Methodology for diagnosing the technical condition of aviation gas turbine engines using recurrent neural networks (RNN) and long short-term memory networks (LSTM) ; Методика диагностирования технического состояния авиационных газотурбинных двигателей с применением рекуррентных нейронных сетей (RNN) и длинно-краткосрочной памяти (LSTM)

Συγγραφείς: O. F. Mashoshin, H. Huseynov, A. S. Zasukhin, О. Ф. Машошин, Г. Гусейнов, А. С. Засухин

Πηγή: Civil Aviation High Technologies; Том 27, № 6 (2024); 21-41 ; Научный вестник МГТУ ГА; Том 27, № 6 (2024); 21-41 ; 2542-0119 ; 2079-0619

Θεματικοί όροι: алгоритм BPTT, gas turbine engine diagnostics, recurrent neural networks, long short-term memory, parameter forecasting, vibration, compressor, turbine, BPTT algorithm, диагностика авиационных газотурбинных двигателей, рекуррентные нейронные сети, длинно-краткосрочная память, прогноз параметров, вибрация, компрессор, турбина

Περιγραφή αρχείου: application/pdf

Relation: https://avia.mstuca.ru/jour/article/view/2465/1414; https://avia.mstuca.ru/jour/article/downloadSuppFile/2465/999; Fentaye A.D., Zaccaria V., Kyprianidis K. Aircraft engine performance monitoring and diagnostics based on deep convolutional neural networks [Электронный ресурс] // Machines. 2021. Vol. 9, iss. 12. ID: 337. DOI:10.3390/machines9120337 (дата обращения: 27.02.2024).; Al-Tekreeti W.K.F., Kashyzadeh K.R., Ghorbani S. Advancements in gas turbine fault detection: a machine learning approach based on the temporal convolutional network-autoencoder model [Электронный ресурс] // Applied Sciences. 2024. Vol. 14, iss. 11. ID: 4551. DOI:10.3390/app14114551 (дата обращения: 27.02.2024).; Berghout T. ProgNet: A transferable deep network for aircraft engine damage propagation prognosis under real flight conditions / T. Berghout, M.-D. Mouss, L.-H. Mouss, M. Benbouzid [Электронный ресурс] // Aerospace. 2023. Vol. 10, iss. 1. ID: 10. DOI:10.3390/aerospace10010010 (дата обращения: 27.02.2024).; Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9, iss. 8. Pp. 1735–1780. DOI:10.1162/neco.1997.9.8.1735; Zhao J., Li Y.-G., Sampath S. Convolutional neural network denoising autoencoders for intelligent aircraft engine gas path health signal noise filtering [Электронный ресурс] // Journal of Engineering for Gas Turbines and Power. 2023. Vol. 145, iss. 6. ID: 061013. DOI:10.1115/1.4056128 (дата обращения: 27.02.2024).; Garg S., Simon D. Challenges in aircraft engine gas path health management [Электронный ресурс] // Proceedings of the Tutorial on Aircraft Engine Control and Gas Path Health Management, Cleveland, OH, USA, 2012. 64 p. URL: https://ntrs.nasa.gov/api/citations/20150009565/downloads/20150009565.pdf (дата обращения: 15.02.2024).; Mohammadi R. Fault diagnosis of gas turbine engines by using dynamic neural networks / R. Mohammadi, E. Naderi, K. Khorasani, S. Hashtrudi-Zad // 2011 IEEE International Conference on Quality and Reliability. Bangkok, Thailand, 2011. Pp. 25–30. DOI:10.1109/ICQR.2011.6031675; Goodfellow I., Bengio Y. Courville A. Deep learning. The MIT Press, 2016. 800 p.; Clifton D. Condition monitoring of gasturbine engines [Электронный ресурс] // Transfer Report. Department of Engineering Science, University of Oxford, 2006. 60 p. URL: https://www.robots.ox.ac.uk/~davidc/pubs/transfer.pdf (дата обращения: 27.02.2024).; Upadhyay A. A deep-learning-based approach for aircraft engine defect detection / A. Upadhyay, J. Li, S. King, S. Addepalli [Электронный ресурс] // Machines. 2023. Vol. 11, iss. 2. ID: 192. DOI:10.3390/machines11020192 (дата обращения: 27.02.2024).; Zhou D. Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks / D. Zhou, Q. Yao, H. Wu, S. Ma, H. Zhang [Электронный ресурс] // Energy. 2020. Vol. 200. ID: 117467. DOI:10.1016/j.energy.2020.117467 (дата обращения: 27.02.2024).; Falsetti C., Sisti M., Beard P.F. Infrared thermography and calibration techniques for gas turbine applications: A review [Электронный ресурс] // Infrared Physics & Technology. 2021. Vol. 113. ID: 103574. DOI:10.1016/j.infra red.2020.103574 (дата обращения: 27.02.2024).; Zhao F. Gas turbine exhaust system health management based on recurrent neural networks / F. Zhao, L. Chen, T. Xia, Z. Ye, Y. Zheng // Procedia CIRP. 2019. Vol. 83, no. 12. Pp. 630–635. DOI:10.1016/j.procir.2019.04.122; Pitkänen J. NDT methods for revealing anomalies and defects in gas turbine blades / J. Pitkänen, T. Hakkarainen, H. Jeskanen, P. Kuusinen, K. Lahdenperä, P. Särkiniemi [Электронный ресурс] // 15th World Conference on Nondestructive Testing. Italy, Roma, 15–21 October 2000. URL: https://www.ndt.net/article/wcndt00/papers/idn629/idn629.htm (дата обращения: 27.02.2024).; Loboda I. Neural networks for gas turbine diagnosis [Электронный ресурс] // Artificial Neural Networks-Models and Applications, 2016. DOI:10.5772/63107 (дата обращения: 27.02.2024).; Pineda F.J. Generalization of backpropagation to recurrent neural networks [Электронный ресурс] // Physical Review Letters. 1987. Vol. 59, iss. 19. ID: 2229. DOI:10.1103/PhysRevLett.59.2229 (дата обращения: 27.02.2024).; Панков Е.А., Чайка Н.Ф. Возможности спектральных методов для диагностики авиационных двигателей // Интерэкспо Гео-Сибирь. 2016. № 9. С. 8–13.; https://avia.mstuca.ru/jour/article/view/2465

Διαθεσιμότητα: https://avia.mstuca.ru/jour/article/view/2465
https://doi.org/10.26467/2079-0619-2024-27-6-21-41