ів, для якого
В· - клас перехідних режимів роботи (станів), для яких
В· - клас несталих режимів роботи (розгін, дроселювання), для яких
Взагалі кажучи, крім перерахованих (справних) станів розрізняють клас несправних (отказовие) станів, що характеризується зміною класу операторів F і G в (1).
При цьому класифікація станів ВМД теоретично можлива в просторі станів, якщо використовувати змінні стану як параметри класифікації. Однак, доступними для спостереження є компоненти вектора , що включають адитивні випадкові шуми вимірювань. Отже, існує проблема визначення робочого набору ознак для побудови вирішальних правил, інваріантних до випадкових шумів спостережень. Іншою проблемою підвищення якості розпізнавання є підвищення точності визначення меж класів станів авіаційного двигуна. Ця проблема обумовлена ​​тим, що вони істотно залежать від співвідношень між динамічними параметрами ВМД (і спектральними характеристиками всіх видів впливу і збурень, що мають випадковий характер, і, отже, є умовними). ​​
В даний час процес класифікації режимів роботи ГТД, як правило, здійснюється вручну, за участю висококваліфікованого фахівця, тривала і монотонна робота якого, з одного боку, може привести до помилок класифікації, а з іншого боку, до значним тимчасових витратах.
Для ліквідації перерахованих вище недоліків автором пропонується алгоритм вирішення задачі класифікації режимів роботи ГТД на основі нейронних мереж.
Постановку задачі можна звести до наступного. Мається часовий ряд, утворений наборами даних за результатами вимірювання термогазодинамічних параметрів двигуна на деякому інтервалі спостереження . Потрібен виділити характерні ділянки часового ряду, що відповідають певним класам станів авіаційного двигуна: , де So - клас можливих режимів (справних станів) ВМД .
Процедура вирішення даної задачі за допомогою нейронної мережі показана на малюнку 2.
В
Малюнок 2 - Схема нейромережного класифікатора станів авіаційного двигуна
Тут - вектор бажаних вихідних реакцій
НС: ;
- виходи НС;
