блокам скорректированную информацию с измерительных каналов Результаты моделирования приведенного выше алгоритма показывают, что в случае превышения параметром допустимого значения на рассогласование измеренных и расчетных значений проводится проверка его значения на корректность, после

чего принимается решение об исправности данного датчика Численное моделирование алгоритма БКИП ГТД на ЭВМ показало, что максимальная погрешность восстановления потерянной информации в результате отказа датчика не превысила 0,9%

Рисунок 4 Блок-схема алгоритма обнаружения и парирования отказов информационных каналов

В четвертой главе на основе разработанных системных моделях БКИП ГТД производится разработка программного обеспечения для идентификации НС-моделей ГТД и АНС Приведен способ модификации алгоритма обучения Левенберга - Марквардта, что позволило сократить требования к ОЗУ в два раза и увеличить скорость данного алгоритма обучения на 24% Алгоритмы и методы ПО разработаны на основе технологии ООП на языке С, что позволяет использовать разработанные объекты (структуры, классы и функций) в программных проектах, для внедрения в БКИП ГТД Разработан алгоритм адаптации НС-моделей ГТД в бортовых условиях, который позволяет учитывать индивидуальные характеристики отдельного ГТД С целью оценки аппаратных требований разработанного алгоритма адаптации НС-моделей ГТД в бортовых условиях определены зависимости, по которым можно оценить требования предъявляемые алгоритмом обучения НС к бортовым вычислителям Общее количество коэффициентов хранимых в памяти ЭВМ предложено рассчитывать по формуле

KN =

LNNSto+5+ ^(NS.+ONS,

i=0 (Utum -I) l«f La um

(6 LN + 4 NS^ LN) £NS. +LN NSL

I(NS,+1) NSJ

£NS, NS, + 1

(10)

где Lnum - количество скрытых слоев нейронной сети, LN - размер обучающих данных, NSo 12 , Lmm - размер г-го слоя нейронной сети (количество нейронов), где NS0 — количество нейронов на входе НС

Количество выполняемых операций предлагается вычислять по формулам OPM,=NS_ LN ENS, NS,+NS,_ LN dTFM BS + NN LN NSLnum

+ NN (LN NS^y+NN + LN £NS, NS,+1+TFM NS2 LN, (11)

i-l NSb„-l

OPPf = NS^ LN Z(NS„,-1) NS,+NS_ LN dTFP £NS, +

i-lr NSUaaB_i ,NSljwm_|

+ (NN-1) (LN NS^У + (NN-1) + LN £(NS,-l) NS,+1 + TFP NS2 LN, (12) OPDf = dTFD NS2 LN + TFD NS2 LN (13)

где ОРР{ - количество выполняемых операций сложения с плавающей запятой, ОРМ^ — количество выполняемых операций умножения с плавающей запятой, ОРО[ — количество выполняемых операций деления с плавающей запятой, ТРРГ -количество операций сложения в передаточных функциях с плавающей запятой, ТРМ{ — количество операций умножения в передаточных функциях нейронов с плавающей запятой, ТРй{ — количество операций деления в передаточных

функциях с плавающей запятой, с1ТР'Рг, с1ТРМи с!ТЕО( - аналогичные коэффициенты количества операций в производных функций активации.

Показано, что для реализации алгоритма обучения в бортовых условиях требуется процессор с производительностью не ниже 100 МРЬОРЗ В качестве аналога процессору 8Т10Р269 предлагается использовать процессор ТМ8320С6727В, который имеет производительность 2 ОБЬОР8, что позволит реализовать алгоритм обучения НС-моделей ГТД и АНС в бортовых условиях

В заключении приводятся основные результаты, полученные в процессе проводимых исследований, и делаются соответствующие выводы

ОСНОВНЫЕ РЕЗУЛЬТАТЫ И ВЫВОДЫ

1 Предложена концепция построения бортовых алгоритмов восстановления информации измерительных каналов, на основе технологии нейронных сетей, позволяющих эффективно и качественно восстанавливать потерянную информацию в режиме реального времени

2 Разработан комплекс функциональных моделей процесса контроля измерений параметров авиационного двигателя на основе ГОЕР технологий, что позволило выделить основной спектр задач и сформулировать требования к их реализации в составе бортовой нейросетевой интеллектуальной системы контроля технического состояния ГТД, разработан комплекс информационных моделей процесса контроля измерений параметров авиационного двигателя, на основе технологии ШЕР/1Х, что позволило определить логическую структуру и механизмы взаимодействия отдельных интеллектуальных компонент в составе разрабатываемой бортовой нейросетевой интеллектуальной системы контроля измеряемых параметров авиационного ГТД, построена динамическая модель процесса контроля измеряемых параметров авиационного двигателя па основе ГОЕР/СРЫ, что позволило определить требования к механизму логического вывода в процессе выполнения функций контроля измеряемых; параметров бортовой нейросетевой интеллектуальной системой

3 Предложена методика идентификации НС-моделей ГТД и АНС, на основе нейросетевых технологий, позволяющая получать качественное решение задачи контроля измеряемых параметров ГТД в условиях бортовой реализации

4 Предложен алгоритм определения отказов измерительных каналов и восстановления потерянной информации на основе НС-моделей ГТД, позволяющий локализовать отказ и восстановить потерянную информацию с погрешностью не более 0,9% от диапазона изменения значения параметра Время реализации бортовых алгоритмов на базе процессора 8Т10Р269 не превысило 1,67 мс, объем операгивной памяти необходимый для реализации бортовых алгоритмов не превысил 5 Кб, что в условиях развития современной аппаратной базы позволяет с минимальными затратами и максимальной эффективностью решать такие задачи

5 Предложен модифицированный алюритм обучения нейронных сетей Левенберга - Марквардта, реализация которого требует в два раза меньше оперативной памяти, а время реализации меньше на 24% Данный алгоритм разработан на базе языка программирования С, что позволяет встраивать его в виде программного кода, который является модифицируемым, расширяемым и позволяет максимально учесть основные особенности большинства решаемых задач в бортовых условиях Разработан алгоритм адаптации НС-моделей в бортовых условиях, позволяющий максимально учесть индивидуальные параметры конкретного авиационного двигателя. Установлено, что наиболее ресурсоемкой операцией этого алгоритма является процесс обучения нейронных сетей, реализация которого в бортовых условиях показала, что для осуществления процесса обучения нейронных сетей в режиме реального времени необходим микропроцессор с производительностью не ниже 100 MFLOPS

