• Задать вопрос менеджеру

Twitter новости

Обучение письменному иноязычному общению на основе ИКТ http://t.co/IK2NAjncrk

Online-опрос

Антиплагиат онлайнДипломант
Яндекс.Метрика

Распознавание режимов работы авиационного ГТД с использованием технологии нейронных сетей

Предмет:Информатика
Тип:Дипломная/Магистерская
Объем, листов:45
Word
Получить полную версию работы
Релевантные слова:работы, режимов, гтд, распознавания, процесса, системы, классификации, моделей, является, модели, модель, параметров, данных, авиационного, задачи
Процент оригинальности:
95 %
Цена:0 руб.
Содержание:

ВВЕДЕНИЕ 4

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ МЕТОДИК РАСПОЗНАВАНИЯ РЕЖИМОВ РАБОТЫ ГАЗОТУРБИННОГО ДВИГАТЕЛЯ 8

1. 1 Задача классификации 8

1. 2 Типы входных данных 8

1. 3 Типы классов 9

1. 4 Вероятностная постановка задачи 10

1. 5 Анализ существующих алгоритмов распознавания режимов работы ГТД. Метод группового учета аргументов. 10

1. 6 Метод Байеса 14

1. 7 Постановка задачи распознавания режимов работы ГТД в нейросетевом базисе 16

ГЛАВА 2. РАЗРАБОТКА СИСТЕМНЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧИ РАСПОЗНАВАНИЯ РЕЖИМОВ РАБОТЫ ГАЗОТУРБИННОГО ДВИГАТЕЛЯ 21

2. 1 Применение технологий системного моделирования на этапе проектирования интеллектуальной системы распознавания режимов работы авиационного двигателя 21

ГЛАВА 3. РЕАЛИЗАЦИЯ АЛГОРИТМОВ РАСПОЗНАВАНИЯ РЕЖИМОВ РАБОТЫ ГТД НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ 28

3. 1 Постановка задачи 28

3. 2 Анализ данных 28

3. 3 Предварительная обработка данных 30

3. 4 Выбор архитектуры НС 30

3. 5 Выбор структуры НС 33

3. 6 Выбор алгоритма обучения 34

3. 7 Оценка эффективности 36

ГЛАВА 4. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ МАСТЕРА ПРОЦЕССА РАСПОЗНАВАНИЯ РЕЖИМОВ РАБОТЫ ГТД 41

4. 1 Структура программы 41

ЗАКЛЮЧЕНИЕ 42

Приложение А 45

Вступление:

В настоящее время современный авиационный ГТД и системы управления им представляют собой сложную динамическую систему. Корректность и безопасность функционирования такого объекта требуют постоянного и непрерывного анализа его параметров. Классификация и распознавание классов состояний динамического объекта необходимы для согласования стратегии оптимального управления с состоянием объекта. 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 авиационных газотурбинных двигателей 5-6 поколения влечет за собой усложнение конструкции объекта и увеличение числа контролируемых параметров, анализ которых человеком – оператором сопряжен с многочисленными ошибками контроля и принятия решений.

Исследования в области создания автоматизированных систем контроля и диагностики технического состояния авиационных ГТД показывают недостаточную обоснованность применения систем, основанных только на одном из известных методов диагностирования, так как ни один из методов не является универсальным и абсолютно надежным. Естественно, что подобные системы контроля и диагностики, построенные на основе одного классификатора, не смогут в полной мере удовлетворить возрастающие требования, предъявляемые к диагностированию двигателей. Существует несколько направлений, определяющих повышение эффективности бортовых технологий контроля состояния ГТД. Основным направлением следует считать интеллектуализацию процессов обработки информации с привлечением нейросетевых методов, которые способны обеспечить повышение качества бортовых алгоритмов контроля и диагностики технического состояния ГТД.

Нейронные сети от классических методов отличает быстродействие, универсальность, гибкость в применении, а также способность к обобщению информации, высокая робастность к внешним возмущениям и способность к прогнозированию. При этом актуальной проблемой на сегодняшний день является комплексная диагностика ГТД на базе моделей нейронных сетей с прогнозом текущих ситуаций.

Цель работы

Повышение эффективности алгоритмов распознавания режимов работы ГТД с использованием технологии нейронных сетей.

Задачи исследования

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

1. Анализ существующих методов и методик распознавания режимов работы ГТД.

2. Разработка методики классификации режимов работы ГТД.

3. Разработка программного обеспечения, реализующего методику классификации режимов работы ГТД.

