Search academic texts

Information × Registration Number 2125U003988, Article popup.category Опубліковано, Стаття Title METHOD FOR ANALYZING INPUT DATA FROM GEAR VIBRATIONS popup.author Шалімов О. Є.Москальчук О. О.Євсеєнко О. М.Shalimov O. Y.Moskalchuk O. O.Yevseienko O. M. popup.publication 29-06-2025 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/332999 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Розглянуто задачу аналізу векторів даних великого обсягу для аналізу працездатності двигунагелікоптерів. Ця проблема є критично важливою для покращення надійності та ефективності сучасних авіаційних технологій.Мета роботи. Створити метод для аналізу вібраційних даних двигуна з метою точного класифікування станів двигуна на основі вібраційних сигналів.Метод. Проаналізовано вхідні дані, після чого було прийнято рішення створити нейромережу для розпізнавання класу вхідного вектора. Нейромережа може працювати одразу або бути налаштованою для подальшого навчання на подібних даних. Програма була реалізована з використанням класичного методу нейромереж. Оптимальні ваги та зміщення обчислюються за допомогою похідних для мінімізації функції втрат. Для оптимізації було використано алгоритм стохастичного градієнтного спуску (SGD), а також було протестовано різні функції активації для вибору найкращої конфігурації. Вибір правильних функцій активації забезпечив максимальну ефективність.Результати. На графіках вхідних векторів видно, що вектори з першого класу мали більше піків, що полегшило процес класифікації. Після застосування цього методу точність досягла 70–75%, що було недостатньо для задачі. Для покращення результатів була змінена структура моделі та переналаштовані функції активації. З новим методом нейромережа здатна класифікувати вхідні вектори з точністю 100%.Висновки. У цьому дослідженні представлено підхід до аналізу вібраційних даних двигуна для оцінки йогопрацездатності. Наукова новизна методу полягає в адаптації багатошарового перцептрону (MLP) для класифікації вібраційних сигналів. Дослідження показало, що навіть без глибоких архітектур можна досягти високої точності, оптимізувавши MLP. Цей метод є універсальним, що дозволяє уникнути додаткових витрат на адаптацію моделі, що важливо для промислового використання. Практичне значення підтверджується програмним забезпеченням та експериментами, що доводять ефективність MLP для моніторингу працездатності, коли параметри моделі та функції активації налаштовані належним чином. Перспективи подальших досліджень полягають у вивченні можливостей нейромережі для навчання та аналізу подібних даних, а також у пілотних тестуваннях із використанням схожих методів і подальшому аналізі popup.nrat_date 2026-02-26 Close