350 руб
Журнал «Нейрокомпьютеры: разработка, применение» №9 за 2012 г.
Статья в номере:
Применение неоднородных NARX-сетей для обнаружения отказных ситуаций
Ключевые слова: диагностика отказов нелинейная авторегрессионная сеть задача наблюдения задача распознавания летательный аппарат
Авторы:
Д.С. Козлов - аспирант, Московский авиационный институт (национальный исследовательский университет). E-mail: dmkozlov001@gmail.com Ю.В. Тюменцев - к.т.н., Московский авиационный институт (национальный исследовательский университет). E-mail: tium@mai.ru
Аннотация:
Основные этапы процедуры обнаружения отказной ситуации рассматриваются как задачи наблюдения для объекта диагностики и распознавания признаков отказной ситуации. Решение поставленных задач производится с использованием различных типов неоднородных NARX-сетей. Приводятся результаты, полученные в ходе вычислительного эксперимента по обнаружению отказов датчиков угловых скоростей и приводов управляющих поверхностей маневренного самолета.
Страницы: 13-22
Список источников
  1. Li, H., Monti, A., Diagnosis of sensor failure detection and information rebuilding using polynomial chaos theory // International instrumentation and measurement technology conference. 2009.
  2. Napolitano, M.R., a.o., Kalman filters and neural-network schemes for sensor validation in flight control systems// IEEE Transactions on Control Systems Technology. 1998. V. 6. № 5. P. 596-611.
  3. Del Gobbo, D., a.o., Experimental application of extended Kalman filtering for sensor validation // IEEE Transactions on Control Systems Technology. 2001. V. 9. № 2. P. 376-380.
  4. Napolitano, M. R., a.o.,Sensor failure detection, identification and accommodation using on-line learning architectures // AIAA Guidance, Navigation and Control Conference. 1994. V. 2. P. 489-499.
  5. Campa, G., a.o., Neural networks-based sensor validation for the flight control system of a B777 research model // Proceedings of the American Control Conference. 2002. V. 1. P. 412-417.
  6. Wan, S., a.o. On-line learning RBF neural networks for sensor validation // AIAA Guidance, Navigation, and Control Conference. 2002.
  7. Fravolini,M. L., a.o., Comparison of different growing radial basis functions algorithms for control systems applications // Proceedings of the American Control Conference. 2002. V. 2. P. 957-962.
  8. Жернаков С. В., Кобылев С. В. Контроль и диагностика комплексных отказов САУ ГТД с использованием рекуррентных нейронных сетей // Нейрокомпьютеры: разработка, применение. 2011. № 10. С. 28-45.
  9. Кондратьев А. И., Тюменцев Ю. В. Нейросетевое адаптивное отказоустойчивое управление движением маневренного самолета // Нейроинформатика-2010. XII Всероссийскаянаучно-техн. конф. Сб. науч.трудов. Ч. 2. М.: МИФИ. 2010.
  10. Sonneveldt, L., Nonlinear F-16 fighter mode // Matlab Central - An open exchange for the MATLAB and Simulink user community.
  11. Patton, R., Frank, P., Clark, R., Fault diagnostics in dynamic systems: Theory and applications. Prentice Hall. 1989.
  12. Demuth, H., Beale, M., Hagan, M., Neural network toolbox 6: User's guide. The MathWorks. 2009.
  13. Кучерявый А. А.Бортовые информационные системы: Курс лекций. 2-е изд. Ульяновск: УлГТУ. 2004.
  14. Jesus, O., Hagan, M., Back propagation algorithms for a broad class of dynamic networks // IEEE Transactions of neural networks. 2007. V. 18. № 1. P. 14-27.
  15. Perhinschi,M. R., a.o., Modeling and simulation of failures for primary control surfaces //16. AIAAModeling and Simulation Conference. 2002.
  16. Proakis, J. G., Manolakis, D. G.,Digital signal processing: Principles, algorithms, and applications. 3rd Ed. Prentice-Hall Inc. 1996.