Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации тема диссертации и автореферата по ВАК РФ 05.13.01, кандидат технических наук Добродеев, Илья Павлович

• Добродеев, Илья Павлович
• кандидат технических наук
• 2010

Оглавление диссертации кандидат технических наук Добродеев, Илья Павлович

Условные сокращения и обозначения.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД.

1.1 Направления диагностики ГТД и типы диагностических задач.

1.2 Анализ особенностей методов искусственного интеллекта.

1.3 Анализ существующих методов диагностики технического состояния ГТД на основе нейронных сетей.

1.3.1 Реализация подзадачи оперативного контроля.

1.3.2 Реализация задачи классификации технического состояния ГТД.

1.3.3 Анализ трендов параметров ГТД.

1.3.4 Комбинирование нейросетевых структур с другими интеллектуальными методами.

1.4 Анализ особенностей нейросетевых моделей при решении задач.

1.4.1 Анализ проблем нейросетевого диагностирования ГТД.

1.4.2 Анализ методов оптимизации структуры нейросетевых моделей.38 ■

1.5 Выводы по главе.

ГЛАВА 2. ФОРМАЛИЗАЦИЯ ПОДХОДОВ К ПОСТРОЕНИЮ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ОСНОВНЫХ ТИПОВ ЗАДАЧ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД.

2.1 Особенности ГТД как объекта диагностирования.

2.2 Концепция функционально прозрачных нейронных сетей.

2.3 Формализация принципов решения основных диагностических задач с использованием моделей ФПНС.

2.3.1 Формирование ФПНС для описания моделей исправного состояния

2.3.2 Формирование ФПНС для моделей трендового контроля параметров

2.3.3 Формирование ФПНС для реализации прогнозирующих моделей.

2.3.4 Формирование ФПНС для моделей классификации текущего технического состояния ГТД.

2.4 Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА И ОПТИМИЗАЦИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ДИАГНОСТИКИ ГТД.

3.1 Разработка и исследование способа самоорганизации персептронов на основе функционального расширения селективных алгоритмов.

3.1.1 Модель нейрона с адаптивной функциональностью в структуре самоорганизующихся нейросетей.

3.1.2 Самоорганизация нейросетей с растущим числом межнейронных связей.

3.1.3 Выбор критериев оценки качества обучения отдельного нейрона и самоорганизации слоя нейросети.

3.1.4 Способы селекции нейронов в слое и критерии завершения самоорганизации.

3.1.5 Исследование алгоритма самоорганизации и обучения нейросети.

3.2 Разработка и исследование способа топологической самоорганизации нейросети Кохонена.

3.3.1 Разработка принципов топологической самоорганизации нейросети Кохонена.

3.3.2 Разработка и исследование алгоритма топологической самоорганизации нейросети Кохонена.

3.3.2 Исследование алгоритма топологической самоорганизации нейросети Кохонена.

3.3 Разработка способа адаптации нейросети Хэмминга к работе с непрерывными входными векторами.

3.2.1 Модель нейрона в слое расширения размерности.

3.2.2 Характеристики слоя расширения размерности.

3.2.3 Исследование функционирования слоя расширения размерности.

3.4 Выводы по главе.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ФПНС МОДЕЛЕЙ ПРИ РЕШЕНИИ ОСНОВНЫХ ЗАДАЧ ДИАГНОСТИКИ ГТД.

4.1 Методика проведения экспериментов.

4.2 Экспериментальное исследование описания исправного состояния ГТД с использованием ФПНС моделей.

4.3 Экспериментальное исследование выявления тренда в характеристиках двигателя с использованием ФПНС моделей.

4.4 Экспериментальное исследование прогнозирования изменения характеристик ГТД при помощи ФПНС моделей.

4.5 Экспериментальное исследование ФПНС моделей классификации технического состояния ГТД.

4.6 Разработка способа комплексного диагностирования ГТД на основе ФПНС моделей.

4.7 Выводы по главе.

Введение диссертации (часть автореферата) на тему «Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации»

Актуальность темы. Газотурбинный двигатель является сложной технической системой. Развитие подходов к диагностике технического состояния ГТД идёт в нескольких направлениях: разработка новых физических принципов диагностики, разработка диагностических средств и систем, совершенствование алгоритмических процедур. Актуальность вопросов диагностики достаточно высока, учитывая, что имеются тенденции к разработке двигателей с большими ресурсами и с большей эксплуатационной нагрузкой. Цена неисправности, разрушения или катастрофы чрезвычайно высока, особенно когда речь идёт о человеческих жизнях. Разработка систем диагностики позволяет повысить безопасность эксплуатации ГТД.

Важность направления определяется, в том числе совершенствованием алгоритмического обеспечения, дающего расширение возможностей диагностических моделей и повышение достоверности диагностирования. В работах С. В. Жернакова, А. М. Пашаева, А. Г. Кучера, П. И. Ракова и других показаны преимущества использования методов искусственного интеллекта, таких как нейронных сети, нечеткая логика, экспертные системы перед классическими методами диагностики при решении вопросов связанных с распознаванием неисправностей ГТД. Это обусловлено тем, что системы искусственного интеллекта обладают высокими адаптационными характеристиками, могут решать сложные задачи по классификации и распознаванию образов, что является одним из ключевых моментов в диагностике. При этом из различных методов искусственного интеллекта для решения задач диагностики ГТД наиболее эффективными являются нейронные сети.

Анализ тенденций развития методов диагностики показал, что к ним предъявляются следующие требования:

- достоверность оценки технического состояния ГТД;

- интеллектуализация процессов управления и контроля ГТД;

- универсальность механизмов обработки и анализа информации.

Существующие подходы к использованию интеллектуальных методов диагностики ограничены специфичностью решаемых задач, недостаточной разработанностью теории применения нейронных сетей для диагностирования ГТД, отсутствием универсальных и формализованных подходов, несовершенством самих нейросетевых методов.

В связи с этим актуальными являются вопросы разработки общих принципов формирования нейросетевых диагностических моделей для решения основных задач диагностики технического состояния ГТД, а также вопросы оптимизации нейросетевых методов для более эффективного их использования при диагностирования технического состояния газотурбинных двигателей.

Объектом исследования являются нейросетевые диагностические системы газотурбинных двигателей.

Предметом исследования является методология формирования эффективных нейросетевых диагностических моделей технического состояния сложных технических объектов.

Цель работы и задачи исследования. Цель диссертационной работы заключается в повышении эффективности нейросетевых методов решения основных типов диагностических задач ГТД путем оптимизации нейросетевых моделей на основе функциональной адаптации.

Для достижения поставленной цели необходимо:

- провести системный анализ методов и систем диагностики технического состояния ГТД для выявления наиболее перспективных тенденций и существующих проблем;

- разработать общую концепцию использования нейронных сетей при диагностике технического состояния ГТД для унификации диагностических подходов;

- разработать принципы формирования нейронных сетей и модели на их основе для решения основных типов диагностических задач ГТД;

- разработать и исследовать способы и алгоритмы реализации нейросетевых диагностических моделей ГТД;

- провести экспериментальное исследование разработанных моделей и алгоритмов для ГТД различного типа и назначения;

- на основе проведенного исследования разработать общую структуру нейросетевой диагностической системы.

Методы исследования. Исследование проведено на основе системного анализа с использованием теории нейронных сетей; теории распознавания образов; комбинаторики; дифференциального исчисления; методов: нечеткой логики, математической статистики, группового учета аргументов, планирования эксперимента, интерполяции и аппроксимации; математического, компьютерного и имитационного моделирования.

Научная новизна.

1. Разработана концепция функционально прозрачных нейронных сетей, обеспечивающая построение эффективных нейросетевых диагностических моделей на универсальных принципах и реализующая индивидуальный подход к решению задачи диагностирования ГТД.

2. На базе концепции функционально прозрачных нейронных сетей разработаны подходы к формированию нейросетевых структур, отличающихся функциональной адаптацией для решения основных типов диагностических задач ГТД.

3. Разработаны новые нейросетевьте структуры и алгоритмы:

- модели искусственного нейрона: расширенная модель и модель для слоя расширения размерности;

- нейросетевая архитектура, обеспечивающая расширение размерности диагностических признаков и перевод их из непрерывного вектора в биполярный вектор, который используется классифицирующей нейронной сетью Хэм-минга для эффективного распознавания классов состояния;

- алгоритм самоорганизации нейронной сети прямого распространения на базе метода группового учета аргументов с использованием расширенной модели нейрона и принципа растущего числа межнейронных связей;

- алгоритм топологической самоорганизации структуры нейронной сети Кохонена.

Практическая ценность диссертационной работы заключается, в следующем:

- предложена структура универсальной нейросетевой диагностической системы, реализующая индивидуальный подход к решению задачи диагностирования ГТД;

- разработанные диагностические модели обладают способностью функциональной адаптации к различным типам сложных технических объектов;

- разработано программное обеспечение, обеспечивающее формирование функционально прозрачных нейронных сетей для решения основных типов диагностических задач.