6 Разработано программное обеспечение для идентификации НС-моделей ГТД и АНС, реализующее предложенную методику, которое основано на объектно-ориентированной парадигме, позволяющей использовать инкапсуляцию, наследие и полиморфизм для модернизации и модификации разработанных бортовых алгоритмов Применение широко используемого языка программирования С позволяет реализовывать данные алгоритмы на множестве альтернативных вычислительных платформ, которые содержат в своем составе компилятор языка С

ОСНОВНЫЕ ПУБЛИКАЦИИ ПО ТЕМЕ ДИССЕРТАЦИИ

Публикации в рецензируемых журналах из списка ВАК

1 Задача контроля информационных каналов авиационного ГТД в бортовых условиях / ИИ. Муслухов, C.B. Жернаков //Вестник СГАУ имени акад СП Королева Самара Изд-во СГАУ, 2007 Т 1,№2 С 157-161

Другие публикации

1. Парирование отказов датчиков нейронными сетями для повышения отказоустойчивости газотурбинных двигателей / И.И. Муслухов, В.И Васильев, С В. Жернаков // Вычислительная техника и новые информационные технологии сб пауч ст Уфа УГАТУ, 2003 С 35-41

3 Использование нейросетвых информационных технологий для повышения отказоустойчивости авиационного двигателя / И.И. Муслухов, В.И. Васильев, C.B. Жернаков // Компьютерные науки и информационные технологии сб науч тр 5-й междунар конф (CSrT'2003) Уфа УГАТУ, 2003 Т 2 С 91 - 96 (На англ языке)

4 Разработка пейросетевого метода повышения отказоустойчивости авиационного ГТД / 1Т.И. Муслухов // Туполевские чтения сб матер XI всерос науч -техн конф Казань КГТУ им Туполева, 2003 Т 3 С 77

5. Повышение живучести информационных каналов авиационного ГТД на базе нейросетевого модуля / И.И. Муслухов // Интеллектуальные системы управления и обработки информации сб матер всерос молодежи, науч -техн конф Уфа УГАТУ, 2003. С. 37

6 Повышение живучести информационных каналов сложных объектов с использованием искусственных нейронных сетей на примере газотурбинного двигателя / И.И. Муслухов // Федеральная итоговая научно-техническая конференция творческой молодежи России сб нучн тр M МГУЭиМ, 2003 С 91-92

7 Свид об офиц per программы для ЭВМ №2003612143 Мастер создания, обучения и тестирования автоассоциативных нейронных се гей / И.И. Муслухов, СЛ. Жернаков. М. Роспатент, 2003 Зарег 15 09 2003

8 Свид об офиц per программы для ЭВМ №2004611145 Экспертная система «Эксперт-Нейро» / И.И. Муслухов, C.B. Жернаков M Роспатент, 2004 Зарег 11 05 2004

9 Система автоассоциа гиеной нейронной сети и персептропа для восстановления потерянной информации с датчиков / И.И. Муслухов, C.B. Жернаков // Компьютерные науки и информационные технологии сб науч тр 7-й междунар конф (CSrT'2005) Уфа УГАТУ, 2004 Т 2 С 203 - 208 (На англ языке)

10 Восстановление потерянных данных с датчиков на базе автоассоциативных нейронных сетей / И.И. Муслухов, C.B. Жернаков // Мехатропика, автоматизация, управление сб тр. второй всерос науч.-гехн конф с междунар участием Уфа УГАТУ, 2005 Т 2 С 339 - 344

11 Высокопроизводительный вычислитель для восстановления потерянной информации / И.И. Муслухов, C.B. Жернаков // VTII Королевские чтения сб тр всерос молодежи науч конф Самара СГАУ им акад С П Королева, 2005 С. 324

12 Метод восстановления значений с отказавших датчиков / И.И. Муслухов, C.B. Жернаков // Туполевские чтения сб матер XII всерос науч-техн конф Казань КГТУ им Туполева, 2005 Т 3 С 142—143

13 Нейросетевой метод восстановления информации с датчиков ГТД/ И.И. Муслухов, C.B. Жернаков // Нейроинформатика и ее приложения 2005 сб матер 8-го всерос науч сем Красноярск : Изд-во ИВМ СО РАН, 2005 С 61-62

14 Высокоскоростной вычислитель для реализации алгоритма восстановления информации отказавшего датчика ГТД / И.И. Муслухов, C.B. Жернаков // Моделирование неравновесных систем 2005 сб матер 8-го всерос науч сем Красноярск Изд-во ИВМ СО РАН, 2005 С 123-124

15 Оптимизированный алгоритм Левенберга - Маркварда для обучения нейронных сетей / И.И. Муслухов, СЛ. Жернаков // Нейроинформатика и ее приложения сб матер XIV всерос науч сем Красноярск Изд-во ИВМ СО РАН, 2006. С 46-47

16 Моделирование газодинамического тракта авиационного двигателя в бортовых условиях / И.И. Муслухов, C.B. Жернаков // Моделирование неравновесных систем 2006 сб матер всерос науч сем Красноярск Изд-во ИВМ СО РАН, 2006 С 75-76

17 Архитектура вычислителя для решения задачи восстановления потерянных данных с датчиков на базе нейронной сети / И.И. Муслухов, C.B. Жернаков // Нейроинформатика-2006 сб науч тр VIII Всерос науч -техн конф M МИФИ, 2006 Т 3 С 180-188

18 Бортовая интеллектуальная система контроля и диагностики авиационного ГТД в режиме реального времени / ИЛ Муслухов, C.B. Жернаков // Актуальные проблемы в науке и технике матер per шк -сем аспирантов и молодых ученных Уфа УГАТУ, 2007 Т 2 С 108-112

19 Повышение точности контроля измерений газодинамических параметров ГТД в режиме реального времени / И.И. Муслухов, C.B. Жернаков // Компьютерные науки и информационные технологии сб науч тр 9-й междунар конф (CSIT'2007) Уфа • УГАТУ, 2007 Т 2 С 108-112 (На англ языке)

20 Свид об офиц per программы для ЭВМ №2007612510 Система идентификации нейросетевой математической модели «Борт-Нейро» / И.И. Муслухов, C.B. Жернаков. M Роспатент, 2007 Зарег 15 06 2007

-7

Диссертант

Муслухов И.И.

