К вопросу экспериментальной постановки апробации алгоритма обработки диагностических параметров авиационных ГТД на основе многослойных нейронных сетей

Обложка

Цитировать

Полный текст

Аннотация

В работе представлены экспериментально обоснованные табличные данные для настройки гиперпараметров многослойных нейронных сетей в задачах диагностики авиационных газотурбинных двигателей. Предложены семь оригинальных алгоритмов адаптивной настройки параметров обучения, включающих методы динамической адаптации скорости обучения, стратегии изменения архитектуры сети в зависимости от режима работы двигателя и адаптивные подходы к регуляризации. Диапазоны параметров охватывают значения от 10–5 до 103 , что обеспечивает практическую применимость для различных архитектур и типов данных. Научная новизна заключается в создании адаптивных алгоритмов, учитывающих специфику диагностических параметров компонентов ГТД и их временную динамику.

Об авторах

Г. Гусейнов

Московский государственный технический университет гражданской авиации

Автор, ответственный за переписку.
Email: khuseyn.21@gmail.com
ORCID iD: 0009-0002-9280-6361
аспирант Москва

О. Ф. Машошин

Московский государственный технический университет гражданской авиации

Email: o.mashoshin@mstuca.ru
ORCID iD: 0009-0004-8099-5198
доктор технических наук, профессор Москва

Список литературы

  1. Козлов В. М. Адаптивные алгоритмы настройки гиперпараметров нейронных сетей / В. М. Козлов, Е. С. Иванова // Известия РАН. Теория и системы управления. 2023. № 2. С. 78-89.
  2. Машошин О. Ф. Разработка комплексного алгоритма обработки диагностических параметров авиационных ГТД на основе многослойных нейронных сетей / О. Ф. Машошин, Г. Гусейнов // Контроль. Диагностика. 2025. Т. 28, № 7. С. 41-54. doi: 10.14489/td.2025.07.pp.041-054.
  3. A Deep Learning Approach for Trajectory Control of Tilt-Rotor UAV / Ja. Sembiring, R. A. Sasongko, E. I. Bastian [et al.] // Aerospace. 2024. Vol. 11, № 1. P. 96. doi: 10.3390/aerospace11010096. EDN CDJAEF.
  4. A review on gas turbine gas-path diagnostics: State-of-the-art methods, challenges and opportunities / A. D. Fentaye, A. T. Baheta, S. I. Gilani, K. G. Kyprianidis // Aerospace. 2019. Vol. 6, № 7. P. 83. doi: 10.3390/aerospace6070083. EDN NIFUIL.
  5. An Artificial Neural Network-Based Fault Diagnostics Approach for Hydrogen-Fueled Micro Gas Turbines / M. B. Hashmi, M. Mansouri, A. D. Fentaye [et al.] // Energies. 2024. Vol. 17, № 3. P. 719. doi: 10.3390/en17030719. EDN SYQIEH.
  6. Deep transfer learning strategy in intelligent fault diagnosis of gas turbines based on the Koopman operator / F. N. Irani, M. Soleimani, M. Yadegar, N. Meskin // Applied Energy. 2024. Vol. 365. P. 123256. doi: 10.1016/j.apenergy.2024.123256. EDN GALUKY.
  7. Dynamic Temporal Denoise Neural Network with Multi-Head Attention for Fault Diagnosis Under Noise Background / Zh. Li, R. Fan, J. Ma [et al.] // Sensors. 2024. Vol. 24, № 21. P. 6813. doi: 10.3390/s24216813. EDN ERSVJI.
  8. Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks / D. Zhou, Q. Yao, H. Wu [et al.] // Energy. 2020. Vol. 200. P. 117467. doi: 10.1016/j.energy.2020.117467. EDN MBPRPN.
  9. He X. AutoML: A survey of the state-of-the-art / X. He, K. Zhao, X. Chu // Knowledge-Based Systems. 2021. Vol. 212. P. 106622. doi: 10.1016/j.knosys.2020.106622. EDN HGRDWI.
  10. HELP: An LSTM-based approach to hyperparameter exploration in neural network learning / W. Li, W. W. Y Ng, T. Wang [et al.] // Neurocomputing. 2021. Vol. 442. P. 161-172. doi: 10.1016/j.neucom.2020.12.133. EDN CPLZSW.
  11. Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges / B. Bischl, M. Binder, M. Lang [et al.] // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2023. Vol. 13, № 2. doi: 10.1002/widm.1484. EDN AWVZRK.
  12. Jin Yu. A Time Series Transformer based method for the rotating machinery fault diagnosis / Yu. Jin, L. Hou, Yu. Chen // Neurocomputing. 2022. Vol. 494. P. 379-395. doi: 10.1016/j.neucom.2022.04.111. EDN JLRUHL.
  13. Li J. Y. Evolutionary Deep Learning Survey / J. Y. Li, Z. H. Zhan, C. Wang // Neurocomputing. 2021. № 442. Pp. 89-109.
  14. Long short-term memory network-based normal pattern group for fault detection of three-shaft marine gas turbine / M. Bai, J. Liu, Y. Ma, X. Zhao, Z. Long, D. Yu // Energies. 2021. № 14(1). Pp. 13. doi: 10.3390/en14010013.
  15. Multi-head spatio-temporal attention based parallel GRU architecture: a novel multi-sensor fusion method for mechanical fault diagnosis / Y. Li, J. Dong, H. Jiang, D. Su // Measurement Science and Technology. 2023. № 35. doi: 10.1088/1361-6501/acf89e.
  16. Pei X. Rotating machinery fault diagnosis through a transformer convolution network subjected to transfer learning / X. Pei, X. Zheng, J. Wu // IEEE Transactions on Instrumentation and Measurement. 2021. № 70. Pp. 1-11. doi: 10.1109/TIM.2021.3119137.
  17. Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: A review / M. Tahan, M. Muhammad, Z. A. Abdul Karim, E. Tsoutsanis // Applied Energy. 2017. Vol. 198. P. 122-144. doi: 10.1016/j.apenergy.2017.04.048. EDN YDANFB.
  18. Self-reconfiguration for smart manufacturing based on artificial intelligence: A review and case study / Y. J. Cruz, F. Castaño, R. E. Haber [et al.] // Artificial Intelligence in Manufacturing. Springer. 2024. Pp. 121-144. doi: 10.1007/978-3-031-46452-2_8.
  19. Smith L. N. Cyclical learning rates for training neural networks // IEEE Winter Conference on Applications of Computer Vision. 2017.Pp. 464-472. doi: 10.1109/WACV.2017.58.
  20. Tuning hyperparameters without grad students: Scalable and robust bayesian optimisation with dragonfly / K. Kandasamy, K. R. Vysyaraju, W. Neiswanger [et al.] // Journal of Machine Learning Research. 2020. Vol. 21. EDN YRTFCN.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».