СЕЛЕКЦІЯ ВХІДНИХ ПАРАМЕТРІВ НЕЙРОННОЇ МЕРЕЖІ ПРОГНОЗУВАННЯ ВІДМОВ БОРТОВОГО ОБЛАДНАННЯ

Автор(и)

  • Ali Bekirov Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0002-6155-0597
  • Kateryna Kruhliak Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-7374-1254
  • Mariia Yuzviak Харківський національний університет Повітряних Сил імені Івана Кожедуба, Україна https://orcid.org/0000-0001-9315-0216

DOI:

https://doi.org/10.33099/2311-7249/2020-38-2-63-70

Ключові слова:

нейронна мережа, працездатність обладнання, прогнозування відмов

Анотація

Стаття присвячена дослідженню актуального питання прогнозування відмов бортового обладнання. Ефективність виконання бойових завдань екіпажами повітряних суден Збройних Сил України залежить в тому числі від оперативної і якісної підготовки бортового обладнання до польотів. Великий термін експлуатації існуючого парку літальних апаратів потребує постійного аналізу технічного стану обладнання для попередження відмов. Існуючи методи прогнозування пов’язані зі аналізом статистичних даних та метриками вірогідності. Можливим альтернативним способом контрою працездатності обладнання є використання нейронних мереж. Проблематика побудови топології нейронної мережі прогнозування відмов пов’язана з необхідністю селекції значимих факторів, які впливають на обладнання в процесі експлуатації. В статті розглядаються найбільш важливі фактори впливу з позиції умов застосування, якості та умов експлуатації. Виявляються залежності між параметрами для одного об’єкту дослідження та параметрами об’єктів одного типу при різних умовах застосування. Здійснюється вибір наступних параметрів обладнання для використання при побудові нейронної мережі: загальний час напрацювання обладнання, час напрацювання обладнання після останнього відновлення, загальна кількість циклів включення вимикання та коефіцієнт циклічності відмови. Для кожного з параметрів наводяться вирази, які сформульовані з врахування особливостей технічної та льотної експлуатації повітряних суден. Так, значення напрацювання об’єкту розраховується як сумарний час роботи обладнання в польоті і на землі при виконання всіх видів робіт. Кількість циклів включення-вимикання пропонується розраховувати на основі обліку мінімальної кількості разів застосування обладнання в процесі експлуатації. Також вводиться коефіцієнт циклічності відмови, який пропонується обчислювати на основі частотного аналізу порядкового номеру відмови та часу напрацювання об’єкту до конкретної відмови.

Посилання

Fenenko O.O., Borisenko V.S., Troshin O.N. (2017). Analysis of the preparation and use of aircraft of the Armed Forces of Ukraine in the anti-terrorist operation – Kharkiv. 3 р.

Soloviev V.I. (2016). Organization of operation of military aviation equipment: C-60 textbook. / [V. I. Solovyov, IP Korovin, SM Korotin, etc.]; in a row. VI Solovyov. - K.: NGOs them. Ivan Chernyakhovsky. S.196 р.

The rules of engineering and aviation support of the State Aviation of Ukraine, approved by the order of the Ministry of Defense of Ukraine dated July 05 (2016), No. 343, registered at the Ministry of Justice of Ukraine on August 08, 2016 under No. 1101/29231;

State Aviation Methodological Recommendations on the Organization and Implementation of Aviation Engineering and Aviation Measures (MRDA-07/17) - Order of the Head of the State Aviation Regulatory Authority of Ukraine (Main Activity) (08.09.2017), Kyiv No. 40

Pavliuk. О. (2014). Prediction of probability of failure and failure under a given condition of readiness of symmetric hierarchical systems, branching up to level 4, using artificial neural networks. Lviv. 2 p.

Kalinina I.O. (2009). Investigation of neural network training algorithms in forecasting tasks. Kiev. 113 p.

Kirichenko A.A. (2013) Neuropackages - a modern intellectual tool of a researcher. 183 p.

Khaykin S. (2006). Neural networks: a complete course, 2nd ed., Ispr. : Trans. with English. - M.: ID Williams LLC, 1104 p.

Schmidhuber J. (2015). Deep Learning in Neural Networks: An Overview // Neural Networks. Vol. 61. 85–117 р.

Mikolov T., Karafiat M., Burget L. (2010). Cernocky J., Khudanpur S. Recurrent neural network based language model // 11th Annual Conference of the International Speech Communication Association. Japan. 1045–1048 р.

Danil V. Prokhorov. Neural Networks. (2008). № 21. 458-465 р.

Chernodub A.N. (2012). Optical Memory and Neural Networks (Information Optics). № 2. 126-131 р.

Haykin S. (2009). Neural Networks and Learning Machines, Third Edition. New York: Prentice Hall. 936 p.

Nick Bostrom. (2014). SuperIntelligence: Paths, Dangers, Strategies. Oxford University Press.

Rojas R. (2006). Neural Networks: A Systematic Introduction. Springer.

Barsky A.B. (2013). Logical neural networks: Textbook / AB Barsky: Binom, 352 р.

##submission.downloads##

Опубліковано

2020-09-30

Номер

Розділ

Військово-космічні та геоінформаційні технології