МУ СЛУХОВ Ильдар Ирекович

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ БОРТОВЫХ АЛГОРИТМОВ КОНТРОЛЯ ПАРАМЕТРОВ ГТД НА ОСНОВЕ ТЕХНОЛОГИИ НЕЙРОННЫХ СЕТЕЙ

Специальность

05 13 01 - Системный анализ, управление и обработка информации

АВТОРЕФЕРАТ диссертации на соискание ученой степени кандидата технических наук

Подписано в печать 21 11 2007 Формат 60x84 1/16 Бумага офсетная Печать плоская Гарнитура Times New Roman Уел печ л 1,0 Уел кр-отт 1,0 Уч-изд л. 0,9 Тираж 100 экз Заказ № 573

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

ВВЕДЕНИЕ

ГЛАВА I. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ ПРОБЛЕМЫ БОРТОВОГО КОН ТРОЛЯ ИЗМЕРЯЕМЫХ ПАРАМЕТРОВ АВИАЦИОННОГО ДВИГАТЕЛЯ.

1.1 Анализ существующих бортовых алгоритмов контроля измеряемых параметров ГТД

1.2 Постановка задачи идентификации бортовой математической модели ГТД.

1.3 Анализ существующих методов идентификации математической модели ГТД.

1.4 Постановка задачи идентификации математической модели Г'ГД в пейросетевом базисе

1.5 Результаты и выводы по первой главе.

ГЛАВА 2. РАЗРАБОТКА СИСТЕМНЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ К011ТРОЛЯ ПАРАМЕТРОВ АВИАЦИОННОГО ДВИГАТЕЛЯ В УСЛОВИЯХ БОРТОВОЙ РЕАЛИЗАЦИИ.

2.1 Применение технологий системного моделирования па этапе проектирования бортовой интеллектуальной системы контроля параметров авиационного двигателя.

2.2 Применение технологий системного моделирования для процесса контроля измеряемых параметров авиационного Г'ГД.

2.3 Результаты и выводы по второй главе.

ГЛАВА 3. РЕАЛИЗАЦИЯ БОРТОВЫХ АЛГОРИТМОВ КОНТРОЛЯ ИЗМЕРЯЕМЫХ ПАРАМЕТРОВ ГТД НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ И МЕТОДИКИ ИДЕНТИФИКАЦИИ НС-МОДЕЛЕЙ ГТД.

3.1 Идентификация динамической многорежимной прямой пейросетевой модели ГТД.

3.2 Идентификация обратной динамической многорежимной пейросетевой модели ГТД в условиях бортовой реализации.

3.3 Применение автоассоциативных нейронных сетей для восстановления потерянной информации в условиях бортовой реализации.

3.4 Алгоритмы блока контроля измеряемых параметров авиационного Г'ГД.

3.5 Результаты и выводы по третьей главе.

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ПЕЙРОСЕТЕВОЙ БОРТОВОЙ ИНТЕЛЛЕКТУАЛЬНОЙ СИСТЕМЫ КОНТРОЛЯ ИЗМЕРЯЕМЫХ ПАРАМЕТРОВ АВИАЦИОННОГО ГТД «БОРТНЕЙРО».

4.1 Структура программного комплекса ГТД «Борт-Пейро».

4.2 Методика работы с программным комплексом «БортПейро».

4.3 Модификация алгоритма обучения Лсвспбсрга-Марквардта для бортовой реализации

4.4 Адаптация нейросетевых моделей авиационного ГТД в условиях эксплуатации.

4.5 Результаты и выводы по четвертой главе.

ЗАКЛЮЧЕНИИ.

СГШСОК ИСПОЛЬЗУЕМЫХ ИСТОЧНИКОВ.

Развитие современной авиационной транспортной системы привело к повышению нагрузки на авиационный газотурбинный двигатель (ГТД) и па его основные узлы, что негативно сказалось па безопасности полетов. В условиях повышенной нагрузки на узлы и агрегаты ГТД повышение безопасности его функционирования достигается на основе использования стратегии управления эксплуатацией по фактическому техническому состоянию. Это предполагает использование наряду с классическими подходами и новых интеллектуальных методов, позволяющих эффективно и качественно осуществлять процесс контроля параметров авиационного двигателя, с учетом гак называемых «нефакторов»: неполноты измеряемой информации, шумов измерений, наличия конструктивной, параметрической и экспертной неопределенности при оценке параметров ГТД. Основу управления эксплуатацией современного ГТД составляет подчинение целей функционирования его бортовых информационных технологий контроля и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями эксплуатации. В настоящее время повышение эксплуатационной нагрузки на ГТД приводит к сокращению времени на его обслуживание, т.е. па контроль и диагностику технического состояния, что требует использования оперативных и эффективных методов контроля, базирующихся на комплексной автоматизации и интеллектуализации этих процессов. Эффективность контроля состояния авиационного двигателя существенно зависит от вероятности правильного распознавания его технического состояния, которая непосредственно влияет на качество систем управления эксплуатацией ГТД, что в конечном итоге определяет экономичность и безопасность полетов.

Создание информационных технологий контроля технического состояния ГТД является процессом, предполагающим определенную методологию использования априорной информации об объекте, измерительных и вычислительных средствах, образующих ресурсы информационных технологий контроля и разнообразные методы решения задач обработки, оценки измерительной информации и принятия решений для достижения целей контроля и управления ГТД. Проблемам созданий информационных технологий контроля и управления эксплуатацией сложных технических объектов посвящены работы: Л.И. Волкова, Г.И. Братухина, E.li. Барзиловича, Ю.М. Гусева, Б.Г. Ильясова, В.А. Острейковского, В.В. Смирнова, P.M. Юсупова, А.З. Асанова и др. Проблемы контроля технического состояния ГТД исследуются в работах В.Г. Августиновича, В.Т. Дедеша, В.И. Васильева, В.Н. Ефанова, Ю.С. Кабальнова, В.Г. Крымского, Г.Г. Куликова и др. Теоретические основы создания математических моделей ГТД и его узлов рассматриваются в работах Г.Н. Добрянского, О.С. Гуревича, Р.К. Чуяна и др.