Методы исследования

Поставленные в диссертационной работе задачи решались с использованием методов системного анализа, теории газотурбинных двигателей, теории идентификации, теории вероятностей и математической статистики, нейроинформатики, теории обработки данных, объектно-ориентированного программирования.

Основные научные результаты, выносимые на защиту:

1. Методика классификации режимов работы ГТД.

2. Разработанное программное обеспечение, реализующее методику классификации режимов работы ГТД.

Научная новизна результатов

1. На основании SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса распознавания режимов работы ГТД, что позволило выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе системы распознавания.

2. Разработана методика распознавания режимов работы ГТД на основе нейросетевых технологий.

3. Разработаны нейросетевые модули, применение которых позволяет повысить эффективность распознавания режимов работы ГТД.

Структура и объем работы

Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка, приложения и изложена на XX страницах. Библиографический список включает в себя XX наименований литературы.

В первой главе описан системный анализ предметной области, дано описание задачи классификации. Проведено описание классических методов распознавания режимов работы ГТД. Сформулирована постановка задачи.

Во второй главе проводится анализ предметной области, выявляются основные понятия и отношения между ними. Разработана функциональная модель интеллектуальной системы распознавания режимов работы ГТД, которая является основой для построения других системных моделей и разработки программного обеспечения. Функциональная модель разработана на основе технологии IDEF0.

Третья глава посвящается программной реализации разработанной системы распознавания. Описана методика использования нейросетевых технологий. Рассмотрены все основные этапы построения нейронных сетей в ПП MatLab R2009b. Также здесь представлены результаты работы нейронных сетей, и сравнение их с классическими методами распознавания режимов работы ГТД.

Четвертая глава представляет собой описание разработанного ПО. Здесь представлены скриншоты программы и изложен порядок работы с данным ПО.

Заключение:

На основании полученных результатов исследований можно сделать следующие выводы:

1. Решение задачи классификации режимов работы авиационного двигателя в нейросетевом базисе позволяет более эффективно и качественно решить данную задачу, с меньшими затратами времени и вычислительных ресурсов.

2. Решение задачи сводится к использованию рекуррентной НС, где входами ее являются текущие и задержанные параметры, причем оптимальный размер временного окна выбирается 8?12, а количество нейронов в скрытом слое 35?50.

3. Показано, что наименьшая ошибка обучения НС обеспечивается с использованием алгоритма сопряженных градиентов и квазиньютоновского алгоритма.

4. Анализ качества классификации режимов работы ГТД с помощью нейронной сети на основе данных изделия 99 показывает, что качество распознавания режимов составляет практически 100%, а ошибка распознавания в рассматриваемом примере не превысила 0,4% на тестовой выборке.

Список литературы:

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

2. 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.

3. Архитектура вычислителя для решения задачи восстановления потерянных данных с датчиков на базе нейронной сети/ Жернаков С. В. , Муслухов И. И. // Нейроинформатика-2006: сб. науч. тр. VIII Всероссийской научно-технической конференции. Часть 3. –М. МИФИ, 2006. С. 180-188.

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

5. Бортовая интеллектуальная система контроля и диагностики авиационного ГТД в режиме реального времени / Жернаков С. В. , Муслухов И. И. // Актуальные проблемы в науке и технике: сб. матер. региональной школы-семинара аспирантов и молодых ученных. Уфа, Изд-во Уфимс. гос. авиац. техн. ун-та, 2007. Т. 2. С. 108-112.

6. 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.

7. 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

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

9. Васильев В. И. , Валеев С. С. Применение нейросетевых моделей для обеспечения отказоустойчивости САУ ГТД. Материалы Республиканской НТК «Интеллектуальное управление в сложных системах-99». – Уфа. : УГАТУ, 1999. – С. 54-56.

10. 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.

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

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

13. 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.

14. Горбань А. Н. Обучение нейронных сетей. – М. : ПараГраф. 1990. – 160 с.

15. 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.

16. 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.

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

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

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

20. Медведев В. С. , Потемкин В. Г. Нейронный сети Matlab 6. – М. : Диалог-МИФИ, 2002. – 496 с.

21. Методология IDEF0. Функциональное моделирование. М. : Метатехнология, 1993. – 117 с.

22. Методология IDEF1Х. Функциональное моделирование. М. : Метатехнология, 1993. – 120 с.

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

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

25. 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.

26. Web-сайт: http://www. idef. com/

27. Web-сайт: http://www. machinelearning. ru/

Готовые работы:

Рекомендованные документы: