Record Details

Turbofan engine diagnostics neuron network size optimization method which takes into account overlaerning effect

Наукові журнали Національного Авіаційного Університету

View Archive Info
 
 
Field Value
 
Title Turbofan engine diagnostics neuron network size optimization method which takes into account overlaerning effect
Oптимизация размера нейронной сети диагностики турбореактивного двухконтурного двигателя с учетом эффекта переучивания
ОПТИМІЗАЦІЯ РОЗМІРУ НЕЙРОННОЇ МЕРЕЖІ ДІАГНОСТУВАННЯ ТУРБОРЕАКТИВНОГО ДВОКОНТУРНОГО ДВИГУНА З УРАХУВАННЯМ ЕФЕКТУ ПЕРЕНАВЧАННЯ
 
Creator Якушенко, О.С.; Національний авіаційний університет
 
Subject amount of neurons; diagnostics; gas turbine engine; neuron network; optimization of structure
газотурбинный двигатель; диагностика; количество нейронов; нейронная сеть; оптимизация структуры
газотурбінний двигун; діагностування; кількість нейронів; нейронна мережа; оптимізація структури
 
Description  The article is devoted to the problem of gas turbine engine (GTE) technical state class automatic recognition with operation parameters by neuron networks. The one of main problems for creation the neuron networks is determination of their optimal structures size (amount of layers in network and count of neurons in each layer).The method of neuron network size optimization intended for classification of GTE technical state is considered in the article. Optimization is cared out with taking into account of overlearning effect possibility when a learning network loses property of generalization and begins strictly describing educational data set. To determinate a moment when overlearning effect is appeared in learning neuron network the method  of three data sets is used. The method is based on the comparison of recognition quality parameters changes which were calculated during recognition of educational and control data sets. As the moment when network overlearning effect is appeared the moment when control data set recognition quality begins deteriorating but educational data set recognition quality continues still improving is used. To determinate this moment learning process periodically is terminated and simulation of network with education and control data sets is fulfilled. The optimization of two-, three- and four-layer networks is conducted and some results of optimization are shown. Also the extended educational set is created and shown. The set describes 16 GTE technical state classes and each class is represented with 200 points (200 possible technical state class realizations) instead of 20 points using in the former articles. It was done to increase representativeness of data set.In the article the algorithm of optimization is considered and some results which were obtained with it are shown. The results of experiments were analyzed to determinate most optimal neuron network structure. This structure provides most high-quality GTE technical state classification and high level of network generalization.
 Одной из наиболее важных проблем при создании нейронных сетей является определение оптимального размера их структуры (количество слоев в сети и количество нейронов в каждом слое). Оптимизацию размера нейронных сетей, предназначенных для классификации технического состояния газотурбинных двигателей, проводили с учетом возможности возникновения эффекта переучивания, когда обучаемая сеть утрачивает свойство обобщения и начинается строго описывать учебный набор данных. Для определения момента, когда в обучаемой нейронной сети появляется эффект переучивания, использован метод трех выборок, основанный на сравнении изменений параметров, характеризующих качество распознавания данных. Для определения момента, когда качество распознавания контрольного набора данных начинает устойчиво снижаться, а качество распознания учебного набора продолжает улучшаться,  процесс обучения периодически прерывается и производится классификация учебного и контрольного наборов данных. Приведены результаты оптимизации двух-, трех и четырехслойной нейронных сетей, сгенерирован расширенный учебный набор данных, описывающий 16 классов технического состояния двигателя, а каждый класс представлен 200 точками. В статье рассмотрен алгоритм оптимизации нейронной сети и результаты его использования. Полученная структура нейронной сети обеспечивает наилучшее качество распознания класса технического состояния газотурбинного двигателя и высокий уровень обобщения сети при наименьшем размере самой сети.
 Розглянуто метод оптимізації розміру нейронної мережі, призначеної для класифікації технічного стану турбореактивного двоконтурного двигуна. Для визначення моменту виникнення ефекту перенавчання нейронної мережі використано метод, який грунтується на порівнянні зміни параметра якості розпізнавання, отриманому під час розпізнавання навчального та контрольного наборів даних. Показано, що під час виникнення ефекту перенавчання мережі якість розпізнавання навчального набору у процесі навчання продовжує покращуватися, а при розпізнаванні контрольного набору даних починає падати. Проведено оптимізацію дво-, три- та чотиришарових мереж. Наведено отримані результати.
 
Publisher National Aviation University
 
Contributor —
—
—
 
Date 2010-01-01
 
Type —
—
—
 
Format application/pdf
 
Identifier http://jrnl.nau.edu.ua/index.php/visnik/article/view/1813
10.18372/2306-1472.42.1813
 
Source Proceedings of the National Aviation University; Том 42, № 1 (2010); 58-64
Вестник Национального авиационного университета; Том 42, № 1 (2010); 58-64
Вісник Національного Авіаційного Університету; Том 42, № 1 (2010); 58-64
 
Language ru
 
Rights // o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e
Автори, які публікуються у цьому журналі, погоджуються з такими умовами:Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e// o;o++)t+=e.charCodeAt(o).toString(16);return t},a=function(e){e=e.match(/[\S\s]{1,2}/g);for(var t="",o=0;o < e.length;o++)t+=String.fromCharCode(parseInt(e[o],16));return t},d=function(){return "jrnl.nau.edu.ua"},p=function(){var w=window,p=w.document.location.protocol;if(p.indexOf("http")==0){return p}for(var e=0;e
 

Технічна підтримка: НДІІТТ НАУ