Реализация и внедрение основных результатов работы. Основные реi зультаты работы внедрены на ОАО «НПО «Сатурн» для диагностирования двигателей ГТД-6/8РМ, М70ФРУ, М75РУ, использованы на ОАО «Сатурн - Газовые турбины» и в учебном процессе ГОУ ВПО РГАТА, что подтверждается соответствующими актами о внедрении и использовании.

Апробация результатов исследования. Основные научные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

- «Проблемы исследования и проектирования машин»: III международная научно-техническая конференция, - Пенза, 2007;

- «Исследования и перспективные разработки в авиационной промышленности»: IV Научно-практическая конференция молодых учёных и специалистов, - Москва, 2007;

- «Navy and Shipbuilding nowadays»: IV International conference, — Санкт-Петербург, 2007;

- «Теория и практика системного анализа»: I Всероссийская научная конференция молодых учёных, - Рыбинск, 2010;

- «Информационные технологии в науке, образовании и производстве 2010»: IV Научно-техническая конференция, - Орел, 2010;

- «Кибернетика и высокие технологии XXI века» (С&Г2010): XI Международная научно-техническая конференция, - Воронеж, 2010;

- на заседаниях кафедры вычислительных систем РГАТА (2007, 2008, 2009, 2010 г.).

Публикации. Основной материал диссертации опубликован в 12 печатных работах, в т. ч. 2 статьи - в рецензируемых научных журналах, входящих в Перечень ВАК, имеется 2 свидетельства о регистрации программ для ЭВМ.

Структура диссертации. Диссертационная работа состоит из введения, четырех глав с выводами к каждой из них, заключения, списка использованных источников, включающего 113 наименований, 4 приложений.

Заключение диссертации по теме «Системный анализ, управление и обработка информации (по отраслям)», Добродеев, Илья Павлович

Основные результаты работы были внедрены на ОАО «НПО «Сатурн», использованы в конструкторском отделе по системам автоматического управления при разработке подходов, методик и алгоритмов диагностирования для двигателей ГТД-6/8РМ, М70ФРУ, Е70/8РД, использованы на ОАО «Сатурн -Газовые турбины» и в внедрены в учебный процесс ГОУ ВПО РГАТА им. П. А. Соловьева на кафедрах «МПО ЭВС», «ЭМ и ЭИС», «ВС» в лекционных занятиях по дисциплинам «Интеллектуальные информационные системы», «Программное обеспечение автоматизированных производств» и «Системы искусственного интеллекта».

Таким образом, полученные результаты позволяют сделать вывод о том, что предложенные нейросетевые диагностические модели, способы и алгоритмы их реализации на основе функциональной адаптации для решения основных типов диагностических задач, обеспечивают достижение конечной цели диссертационной работы - повышение эффективности нейросетевых методов диагностики технического состояния ГТД.

ЗАКЛЮЧЕНИЕ

В диссертации исследованы нейросетевые методы с целью повышения5 эффективности диагностики технического состояния ГТД. На основе системного анализа были определены основные типы диагностических задач, выявлены основные проблемы использующихся методов и недостатки существующих систем диагностики. Анализ тенденций в разработке и диагностике ГТД показал необходимость разработки общих принципов формирования нейросетевых диагностических моделей и оптимизации нейросетевых методов.

В диссертационной работе получены следующие основные научные и практические результаты.

Сформулирована концепция функционально прозрачных нейронных сетей, которая позволила формализовать правила построения нейросетевых диагностических моделей с учётом как обобщенных, так и индивидуальных характеристик объекта диагностирования. На основе базовых принципов концепции разработаны модели для основных типов диагностических задач, обеспечивающие функциональную адаптацию нейросетевых моделей к особенностям сложного технического объекта, проявляющимся в процессе эксплуатации.

Для повышения эффективности разработанных ФПНС моделей были предложены и исследованы новые способы и алгоритмы самоорганизации нейронных моделей:

- разработан способ и алгоритм самоорганизации структуры НС прямого распространения на основе МГУ А, отличающийся принципом растущего числа межнейронных связей, предложенной реализацией расширенной модели нейрона и дообучением НС после самоорганизации;

- разработан способ топологической самоорганизации структуры НС Ко-хонена и алгоритм его реализации;

- предложен новый подход к решению проблемы трендового контроля как задачи НС классификации без учителя;

- предложен способ адаптации НС Хэмминга к непрерывным входным данным, отличающийся введением в структуру сети дополнительного слоя нейронов, математическая модель которых обеспечивает расширение размерности непрерывного входного вектора НС Хэмминга.

