Помощь в написании студенческих работ
Антистрессовый сервис

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

Диссертация: Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей
ДиссертацияПомощь в написанииУзнать стоимостьмоей работы

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… Читать ещё >

Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей (реферат, курсовая, диплом, контрольная)

Содержание

  • 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 ГТДс 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 ЛевепбергаМарквардта, 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 отказовалгоритма 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 ГТДразработан 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 ГТДпостроена 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.

Показать весь текст

Список литературы

  1. Н.П., Деруга А. П. и др. Нейроуправляемые конструкции и системы. М.: Радиотехника, 2003. — 368 с.
  2. В.Г. и др. Идентификация систем управления авиационных газотурбинных двигателей. Под редакцией Дедеша В. Т. М.: Машиностроение, 1984.-200 с.
  3. 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. С.А., Енюков И. С., Мешалкин Л. Д. Прикладная статистика. Классификация и снижение размерности. П.: Финансы и статистика, 1989.-393 с.
  5. Дж., Нильсон Э., Уолш Дж. Теория сплайнов и ее приложения. М.: Мир, 1972. — 219 с.
  6. 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. Н.С., Жидков Н. П., Кобельков Г. М. Численные методы. -М: Наука, 1987.- 598 с.
  8. С.Л., Погодаев А. К. Рекуррентно-итерационные алгоритмы адаптивной идентификации нелинейных динамических объектов // Автоматика и телемеханика. 2003. № 10. С. 80−86.
  9. .В., В.В. Бугровский и др. Идентификация и диагностика в информационно-управляющих системах авиакосмической энергетики. М.: Наука, 1998.- 168 с.
  10. Г. Р. Идентификация нелинейных стохастических объектов Гаммерштейна // Автоматика и телемеханика. 2002. № 4. С.91−104.
  11. Г. Р. Класс моделей Гаммерштейна в задачах идентификации стохастических систем // Автоматика и телемеханика. 2003. № 1. С42−55.
  12. Г. Р. Модель Гаммерштейна-Винера в задачах идентификации стохастических систем // Автоматика и телемеханика. 2003. № 9. С. 60−76.
  13. A.M., Круглов С. П. Упрощенные условия адаптируемости системы управления с идентификатором и эталонной моделью// Автоматика и телемеханика. 1998. № 7. С. 107−117.
  14. АЛ. Пассивная и активная идентификация линейного дискретного объекта с ограниченной помехой // Автоматика и телемеханика. 2003. № 11. С. 60−73.
  15. А.Д., Буштрук Т. Н. Корреляционно-спектральный метод идентификации квазистационарных временных процессов. 2005. № 2. С.46−54.
  16. 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. 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. 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. 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. 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. 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. 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. 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. В.И., Ильясов Б. Г. Интеллектуальные системы управления с использованием нечеткой логики.-Уфа.:УГАТУ, 1995. 80 с.
  26. Н.Я. Итерационные методы. М.: Наука, 1984. — 324 с.
  27. А.И. Современные направления развития пейрокомпьютерных технологий в России. Открытые системы, 1997, № 4 (24), С.25−28.
  28. А.И. Теория нейронных сетей. Кн. 1. Сер.: «Нейрокомпьютеры и их применение» / Общая ред. Галушкина А. И. М.: ИПРЖР, 2000.-210 с.
  29. К.С. Основы системного моделирования реального процесса структурной идентификации: ключевые понятия // Автоматика и телемеханика. 1998. № 8. С. 97−108.
  30. К.С. Системные закономерности и теория идентификации // Автоматика и телемеханика. 2002. № 5. С. 156−170.
  31. 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. А.Н. Обучение нейронных сетей. М.: ПараГраф. 1990. -160 с.
  33. В.И. Нейрокомпьютеры в решении краевых задач теории поля. Кн. 10: Учеб. пособие для вузов.-М.: Радиотехника, 2003.-336 с.
  34. С.В. Проблемы обеспечения эффективного контроля работоспособности и диагностирования электронного оборудования современных самолетов// Проблемы безопасности полетов. М.: ВИНИТИ, 1989. № 12. С. 3−17.
  35. С.В. Совершенствование средств и методов эксплуатации современных воздушных судов // Проблемы безопасности полетов. М.: ВИНИТИ, 1988. № 12. С.38−55.
  36. 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. 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. 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. В.В., Козырев Г. И. и др. Нейрокомпьютеры в космической технике. Кн. 17. М.: Радиотехника, 2004. — 320 с.
  40. 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. Г. Н. Основания теоретической информатики: 4.6, Морфология и алгоритмика структуры систем и процессов. — Уфа: УГАТУ, 1997. — 121 с.
  43. Ю.И. Интеллектуальные нейросистемы. Кн. 12. М.: Радиотехника, 2003. — 144 с.