Вместе с тем, несмотря на значительный объем исследований в данной области, информационные технологии контроля параметров ГТД не являются совершенными по ряду причин: с одной стороны слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД; с другой, нестационарность физических процессов в авиационном двигателе, сложность их математического описания, зависимость его технических характеристик от внешних условий работы, ограниченный состав измеряемых параметров, их технологический разброс и т.д. Указанные факторы приводят к необходимости автоматизации процессов принятия решений о техническом состоянии двигателя в условиях неопределенности.

Основными направлениями, определяющими повышение эффективности бортовых информационных технологий контроля состояния ГТД, следует считать интеллектуализацию процессов обработки информации с привлечением нейросетевых методов, которые способны обеспечить повышение качества бортовых алгоритмов контроля параметров ГТД при действии указанных выше неопределенных факторов. Таким образом, создание бортовых информационных технологий контроля параметров ГТД включает в себя разработку метода, методики, алгоритмического и программною обеспечения, позволяющих повысить эффективность решения задач контроля и управления эксплуатацией ГТД.

В связи с вышеизложенным, тема диссертационной работы, посвященная повышению эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей, является актуальной.

Цель работы

Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей.

Задачи исследования

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

1. Разработка комплекса системных моделей процесса контроля измеряемых параметров ГТД в бортовых условиях.

2. Разработка методики идентификации ПС-моделей ГТД.

3. Разработка алгоритмов определения отказов измерительных каналов и восстановления значений параметров на основе НС-моделей ГТД.

4. Модификация алгоритма обучения НС-моделей ГТД и алгоритма адаптации этих моделей, для контроля индивидуальных параметров авиационного двигателя.

5. Разработка программного обеспечения, реализующего методику идентификации НС-моделей ГТД.

Методы исследования

Поставленные в диссертационной работе задачи решались с использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, нейроинформатики, теории планирования эксперимента, имитационного моделирования, теории информационных систем и обработки данных, объектно-ориентированного программирования.

Основные научные результаты, выносимые на защиту:

1. Системные модели процесса проектирования и функционирования БКИП ГТД.

2. Методика идентификации бортовых НС-моделей ГТД.

3. Алгоритмы определения отказов измерительных каналов и восстановления значений параметров.

4. Модифицированный алгоритм обучения нейронных сетей Левепберга -Марквардта, требующий меньшего объема оперативной памяти и времени на его реализацию, а также алгоритм адаптации ПС-моделей ГТД в бортовых условиях.

5. Разработанное программное обеспечение, реализующее методику идентификации бортовых НС-моделей ГТД, а также исследовательский прототип бортовой интеллектуальной системы контроля параметров ГТД «Борт-Нейро».

Научная новизна результатов

1.Ha основании SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса контроля параметров ГТД, что позволило выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой пейросетевой системы контроля параметров.

2. Разработана методика идентификации бортовых моделей ГТД, па основе нейросетевых технологий, позволяющая идентифицировать ПС-модели ГТД в условиях неполноты измеренной информации.

3. Разработаны алгоритмы определения отказов измерительных каналов на основе бортовых нейросетевых моделей ГТД, позволяющий эффективно и качественно осуществлять локализацию отказов, и восстановления значений параметров с отказавших измерительных каналов, позволяющий эффективно и качественно восстанавливать потерянную информацию.

4. Алгоритмы обучения нейронных сетей Левенберга - Марквардта, модифицированный на основе использования теории параллельных вычислений и линейной алгебры, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза и адаптации моделей ГТД, на основе технологии нейронных сетей, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД.

5. Разработаны пейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля параметре ГТД, интегрированные в составе исследовательского прототипа бортовой пейросетевой системы контроля параметров «Борт-Нейро», применение которых позволяет повысить эффективность контроля параметров ГТД.

Обоснованность и достоверность результатов Обоснованность комплекса системных моделей процесса контроля параметров ГТД подтверждается корректностью формализации и обоснованностью требований к выбору соответствующих методов, алгоритмов и их реализации в рамках SADT - методологии и IDEF - технологий.

Обоснованность и достоверность разработанных нейросетевых алгоритмов подтверждается результатами моделирования и решения практической задачи бортового контроля параметров ГТД, а также их использованием в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро». Достоверность основных результатов работы подтверждена решением широкого спектра практических задач и внедрением этих результатов в ФГУП ГННП «Молния».

Практическая значимость результатов

Практическая ценность результатов, полученных в диссертации, заключается в разработке:

1. Комплекса системных моделей процесса контроля параметров ГТД, позволяющий выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой нейросетевой системы контроля параметров.

2. Методики идентификации бортовых моделей ГТД, на основе нейросетевых технологий, позволяющей проводить идентификацию НС-моделей ГТД в условиях неполноты измеренной информации.

3. Алгоритма определения отказов измерительных каналов на основе бортовых нейросетевых алгоритмов, позволяющий эффективно и качественно осуществлять локализацию отказов; алгоритма восстановления значений параметров авиационного двигателя на основе адекватных НС-моделей, позволяющий эффективно и качественно восстанавливать потерянную информацию.

4. Модифицированного алгоритма обучения нейронных сетей Левенберга - Марквардта, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза, а также бортовой алгоритм адаптации НС-моделей ГТД, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД.

5. Нейросетевых модулей, зарегистрированных в РОСАПО, для решения задач контроля параметров ГТД, интегрированные в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро», применение которых позволяет повысить эффективность контроля параметров ГТД

Результаты работы в виде методов, алгоритмов, методик и программного обеспечения внедрены в ФГУП УНПП «Молния» и в учебный процесс кафедры ВТ и ЗИ УГАТУ.

Апробация работы

Основные научные и практические результаты диссертационной работы докладывались и обсуждались на следующих конференциях: Всероссийская молодежная научно-техническая конференция «Интеллектуальные системы управления и обработки информации», Уфа, 2003; Вторая всероссийская научно-техническая конференция с международным участием «Мехатропика, Автоматизация, Управление», Уфа, 2005; Федеральная итоговая научно-техническая конференция творческой молодежи России, Москва, 2003; Студенческие научно-технические конференции, УГАТУ, Уфа, 2001-2007 г.

Публикации

Основные положения и результаты исследований по теме диссертации опубликованы в 20 работах, включая 1 статью в рецензируемом журнале из списка ВАК РФ, 16 публикаций в центральных журналах, материалах Всероссийских и Международных конференций, 3 свидетельства о регистрации программного обеспечения в РосАПО.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав, заключения, приложений, библиографического списка и изложена на 161 страницах. Библиографический список включает в 132 наименования литературы.

ЗАКЛЮЧЕНИЕ

1. Предложена концепция построения бортовых алгоритмов восстановления информации измерительных каналов, на основе технологии нейронных сетей, позволяющих эффективно и качественно восстанавливать потерянную информацию в режиме реального времени.

2. Разработан комплекс функциональных моделей процесса контроля измерений параметров авиационного двигателя на основе IDEF технологий, что позволило выделить основной спектр задач и сформулировать требования к их реализации в составе бортовой нейросетевой интеллектуальной системы контроля технического состояния ГТД; разработан комплекс информационных моделей процесса контроля измерений параметров авиационного двигателя, на основе технологии IDEF/1X, что позволило определить логическую структуру и механизмы взаимодействия отдельных интеллектуальных компонент в составе разрабатываемой бортовой нейросетевой интеллектуальной системы контроля измеряемых параметров авиационного ГТД; построена динамическая модель процесса контроля измеряемых параметров авиационного двигателя на основе IDEF/CPN, что позволило определить требования к механизму логического вывода в процессе выполнения функций контроля измеряемых параметров бортовой нейросетевой интеллектуальной системой.

3. Предложена методика идентификации НС-моделей ГТД и АНС, на основе нейросетевых технологий, позволяющая получать качественное решение задачи контроля измеряемых параметров ГТД в условиях бортовой реализации.

4. Предложен алгоритм определения отказов измерительных каналов и восстановления потерянной информации на основе НС-моделей ГТД, позволяющий локализовать отказ и восстановить потерянную информацию с погрешностью не более 0,9% от диапазона изменения значения параметра. Время реализации бортовых алгоритмов на базе процессора ST10F269 не превысило 1,67 мс (0,5 мс для реализации прямой НС-модели ГТД, 0,18 мс для реализации обратной НС-модели ГТД, 0,99 мс для реализации АНС), объем памяти, необходимый для реализации бортовых алгоритмов, составил 5 Кб (1,5 Кб для хранения коэффициентов прямой НС-модели ГТД, 600 байт для хранения коэффициентов обратной НС-модели ГТД, 2,5 Кб для хранения коэффициентов АНС и 400 байт для хранения промежуточных результат), что в условиях развития современной аппаратной базы позволяет с минимальными затратами и максимальной эффективностью решать такие задачи.

5. Предложен модифицированный алгоритм обучения нейронных сетей Левенберга - Марквардта, реализация которого требует в два раза меньше оперативной памяти, а время реализации меньше на 24%. Данный алгоритм разработан на базе языка программирования С, что позволяет встраивать его в виде программного кода, который является модифицируемым, расширяемым и позволяет максимально учесть основные особенности большинства решаемых задач в бортовых условиях. Разработан алгоритм адаптации НС-моделей в бортовых условиях, позволяющий максимально учесть индивидуальные параметры конкретного авиационного двигателя. Установлено, что наиболее ресурсоемкой операцией этого алгоритма является процесс обучения нейронных сетей, реализация которого в бортовых условиях показала, что для осуществления процесса обучения нейронных сетей в режиме реального времени необходим микропроцессор с производительностью не ниже 100 MFLOPS. Предложен аналог используемого в настоящее время микропроцессора (ST10F269) TMS320C6727B, фирмы Texas Instruments Incorporated, который с одной стороны имеет производительность на уровне 2GFLOPS, с другой стороны обладает необходимыми характеристиками для использования в бортовых условиях. Таким образом, микропроцессор TMS320C6727B может быть использован в перспективных БКИП, БСКД и САУ ГТД для реализации алгоритма обучения НС в рамках бортового вычислителя так и для решаемых в настоящий момент задач в рамках БКИП ГТД.

6. Разработано программное обеспечение для идентификации НС-моделей ГТД и АНС, реализующее предложенную методику, которое основано на объектно-ориентированной парадигме, позволяющей использовать инкапсуляцию, наследие и полиморфизм для модернизации и модификации разработанных бортовых алгоритмов. Применение широко используемого языка программирования С позволяет реализовывать данные алгоритмы на множестве альтернативных вычислительных платформ, которые содержат в своем составе компилятор языка С.

1. Абовский Н.П., Деруга А.П. и др. Нейроуправляемые конструкции и системы. М.: Радиотехника, 2003. - 368 с.

2. Августинович В.Г. и др. Идентификация систем управления авиационных газотурбинных двигателей. Под редакцией Дедеша В.Т. М.: Машиностроение, 1984.-200 с.

3. Агеев Д.А., Балухто А.Н. и др. Нейроматематика. Кн. 6. учеб. Пособие для вузов./ Общая ред. Галушкина А.И. М.: ИПРЖР, 2002. - 448 с.

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

5. Алберг Дж., Нильсон Э., Уолш Дж. Теория сплайнов и ее приложения. М.: Мир, 1972. - 219 с.

6. Балухто А.Н., Балуев В.И. и др. Нейрокомпьютеры в системах обработки изображений. Кн 7: Коллективная монография / Общая ред. Галушкина А.И. М.: ИПРЖР, 2003. - 192 с.

7. Бахвалов Н.С., Жидков Н.П., Кобельков Г.М. Численные методы. -М: Наука, 1987.- 598 с.

8. Блюмин С.Л., Погодаев А.К. Рекуррентно-итерационные алгоритмы адаптивной идентификации нелинейных динамических объектов // Автоматика и телемеханика. 2003. №10. С. 80-86.

9. Боев Б.В., В.В. Бугровский и др. Идентификация и диагностика в информационно-управляющих системах авиакосмической энергетики. М.: Наука, 1998.- 168 с.

10. Болквадзе Г.Р. Идентификация нелинейных стохастических объектов Гаммерштейна // Автоматика и телемеханика. 2002. № 4. С.91-104.

11. Болквадзе Г.Р. Класс моделей Гаммерштейна в задачах идентификации стохастических систем // Автоматика и телемеханика. 2003. №1. С42-55.

12. Болквадзе Г.Р. Модель Гаммерштейна-Винера в задачах идентификации стохастических систем // Автоматика и телемеханика. 2003. №9. С. 60-76.