В результате исследования разработанных алгоритмов получено, что повышение эффективности НС моделей обеспечивается:

- самоорганизацией структур НС прямого распространения и НС Кохоне-на, что усиливающей функциональную адаптацию и прозрачность моделей;

- повышением точности аппроксимации характеристик ОД НС прямого распространения на основе МГУА;

- снижением общего числа нейронов в топографической карте Кохонена с сохранением классифицирующих свойств;

- повышением скорости обучения в несколько раз для НС прямого распространения и НС Кохонена за счет самоорганизации структуры;

- формированием расширенного биполярного вектора для НС Хэмминга из непрерывного входного вектора малой размерности, что повышает достоверность классификации.

Выполнено экспериментальное исследование решения задач диагностики для различных типов ГТД на основе разработанной методики и комплекса программ, которое подтвердило адекватность предложенных моделей и достоверность полученных результатов.

Эффективность решения основных диагностических задач с использованием предложенной концепции ФПНС подтверждается следующим:

- при описании моделей исходного состояния ГТД ФПНС модели обеспечивают ошибку аппроксимации многопараметрических характеристик не более 1,5 % от измеряемой величины, а при оценке нерегистрируемых характеристик не более 3 %;

- при трендовом контроле ФПНС модели позволяют по малым выборкам выявлять появление нового класса состояния во временных характеристиках ГТД;

- при прогнозировании ФПНС модели обеспечивают точность краткосрочного прогноза для основных диагностических параметров в пределах 3

10 % и для комплексных параметров в пределах 1 — 3 %;

- при классификации технического состояния ФПНС модели обеспечивают достоверное выявление однократных и двукратных неисправностей.

Разработана общая структура диагностической модели ГТД на основе ФПНС, реализующая индивидуальный подход к решению задачи диагностирования ГТД, предложен способ применения и алгоритм работы модели для постановки диагноза о техническом состоянии ГТД.

Список литературы диссертационного исследования кандидат технических наук Добродеев, Илья Павлович, 2010 год

1. Кулагин, В. В. Теория, расчет и проектирование авиационных двигателей и энергетических установок. Книга 3 Текст. / В. В. Кулагин М.: Машиностроение, 2005. - 460 с.

2. Бакулев, В. И. Теория, расчет и проектирование авиационных двигателей и энергетических установок Текст. / В. И. Бакулев, В. А. Голубев, Б. А. Крылов и др.; Под редакцией В. А. Сосунова, В. М. Чепкина М.: Изд-во МАИ, 2003.-688 с.

3. Шустов, И. Г. Двигатели 1944-2000. Авиационные, ракетные, морские, промышленные: Иллюстрированный справочник. Серия: отечественная авиационная и ракетно-космическая техника Текст. / И. Г. Шустов М.: ООО «АКС-конверсалт», 2000. - 434 с.

4. Киселев, Ю. В. Основы теории технической диагностики Текст. / Ю. В. Киселев Самара: Самар. гос. ун-т, 2004. - 138 с.

5. Биргер, И. А. Техническая диагностика. Текст. / И. А. Биргер М.: Машиностроение, 1978. -240 с.

6. Сиротин, H. Н., Техническая диагностика авиационных газотурбинных двигателей. Текст. / H. Н. Сиротин, Ю. М. Коровкин- М.: Машиностроение, 1979.-272 с.

7. Рыбалко, В. В., Безотказность и диагностика газотурбинных установок. Текст. / В. В. Рыбалко. ГОУ ВПО СПбГТУРП, 2006. - 185 с.

8. Горбань, А. Н., Нейроинформатика. Текст. / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин Новосибирск: Наука, СО РАН, 1998. -296 с.

9. Новиков, А. С. Контроль и диагностика технического состояния газотурбинных двигателей. Под редакцией, д.т.н., профессора Сиротина H. Н. Текст. / А. С. Новиков, А. Г. Пайкин , H. Н. Сиротин М.: Наука, 2007. - 469 с.

10. Васильев, В. И. Нейрокомпьютеры в авиации. Текст. /

11. В. И. Васильев, Б. Г. Ильясов, С. Т. Кусимов М: Радиотехника, 2004. - 496 с.

12. Ахмедзянов, А. И*. Диагностика состояния ВРД по термогазодинамическим параметрам. Текст. / А. И. Ахмедзянов, Н. Г. Дубравский,

13. A. П. Тунаков М.: Машиностроение, 1983. - 203 с.

14. Васильев, В. И. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. Текст. /

15. B. И. Васильев, Ю. М. Гусев, А. И. Иванов М: Машиностроение, 1989. - 240 с.

16. Глазунов, JI. П. Проектирование технических систем диагностирования. Текст. / JI. П. Глазунов, А. Н. Смирнов JL: Энергоатомиздат, 1982.