  44. 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. Н.Н. Численные методы. М: Наука, 1978. — 192 с.
  47. В.И. Численные методы в примерах и задачах: Учебное пособие. М.: Высшая школа, 2004. — 480 с.
  48. В.И. Численные методы решения задач алгебры и теории приближений. -М.: Изд-во МАИ, 1991. 214 с.
  49. Э.Ю. Нейрокомпьютеры с параллельной архитектурой. Кн. 16. М.: Радиотехника, 2004. — 496 с.
  50. Е.Г. Идентификация нестационарных объектов // Автоматика и телемеханика. 1999. № 10. С. 3−45.
  51. Е.Г., Мочалов И. А. Идентификация нестационарных объектов // Автоматика и телемеханика. 1994. № 2. С. 3−22.
  52. Н.П. Сплайны в теории приближения. М: Наука, 1984.
  53. О.Н. Алгоритм идентификации динамических систем с функционалом в частотной области // Автоматика и телемеханика. 2003. № 5. С. 111−121.
  54. Г. Г., Арьков В. Ю. Марковские модели динамических систем // Вестник УГАТУ, Уфа. 2002, № 2, Том 3. С. 137−144.
  55. Г. Г., Арьков В. Ю. Марковские моделирование динамических объектов для полунатурных испытаний // Изв. РАН. Теория и системы управления. 2000. № 2. С. 124−128.
  56. 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. 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. Г. Г., Набатов А. Н., Речкалов А. В. Автоматизированное проектирование информационно-управляющих систем. Уфа: УГАТУ, 1998. -104 с.
  59. 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. 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. Д., МакГоен К. Методология структурного анализа и проектирования. М.: Метатехнология, 1992. -239 с.
  62. 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 № 2 003 612 143 от 15.09.2003.
  64. B.C., Потемкин В. Г. Нейронный сети Matlab 6. М.: Диалог-МИФИ, 2002. — 496 с.
  65. 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. 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. Е.А., Лаппо В. Г. Предобработка информации при реализации нейросетевых технологий // Нейрокомпьютеры разработка и применение. 2004. — № 7−8. — С.105−110.
  72. 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. Ю.И. Принцип использования нейронных сетей в бортовых интеллектуальных системах // Нейрокомпьютеры: разработка, применение. 2004. № 7−8. С-49−56.
  75. 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. 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. A.M., Садыхов Р. А. и др. Комплексная методика идентификации технического состояния авиационных газотурбинных двигателей.// Контроль и Диагностика. 2005. № 5. С. 16 -22.
  79. 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. 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 № 2 007 612 510 от 15.06.2007.
  87. А.Н. Нейронные сети: определения, концепции, применение. М.: ЦНИИ управления экономики и информатики, 1991. — 128 с.
  88. Л.Г. Идентификация экспериментальных трендов методами Lx преобразования //Автоматика и телемеханика. 2004. № 1. С. 82−96.
  89. Л.Г. Идентификация экспериментальных трендов операционными методами q-преобразования // Автоматика и телемеханика.2002. № 1.С. 42−55.
  90. Л.Г. К вопросу об идентификации экспериментальных трендов// Контроль и Диагностика. 2004. № 6. С39−42.
  91. Л.Г. Об одном операционном методе идентификации экспериментальных трендов // Автоматика и телемеханика. 2000. № 11. С. 114 122.
  92. Л.Г. Операционные методы в задачах идентификации экспериментальных функций тренда // Автоматика и телемеханика. 1997. № 2. С. 100−107.
  93. С.Б., Субботин Ю. Н. Сплайны в вычислительной математике. М.: Наука, 1976. — 398 с.
  94. А.Г., Тимохов А. В., Федоров В. В. Курс методов оптимизации. -М: Наука, 1986, 328 с.
  95. Д.А. Нейронные сети как средство математического моделирования. Кн. 22. М.: Радиотехника, 2006. — 48 с.
  96. Д.А. Нейронные сети. Модели и алгоритмы. Кн. 18. М.: Радиотехника, 2005. — 256.
  97. В.А. Динамические алгоритмы обучения многослойных нейронных сетей в системах управления. Изв. РАН. Сер.: Теория и системы управления, 1996, № 3, С. 70−79.
  98. 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. А.А., Санатин Д. В. Сравнение алгоритмов идентификации статических объектов при наличии аддитивного шума // Нейрокомпьютеры: разработка, применение. 2005. № 5. С. 46−49.
  100. С. Нейронные сети: полный курс, 2-е издание. М: Издательский дом «Вильяме», 2006. — 1104 с.
  101. 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. В.М. Цифровая идентификация нелинейных динамических объектов // Автоматика и телемеханика. 2004. № 12. С. 85−93
  103. Н.И., Сахнюк П. А. и др. Нейрокомпьютеры в остаточных классах. Кн. 11: Учеб. пособие для вузов. М.: Радиотехника, 2003. — 272 с.
  104. Р.К. Методы математического моделирования двигателей летательных аппаратов. М.: Машиностроение, 1988.-288 с.
  105. Р. Имитационное моделирование систем. Искусство и паука. М.: Мир, 1978.-418 с.
  106. 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 № 2 004 611 145 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 1 MM estimator // IEEE Transactions on Aerospace and Electronic System. Vol. 34.-№ 4. October, 1998. P. 1293 1311.
Заполнить форму текущей работой

Сессия? Спокойно!