13. Бронников A.M., Круглов С.П. Упрощенные условия адаптируемости системы управления с идентификатором и эталонной моделью// Автоматика и телемеханика. 1998. № 7. С. 107-117.

14. Бунич АЛ. Пассивная и активная идентификация линейного дискретного объекта с ограниченной помехой // Автоматика и телемеханика. 2003. №11. С. 60-73.

15. Буштрук А.Д., Буштрук Т.Н. Корреляционно-спектральный метод идентификации квазистационарных временных процессов. 2005. №2. С.46-54.

16. Валеев С.С. Шилоносов А.А., Каримов И. А. Нейросетевая интерполяция характеристик ТВВД. Труды Российско-Китайского симпозиума по актуальным проблемам авиадвигателестроения, УГАТУ-НУАА, Уфа, 1999. -С. 111-115.

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

18. Васильев А.Н., Граничин О.Н. и др. Современные проблемы нейроинформатики. Кн. 23. Часть 2 . Коллективная могография/ Под ред. Нечаева Ю.И. М.: Радиотехника, 2006. - 80 с.

19. Васильев В.И. Экспертные системы: Управление эксплуатацией сложных технических объектов: Учеб. пособие для вузов / В.И. Васильев, С.В. Жернаков; УГАТУ.-Уфа: Б.и., 2003.-106 с

20. Васильев В.И., Валеев С.С. и др. Интерполяция динамических характеристик винтовентилятора ТВВД с помощью нейронных сетей: Межвуз. научный сборник «Вычислительная техника и новые информационные технологии». Уфа: УГАТУ, 1999.-С. 139- 147.

21. Васильев В.И., Валеев С.С. и др. Применение пейросетевых моделей реального времени в системах управления ГТД. Труды 2-й Всероссийской научно-технической конференции «Нейроинформатика-2000», Ч. 1 .М.:МИФИ, 2000. С. 236 - 242.

22. Васильев В.И., Валеев С.С. Применение нейросетевых моделей для обеспечения отказоустойчивости САУ ГТД. Материалы Республиканской НТК

23. Интеллектуальное управление в сложных системах-99». Уфа.: УГАТУ, 1999. -С. 54-56.

24. Васильев В.И., Жернаков С.В., Фрид А.И. и др. Нейрокомпьютеры в авиации (самолеты) / Под ред. Васильева В.И., Ильясова Б.Г., Кусимова С.Т. Кн. 14: Учеб. пособие для вузов. М.: Радиотехника, 2003. - 496 с.

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

26. Виленкин Н.Я. Итерационные методы. М.: Наука, 1984. - 324 с.

27. Галушкин А.И. Современные направления развития пейрокомпьютерных технологий в России. Открытые системы, 1997, №4 (24), С.25-28.

28. Галушкин А.И. Теория нейронных сетей. Кн. 1. Сер.: «Нейрокомпьютеры и их применение» / Общая ред. Галушкина А.И. М.: ИПРЖР, 2000.-210 с.

29. Гинсберг К.С. Основы системного моделирования реального процесса структурной идентификации: ключевые понятия // Автоматика и телемеханика. 1998. № 8. С. 97-108.

30. Гинсберг К.С. Системные закономерности и теория идентификации // Автоматика и телемеханика. 2002. №5. С. 156-170.

31. Головко В.А. Нейронные сети: обучение, организация и применение. Кн. 4: учеб. Пособие для вузов / Общая ред. Галушкина А.И. М: ИПРЖР, 2001.-256 с.

32. Горбань А.Н. Обучение нейронных сетей. М.: ПараГраф. 1990. -160 с.

33. Горбаченко В.И. Нейрокомпьютеры в решении краевых задач теории поля. Кн. 10: Учеб. пособие для вузов.-М.: Радиотехника, 2003.-336 с.

34. Горлатых С.В. Проблемы обеспечения эффективного контроля работоспособности и диагностирования электронного оборудования современных самолетов// Проблемы безопасности полетов. М.: ВИНИТИ, 1989. №12. С. 3-17.

35. Горлатых С.В. Совершенствование средств и методов эксплуатации современных воздушных судов // Проблемы безопасности полетов. М.: ВИНИТИ, 1988. №12. С.38-55.

36. Горлатых С.В. Средства и методы контроля работоспособности и диагностирования силовых установок современных траспортных самолетов // Проблеммы безопасности полетов. М.: ВИНИТИ, 1990. № 5 С.67-85.

37. Гузик В.Ф., Ермаков А.Е. и др. Нейрокомпьютеры в системах обработки сигналов. Кн. 9. Коллективная монография /Под ред. Галушкина А.И и Гуляева Ю.В. М.: Радиотехника, 2003. - 224 с.

38. Дорогов А.Ю., Ермоленко А.С. и др. Современные проблемы нейроинформатики. Кн. 23. Часть 1. Коллективная могография/ Под ред. Нечаева Ю.И. М.: Радиотехника, 2006. - 80 с.

39. Ефимов В.В., Козырев Г.И. и др. Нейрокомпьютеры в космической технике. Кн. 17. М.: Радиотехника, 2004. - 320 с.

40. Завьялов Ю.С., Квасов Б.И., Мирошниченко B.JI. Методы сплайн функций. М.: Наука, 1980. - 290 с.

41. Задача контроля информационных каналов авиационного ГТД в бортовых условиях / Жернаков С.В., Муслухов И.И.// Весник СГАУ имени ак. С.П. Королева, №2 1, - 2006, - С. 157-161.

42. Зверев Г.Н. Основания теоретической информатики: 4.6, Морфология и алгоритмика структуры систем и процессов. - Уфа: УГАТУ, 1997. - 121 с.

43. Зозуля Ю.И. Интеллектуальные нейросистемы. Кн. 12. М.: Радиотехника, 2003. - 144 с.

44. Иванов А.И. Нейросетевые алгоритмы биометрической идентификации личности. Кн. 15: Монография. М.: Радиотехника, 2004. - 144 с.

45. Интегральный робот. Кн. 20. Сб. статей/ Под ред. Харламова А.А. -М.: Радиотехника, 2006. 144 с.

46. Калиткин Н.Н. Численные методы. М: Наука, 1978. - 192 с.

47. Киреев В.И. Численные методы в примерах и задачах: Учебное пособие. М.: Высшая школа, 2004. - 480 с.

48. Киреев В.И. Численные методы решения задач алгебры и теории приближений. -М.: Изд-во МАИ, 1991. 214 с.

49. Кирсанов Э.Ю. Нейрокомпьютеры с параллельной архитектурой. Кн. 16. М.: Радиотехника, 2004. - 496 с.

50. Клейман Е.Г. Идентификация нестационарных объектов // Автоматика и телемеханика. 1999. № 10. С. 3-45.

51. Клейман Е.Г., Мочалов И.А. Идентификация нестационарных объектов // Автоматика и телемеханика. 1994. №2. С. 3-22.

52. Корнейчук Н.П. Сплайны в теории приближения. М: Наука, 1984.

53. Корсун О.Н. Алгоритм идентификации динамических систем с функционалом в частотной области // Автоматика и телемеханика. 2003. № 5. С. 111-121.

54. Куликов Г.Г., Арьков В.Ю. Марковские модели динамических систем // Вестник УГАТУ, Уфа. 2002, №2, Том 3. С. 137-144.

55. Куликов Г.Г., Арьков В.Ю. Марковские моделирование динамических объектов для полунатурных испытаний // Изв. РАН. Теория и системы управления. 2000. №2. С. 124-128.

56. Куликов Г.Г., Арьков В.Ю., Брейкин Т.В. К вопросу о контроле информационно-измерительных каналов в цифровых двух канальных САУ авиационных двигателей.// Известия вузов. Авиационная техника, 1995, №4. С. 75-79.

57. Куликов Г.Г., Арьков В.Ю., Брейкин Т.В. О применении моделей Маркова в полунатурных стендах для проверки ЦСАУ ГТД.// Труды международной научно-технической конференции «Управление-96», г. Эксетер (Великобритания), 1996. С. 120-124.

58. Куликов Г.Г., Набатов А.Н., Речкалов А.В. Автоматизированное проектирование информационно-управляющих систем. Уфа: УГАТУ, 1998. -104 с.

59. Куликов Г.Г., Флеминг П. Дж., Брейкин Т.В., Арьков В.Ю. Марковские модели сложных динамических систем: идентификация, моделирование и контроль состояния. Уфа: Изд-во УГАТУ, 1998, 104 с.

60. Льюнг Л. Идентификация систем. Теория для пользователя: Пер. с англ./ Под ред. Я.З. Цыпкина. М.: Наука. Гл. ред. физ.-мат. лит., 1991. - 432 с.

61. Марко Д., МакГоен К. Методология структурного анализа и проектирования. М.: Метатехнология, 1992. -239 с.

62. Мартынов Н.Н. Введение в MATLAB 6. М.: КУДИЦ-ОБРАЗ, 2002.-352 с.

63. Мастер создания, обучения и тестирования автоассоциативных нейронных сетей./ Жернаков С.В., Муслухов И.И.// Свидетельство об официальной регистрации программы для ЭВМ №2003612143 от 15.09.2003.

64. Медведев B.C., Потемкин В.Г. Нейронный сети Matlab 6. М.: Диалог-МИФИ, 2002. - 496 с.

65. Мерил У.К. Обнаружение отказов датчиков ГТД за счет аналитической избыточности // Аэрокосмическая техника. 1996. - №6 - С.28 - 41.

66. Метод восстановления значений с отказавших датчиков / Жернаков С.В., Муслухов И.И.// Туполевские чтения: сб. матер. XII Всероссийской научно-технической конференции. Казань: Изд-во Казань, гос. техн. ун-та, 2005. Т. 3. С. 142-143.

67. Методология IDEF0. Функциональное моделирование. М.: Метатехнология, 1993. 1 17 с.

68. Методология IDEF IX. Функциональное моделирование. М.: Метатехнология, 1993. 120 с.

69. Минаев Ю.Н., Филимонова О.Ю. и др. Методы и алгоритмы идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. -М.: Горячая линия Телеком, 2003. - 203 с.

70. Моделирование газодинамического тракта авиационного двигателя в бортовых условиях/ Жернаков С.В., Муслухов И.И.// Моделирование неравновесных систем 2006: сб. матер, всероссийского семинара. Красноярск: Изд-во ИВМ СО РАН, 2006. С. 75-76.

71. Муравьев Е.А., Лаппо В.Г. Предобработка информации при реализации нейросетевых технологий // Нейрокомпьютеры разработка и применение. 2004. - №7-8. - С.105-110.

72. Назаров А.В. Алгоритм восстановления данных па основе нейронной сети Хопфилда с неограниченной функцией активации. // Нейрокомпьютеры разработка и применение. 2004. - №5-6. - С.79-83.

73. Нейросетевой метод восстановления информации с датчиков ГТД/ Жернаков С.В., Муслухов И.И.// Нейроинформатика и ее приложения 2005: сб. науч. тр. восьмого всероссийского научного семинара Красноярск: Изд-во ИВМ СО РАН, 2005. С. 61-62.

74. Нечаев Ю.И. Принцип использования нейронных сетей в бортовых интеллектуальных системах // Нейрокомпьютеры: разработка, применение. 2004. №7-8. С-49-56.

75. Оссовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2004. - 344 с.

76. Парирование отказов датчиков нейронными сетями для повышения отказоустойчивости газотурбинных двигателей / Васильев В.И., Жернаков С.В., Муслухов И.И. // Сборник статей «Вычислительная техника и новый информационные технологии», 2003, - С. 35-41.

77. Пашаев A.M., Аскеров Д.Д. и др. Система нечетко-нейронной идентификации технического состояния авиационных ГТД // Сборник тезисов докладов, том 2. -М.:ЦИАМ. 2005. С. 253-256.

78. Пашаев A.M., Садыхов Р.А. и др. Комплексная методика идентификации технического состояния авиационных газотурбинных двигателей.// Контроль и Диагностика. 2005. №5. С. 16 -22.

79. Прангишвили И.В., Лотоцкий В.А., Гинсберг К.С. Международная коференция. «Идентификация систем и задачи управления» // Вест. РФФИ.2001. №3. С. 44-57.

80. Применение нейрокомпьютеров в ракетно-космической технике. Кн. 21. Сб. статей / Под ред. Ефимова В.В. М.: Радиотехника, 2006. - 104 с.