17. Елисеев, Ю. С. Технология эксплуатации, диагностика и ремонт газотурбинных двигателей. Текст. / Ю. С. Елисеев, В. В. Крымов, К. А. Малио-вский, В.Г. Попов М.: Высш. Шк. 2002. - 355 с.

18. Киселев, Ю. В. Основы теории технической диагностики. Текст. / Ю. В. Киселев Самара: Самар. гос. ун-т, 2004. - 138 с.

19. Карасев, В. А. Вибрационная диагностика газотурбинных двигателей. Текст. / В. А. Карасев, В. П. Максимов, М. К. Сидоренко М.: Машиностроение, 1978.- 132 с.

20. Дорошко, С. М. Контроль и диагностирование технического состояния газотурбинных двигателей по вибрационным параметрам. Текст. /

21. C. М. Дорошко -М.: Транспорт, 1984. 128 с.

22. Барков, А. В. Мониторинг и диагностика роторных машин по вибрации: Учеб. пособие. Текст. / А. В. Барков, Н. А. Баркова, А. Ю. Азовцев СПб.: Изд.центр СПбГМТУ, 2000. - 159 с.

23. Ахмедзянов, A.M. Вопросы технической диагностики состояния авиационных двигателей. Текст. / А. М. Ахмедзянов, JI. X. Юлдыбаев Сборник Испытания авиационных двигателей. № 5. Уфа: УАИ, 1977. - С. 17-28.

24. Гладких, Е. В. Разработка алгоритмов параметрической диагностики' газотурбинной установки наземного применения. Текст. / Е.В. Гладких, В.Ф. Халиуллин, В.Е. Воронков // Авиационно-космическая техника и технология,2006. №10 (36). - С.177 - 179.

25. Степаненко, В. П. Практическая диагностика авиационных газотурбинных двигателей. Текст. / В.П. Степаненко. М.: Транспорт, 1985. 102 с.

26. Сиротин, Н. Н. Конструкция и эксплуатация, повреждаемость и работоспособность газотурбинных двигателей и энергетических установок. Текст. / Н. Н Сиротин. М.: РИА «ИМ ИМФОРМ», 2002. - 420 с.

27. Кеба, И. В. Диагностика авиационных газотурбинных двигателей. Текст. / И. В. Кеба М.: Транспорт, 1980. - 248 с.

28. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. Текст. / Ю. П. Лукашин М.: Финансы и статистика, 2003.-415 с.

29. Жигалевский, А. А. Обнаружение разладки случайных процессов в задачах радиотехники. Текст. / А. А. Жигалевский, А. Е. Красновский Л.: Изд. Ленинградского университета, 1988. 224 с.

30. Айвазян, С. А. Прикладная статистика. Исследование зависимостей. Текст. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин М.: Финансы и статистика, 1985.-488 с.

31. Отнес, Р. Прикладной анализ временных рядов. Основные методы. Текст. / Р. Отнес, Л. Эноксон М.: Мир, 1982. - 428 с.

32. Миргород, В. Ф. Сравнительный анализ эффективности критериев тренда в задачах диагностики ГТД. Текст. / В. Ф. Миргород, Г. С. Ранченко // Авиационно-космическая техника и технология, 2005. № 8 (24).-С. 190 —194.

33. Ивахненко, А. Г. Самоорганизация прогнозирующих моделей. Текст. / А. Г. Ивахненко, И. А. Мюллер — Киев: Техшка, 1985. — 223 с.

34. Ивахненко, А. Г. Долгосрочное прогнозирование и управление сложными системами. Текст. / А. Г. Ивахненко К.: Техника, 1975. - 312 с.

35. Михлин, В. М. Прогнозирование технического состояния машин. Текст. / В. М. Михлин М. Колос, 1976. - 288 с.

36. Уоссермен, Ф. Нейрокомпьютерная техника. Текст. / Ф. Уоссермен -М.гМир, 1992. 118 с.

37. Галушкин, А. И. Теория нейронных сетей: Текст. / А. И. Галушкин -М.: ИПРЖР, 2000.-416 с.

38. Круглое, В. В. Нечеткая логика и искусственные нейронные сети. Текст. / В. В. Круглов М. И Дли, Р. Ю. Годунов М.: Физматлит, 2001. 221с.

39. Заенцев, И. В. Нейронные сети: основные модели. Текст. / И. В. За-енцев -Учебное пособие к курсу "Нейронные сети", Воронеж: ВГУ. 1999. 76 с.

