Все статьи автора в журнале: Гусейнов Г.

1. Выбор и адаптация алгоритмов нейронных сетей для диагностики технического состояния авиационных двигателей

   Selection and adaptation of neural network algorithms for diagnosing the technical condition of aircraft engines

   Номер: 2024 / 10

   Машошин О.Ф. | Mashoshin O.F. | Гусейнов Г. | Guseynov G. | o.mashoshin@mstuca.aero, khuseyn.21@gmail.como.mashoshin@mstuca.aero, khuseyn.21@gmail.com

   Авторы статьи

   Authors

   Машошин О.Ф.

   Mashoshin O.F.

   Гусейнов Г.

   Guseynov G.

   o.mashoshin@mstuca.aero, khuseyn.21@gmail.com

   o.mashoshin@mstuca.aero, khuseyn.21@gmail.com

   ---

   Выбор и адаптация алгоритмов нейронных сетей для диагностики технического состояния авиационных двигателей

    

   УДК 629.735

   DOI: 10.36652/0869-4931-2024-78-10-435-442

    

   Рассмотрено применение различных типов искусственных нейронных сетей в задачах диагностики технического состояния авиационных двигателей. Представлены математические модели сетей, проведено их сравнение для оценки способности прогнозирования неисправностей и оптимизации работы двигателей на основе реалистичных модельных данных, сгенерированных для параметров авиационных двигателей. Описаны подходы к моделированию и анализу данных. Приведены графики, таблица и математические уравнения для оценки и сравнения эффективности примененных моделей нейронных сетей. Результаты моделирования сопоставлены с фактическими данными, что дает основание для выводов о пригодности рассматриваемых моделей к интеграции в системы мониторинга и диагностики авиационных двигателей.

   ---

   Ключевые слова

   диагностика двигателей, машинное обучение, нейронные сети, полносвязные нейронные сети, сверточные нейронные сети, рекуррентные нейронные сети, автоэнкодеры, авиационные двигатели

   Selection and adaptation of neural network algorithms for diagnosing the technical condition of aircraft engines

   The use of various types of artificial neural networks in diagnostics problems of the technical condition of aircraft engines is considered. Mathematical network models are presented and compared to evaluate the ability to predict faults and optimize engine performance based on realistic model data generated for aircraft engine parameters. Approaches to modeling and data analysis are described. Graphs, tables and mathematical equations are provided to evaluate and compare the effectiveness of the applied neural network models. The modeling results are compared with actual data, which provides the basis for conclusions about the selected models suitability for integration into monitoring and diagnostic systems of ai rcraft engines.

   ---

   Keywords

   engine diagnostics, machine learning, neural networks, fully connected neural networks, convolutional neural networks, recurrent neural networks, autoencoders, aircraft engines