81. Проблема связей и отношений в материалистической диалектике. Под ред. Тюхтина B.C. М.: Наука, 1990. 285 с.

82. Проблемы проектирования и развития систем автоматического управления и контроля ГТД./Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. -М.Машиностроение, 1999. 650 с.

83. Разработка нейросетевого метода повышения отказоустойчивости авиационного ГТД / Муслухов И.И. // Туполевские чтения: сб. матер. XI Всероссийской научно-технической конференции. Казань: Изд-во Казань, гос. техн. ун-та, 2003. Т. 3. С. 77.

84. Розенблат Ф. Принципы нейродинамики: Персептрон и теория механизмов мозга: Пер. с англ. М.: Мир, 1965. - 176 с.

85. Сигеру Омату, Марзуки Халид и др. Нейрокомпьютеры и их применение. / Под ред. Галушкина А.И. М.: ИПРЖР, 2000. - 272 с.

86. Система идентификации нейросетевой математической модели «Борт Нейро» / Жернаков С.В., Муслухов И.И.// Свидетельство об официальной регистрации программы для ЭВМ №2007612510 от 15.06.2007.

87. Скурихин А.Н. Нейронные сети: определения, концепции, применение. М.: ЦНИИ управления экономики и информатики, 1991. - 128 с.

88. Соболев Л.Г. Идентификация экспериментальных трендов методами Lx преобразования //Автоматика и телемеханика. 2004. №1. С. 82-96.

89. Соболев Л.Г. Идентификация экспериментальных трендов операционными методами q-преобразования // Автоматика и телемеханика.2002. № 1.С. 42-55.

90. Соболев Л.Г. К вопросу об идентификации экспериментальных трендов// Контроль и Диагностика. 2004. №6. С39-42.

91. Соболев Л.Г. Об одном операционном методе идентификации экспериментальных трендов // Автоматика и телемеханика. 2000. № 11. С. 114122.

92. Соболев Л.Г. Операционные методы в задачах идентификации экспериментальных функций тренда // Автоматика и телемеханика. 1997. № 2. С. 100-107.

93. Стечкин С.Б., Субботин Ю.Н. Сплайны в вычислительной математике. М.: Наука, 1976. - 398 с.

94. Сухарев А.Г., Тимохов А.В., Федоров В.В. Курс методов оптимизации. -М: Наука, 1986, 328 с.

95. Тархов Д.А. Нейронные сети как средство математического моделирования. Кн. 22. М.: Радиотехника, 2006. - 48 с.

96. Тархов Д.А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника, 2005. - 256.

97. Терехов В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления. Изв. РАН. Сер.: Теория и системы управления, 1996, №3, С. 70-79.

98. Терехов В.А., Ефимов Д.В. и др. Нейросетевые системы управления. Кн. 8: Учеб. Пособие для вузов/ Общая ред. Галушкина А.И. М.: ИПРЖР, 2002.-480 с.

99. Усков А.А., Санатин Д.В. Сравнение алгоритмов идентификации статических объектов при наличии аддитивного шума // Нейрокомпьютеры: разработка, применение. 2005. №5. С. 46-49.

100. Хайкин С. Нейронные сети: полный курс, 2-е издание. М: Издательский дом «Вильяме», 2006. - 1104 с.

101. Харламов А. А. Нейросетевая технология представления и обработки информации (естественное представление знаний). Кн. 19. Монография/ под ред. Галушкина А.И. М. Радиотехника, 2006. - 88 с.

102. Чадеев В.М. Цифровая идентификация нелинейных динамических объектов // Автоматика и телемеханика. 2004. №12. С. 85-93

103. Червяков Н.И., Сахнюк П.А. и др. Нейрокомпьютеры в остаточных классах. Кн. 11: Учеб. пособие для вузов. М.: Радиотехника, 2003. - 272 с.

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

105. Шеннон Р. Имитационное моделирование систем. Искусство и паука. М.: Мир, 1978.-418 с.

106. Эйкхофф П. Основы идентификации систем управления./ Под ред. Н.С. Райбмана. М.: Изд-во Мир, 1975. - 683 с.

107. Экспертная система «Эксперт Нейро» / Жернаков С.В., Муслухов И.И.// Свидетельство об официальной регистрации программы для ЭВМ №2004611145 от 11.05.2004.

108. Barron A.R. Approximation and estimation bounds for artificial neural networks. Machine learning.-Vol. 14, 1994. P. 115-133.

109. Checn D., Jain C. A robust back propagation learning algorithm for function approximation // IEEE Trans. Neural Networks, 1994 Vol. 5. P. 467 - 479.

110. Gill P. Murray W., Wright M. Practical Optimization. N.Y. Academic Press, 1981.-246 p.

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

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

113. Guo Т., 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.

114. 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.

115. Napolitano M.R., Chen C.I. and Naylor S., Aircraft failure detection and identification using neural networks. AIAA Jurnal Guidance, Control and Dynamics. 16. 1993. P. 999-1009.

116. Napolitano M.R., Neppach C., Casdorph V., Naylor S., Innocenti M. Sensor validation using neural-network-based on-line learning neural networks // IEEE Transactions on Aerospace and Electronic System. Vol. 34. №2. April, 1998. P. 456-468.

117. Napolitano Marcello R., Casdorph V., Neppach C., Naylor S. and other. Online learning neural architectures and cross-correlation analysis for actuator failure detection and identification // Int. J. Control. Vol. 63. 1996. № 3. P. 433-455.

118. P. Wasserman, Neurocomputing. Theory and practice, Nostram Reinhold, 1990. Рус. перевод. Ф.Уоссермэн. Нейрокомпьютерная техника М.: Мир, 1992.- 127 р.

119. Tranchero Bruno, Latorre Cosimo. Neural network-based virtual sensors if flight control systems // Preprints of the 15th IFAC symposium on automaticcontrol in aerospace. Faculty of Engineering Bolonga: Flori, Italy. September 2-7. 2001. P. 416-421.

120. Web-сайт: http://www.idef.com/

121. Youssef H.M. Comparsion of neural networks in nonlinear system modeling // World Congress On Neural Networks. Vol. 4. 1993. P. 5-9.

122. Zhang Y., Rong X. Li. Detection and diagnosis of sensor and actuator failures using 1MM estimator // IEEE Transactions on Aerospace and Electronic System. Vol. 34.-№4. October, 1998. P. 1293 1311.