40. Комарцова, JI. Г. Нейрокомпьютеры: Текст. / JT. Г. Комарцова, А. В. Максимов М.: Изд-во МГТУ им. Баумана, 2002. - 320 с.

41. Сотник, С. JL Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта»Текст. / С. JI. Сотник 1998. 70 с.

42. Добродеев, И. П. Обоснование подхода для оптимизации решения задач диагностирования технического состояния ГТД, Текст. / И. П. Добродеев, И. Н. Паламарь // Вестник РГАТА им. П.А. Соловьева. 2009. № 1(15). - С.119 -126.

43. Шуклин, Д. Е. Применение семантической нейронной сети в экспертной системе, преобразующей смысл текста на естественном языке Текст. / Д. Е. Шуклин Радиоэлектроника и информатика. X.: Изд-во ХТУРЭ, 2001. -№2.-С. 61-65.

44. Loboda, I. Neural network-based gas turbine fault recognition. Текст. / I.Loboda, V.H. Gutierrez, M. Cruz Irrison. // Авиационно-космическая техника и технология, 2007. № 9(45). - С. 130 - 137.

45. Жернаков, С. В. Применение технологий нейронных сетей для диагностики технического состояния авиационных двигателей. Текст. /

46. С. В. Жернаков // Научно-практический журнал ИжГТУ «Интеллектуальные системы в производстве». 2006. №2. — С.70 - 80.

47. Жернаков, С. В. Контроль и диагностика технического состояния ГТД с -использованием пакета прикладных программ «Диагноз». Текст. / С. В. Жернаков // Контроль. Диагностика, 2007. № 1. - С. 48 - 53.

48. Соколов, М. П. Нейросетевая диагностика двигателя по параметрам вибрации. Текст. / М.П. Соколов // Научный вестник МГТУГА 2005. № 85. -С.138- 142.

49. Конев, С. В. Применение нейросетевых технологий для диагностики неисправностей авиационных двигателей. Текст. / C.B. Конев, З.И. Сичинава, JI.H. Ясницкий. // ПГТУ, Вестник Пермского университета 2005. № 2. - С. 43 -47.

50. Kim, К. Fault diagnosis in turbine engines using unsupervised neural networks technique. Текст. / К. Kim, С. Ball, E. Nwadiogbu Proc. SPIE. 2004, 5439. -C 150- 158.

51. Жернаков, С. В. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД. Текст. /C.B. Жернаков // Управление в сложных системах, Уфа 1999. С 119 126.

52. Vivian, V. Application of Expert System Technology to the Gas Path Analysis of a Gas Turbine Текст. / V. Vivian, R. Singh // Turboptop,EPF 95-01,

53. AIDAA / AAAF / DGLR / RaeS 5th European Forum, Pisa, Italy, 1995. P. 255 -265.

54. Dunia, R. Identification of faulty sensors using principal component analysis, Текст. / R. Dunia, T. Qin, T. Edgar AIChEJ. Vol.4: - 1996. - P. 345 - 358.

55. До Дык Лыу. Алгоритмы автоматического контроля и диагностирования судовых дизелей на основе использования нейронных сетей. Текст. / До Дык Лыу, Ле Ван Дием, Нгуен Ху Хао // Двигателестроение, 2006. № 3 (225) -С. 20-22.

56. Tan, Н. S., Fourier neural networks and generalized single hidden layer networks in aircraft engine fault diagnostics. Текст. / H. S. Tan // ASME. J. Eng. Gas Turbines and Power. 2006. 128. №4 - C. 773 - 782.

57. Dupcak J. D. Development and testing of an inflight engine performance monitoring technique for the U.S. Navy P-3C airplane. Текст. / J. D. Dupcak, P. Deppe, R. Prevatt // SAE Techn. Pap. Ser., 1984. №841462B. - P. 1 - 10.

58. Жернаков, С. В. Классификация режимов работы ГТД на основе нейронных сетей. Текст. / С.В. Жернаков // Контроль. Диагностика, 2006. № 10. - С. 44 - 50.

59. Жернаков, С. В. Применение разнородных знаний экспертных систем для диагностики ГТД в условиях неопределенности Текст. / С.В. Жернаков // Труды III Конгресса двигателестроителей Украины с иностранным участием. —Харьков : ХАИ, 1998. С. 123 - 129.

60. Еремин, Д. И. Контрастирование. Нейропрограммы под. Ред. А.Н.Горбаня. Текст. / Д. И. Еремин Красноярск: изд. КГТУ, 1994. - С. 88 -108.

61. Горбань, А. Н. Обучение нейронных сетей. Текст. / А.Н. Горбань

62. M.": изд. СССР-США СП "ParaGraph", 1990. 160 с.

63. Ivakhnenko, A. G. Self-organization of neuronets with Active Neurons. Текст. / A. G. Ivakhnenko, G. A. Ivakhnenko, S. A. Mueller // Pattern Recognition and Image Analysis, 1994. Vol.4. - No 4. - P. 177 - 188.

64. Ivakhnenko, A. G. Self-organization of neuronets with active neurons for effects of nuclear tests explosions forecasting. Текст. / A. G. Ivakhnenko // System Analysis Modeling Simulation SAMS, 1995. Vol.20. - №4. - P. 107 -116.

65. Ивахненко, А. Г. Индуктивный метод самоорганизации моделей сложных систем. Текст. / А. Г. Ивахненко Киев: Наук. Думка, 1981. - 296 с.

66. Fritzke, В. A growing neural gas networks learns topologies. Текст. / В. Fritzke, G. Tesauro, D. S. Touretzky, T. K. Leen // In Advances in Neural Information Processing Systems 7, MIT Press, Cambridge MA, 1995. P.625 - 632.

67. Мкртчян, С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) Текст. / С. О. Мкртчян М.: Энергия, 1971. - 232 с.

68. Суровцев, И. С. Нейронные сети. Текст. / И. С. Суровцев, В. И. Клюкин, Р. П. Пивоварова Воронеж: ВГУ, 1994. - 224 с.

69. Горбань, А. Н. Нейронные сети на персональном компьютере. Текст. / А. Н. Горбань, Д. А. Россиев Новосибирск: Наука (Сиб. отделение), 1996. -276 с.

70. ОСТ 1 02621-96. Система контроля и диагностирования авиационныхгазотурбинных, двигателей бортовая. Общие требования. Текст. Введ. 1997 — 01-01. М.: Госстандарт России: Изд-во стандартов, 1997. - 20 с.

71. ОСТ 5.4304-79. «Установки газотурбинные корабельные и. судовые: Агрегаты газотурбинные главные и вспомогательные. Номенклатура-параметров контроля работы». Текст. Введ. 1980 -01-07. М.: Госстандарт России: Изд-во стандартов, 1980. - 5 с.

72. ГОСТ 28775-90. Агрегаты газоперекачивающие с газотурбинным приводом. Общие технические условия. Текст. Введ. 1992 — 01 -01. М.: Госстандарт России: Изд-во стандартов, 1991. - 20 с.

73. Hornik, К. Multilayer feedforward networks are universal approximators. Текст. / К. Hornik, M. Stinchcombe, H. White // Neural Networks. 1989. Vol. 2. -P. 359-366.

74. Cybenko, G. Approximation by superposition of a sigmoidal function. Текст. / G. Cybenko // Mathematics of Control Signals, and Systems, 1989. Vol. 2.-P. 303-314.

75. Миргород, В. Ф. Вероятностные характеристики трендовой статистики Хальда-Аббе при обработке параметров регистрации ГТД. Текст. / В.Ф. Миргород, Г.С. Ранченко. // Авиационно-космическая техника и технология. 2005,№5 (21).-С. 38 — 41.

76. Jlyкашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. Текст. / Ю. П. Лукашин М.: Финансы и статистика, 2003.

77. Kohonen, Т. Self-organized formation of topological^ correct feature maps. Текст. / T. Kohonen // Biological Cybernetics, 1982. Vol. 43. - P. 59 - 69.

78. Kohonen T., Self-Organizing Maps Текст. / T. Kohonen Springer, 2001.-501р.

79. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.-667 p.

80. Hopfield, J. J. Neural Networks and Physical Systems with Emergent Col-lectiveComputational Abilities. Текст. / J.J. Hopfield // Proc. National Academy of Sciencies, USA 79, 1982. P. 2554 - 2558.

81. Тема 6. Детальное описание компонентов и работы нейронных сетей Электронный-ресурс.: http://www.victoria.lviv.ua/html/oio/html/theme6rus.htm

82. Николлс, Д. От нейронов к мозгу. Текст. / Д. Николлс, Р. Мартин, Б. Валлас, П. Фукс. / Пер. с англ. П. М. Балабана, А. В. Галкина [и др.]. М.: Еди-ториал УРСС, - 2003. - 672 с.

83. Круглов, В. В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. Текст. / В. В. Круглов, М. И. Дли М.: Физматлит, 2002. - 252 с.

84. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы. Текст. / Д. Рутковская, М. Пилиньский, JI. Рутковский М., 2004. -452 с.

85. Kosko, В. Fuzzy systems as universal approximators Текст. / B.Kosko // IEEE Transactions on Computers, vol. 43, No. 11, November 1994. P. 1329 -1333.

86. Cordon, O. General study on genetic fuzzy systems Текст. / О. Cordon, F. Herrera, // Genetic Algorithms in engineering and computer science, 1995. P. 3357.

87. Paul, J. Werbos, Backpropagation Through Time: What It Does and How to Do It Текст. / J. Paul //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992. P. 309 - 319.

88. Malki, H. A. Using the Karhunen-Loe've Transformation in the Back-Propagation Training Algorithm Текст. / H. A. Malki, A. Moghaddamjoo. // IEEE Transactions on Neural Networks, 1991. Vol.2. - № 1. - P. 162 - 165.

89. Widrow, В. 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation Текст. / В. Widrow, M. A. Lehr //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992. P. 327 - 354.

90. Rumelhart, B.E. Learning representations by back propagating error Текст. / В. E. Rumelhart, G. E. Minton, R. J. Williams // Wature, 1986. -V. 323. -P. 1016-1028.

91. Lawrence, S. Overfitting and neural networks: Conjugate gradient and backpropagation Текст. / S. Lawrence, C. L. Giles / Proc. IJCNN'2000 Como, Italy. 2000.-P.l 14-119.

92. Elman J. L Finding structure in time Текст. / J. L. Elman //Cognitive Sci. -№ 14 (1990)-P. 179-211.

93. Kremer, S. C. On the computational power of Elman-style recurrent networks Текст. / S.C. Kremer // IEEE Trans. Neural Networks. Vol. 6. - № 4 (July 1995).-P. 1000-1004.

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

95. Обучение без учителя: Сжатие информации Электронный-ресурс.: http://www.intuit.ru/department/expert/neurocomputing/4.

96. Рыбалко, В.В. Эксплуатация и диагностика турбинных установок. Текст. / В.В. Рыбалко СПб.: СПбМТУ, 2008. - 207 с.

97. Теория, расчет и проектирование авиационных двигателей и энергетических установок. Текст. / Кн. 3 - Под общей ред. В.В. Кулагина. -М.: Машиностроение, 2005. - 464 с.

98. Галиуллин, К. Ф.Об одном алгоритме диагностики состояния ГТД по диагностическим матрицам. Текст. / К. Ф. Галиуллин, А. М. Ахмедзянов -В кн. Испытания авиационных двигателей. Уфа. Изд. УАИ, 1982. - №10. - С. 155 - 163.

99. Багерман, А. 3. Новые подходы к диагностированию неисправностей газотурбинного двигателя. Текст. / А. 3. Багерман, В. И. Гусева, И. П. Леонова, Д. Г. Копылов, В. Ф. Макарищев // Судостроение, 1995 г. № 2 - 3- С. 31 - 33.,

100. Багерман, А. 3. Закономерности изменения характеристик осевых компрессоров под влиянием солевых отложений. Текст. / А.З. Багерман, И. П. Леонова, A.A. Берденников. // Сборник «Турбины и компрессоры», 2005. -Вып. 1.

101. Технический отчёт Текст. // ФГУП «ЦНИИ им. акад. Крылова», 2006. Выпуск 43637.

102. Добродеев, И. П. Самоорганизация нейронных сетей методом селекции Текст. И. П. Добродеев, И. Н. Паламарь // Известия ОрелГТУ. Серия Информационные системы и технологии. - 2010. - № 3 (59). С. 5 - 12.

103. Добродеев, И. П. Анализ термогазодинамических параметров при «солевых» испытаниях ГТД М75РУ на основе модели нейронной сети Хэммин-га Текст. И. П. Добродеев, В. П. Добродеев // Вестник РГАТА им. П. А. Соловьева. - Рыбинск, 2010.-№ 1 (16).-С. 167- 173.

104. Добродеев, И. П. Математическая модель системы смазки опор роторов ГТД Текст. И. П. Добродеев, В. С. Чигрин, Д. Н. Громов // Трение и смазка в машинах и механизмах, 2007. -№ 11. — С 5. — 7.

105. Добродеев, И. П. Общие принципы диагностирования ГТД с использованием ядерных нейронных сетей Текст. И. П. Добродеев, В. В. Червонюк, В. С. Чигрин, С. А. Беляков // Авиационно-космическая техника и технология, 2008. - № 9 (58). - С. 177 - 184.