Издательство СО РАН

Издательство СО РАН

Адрес Издательства СО РАН: Россия, 630090, а/я 187
Новосибирск, Морской пр., 2

soran2.gif

Baner_Nauka_Sibiri.jpg


Яндекс.Метрика

Array
(
    [SESS_AUTH] => Array
        (
            [POLICY] => Array
                (
                    [SESSION_TIMEOUT] => 24
                    [SESSION_IP_MASK] => 0.0.0.0
                    [MAX_STORE_NUM] => 10
                    [STORE_IP_MASK] => 0.0.0.0
                    [STORE_TIMEOUT] => 525600
                    [CHECKWORD_TIMEOUT] => 2880
                    [PASSWORD_LENGTH] => 6
                    [PASSWORD_UPPERCASE] => N
                    [PASSWORD_LOWERCASE] => N
                    [PASSWORD_DIGITS] => N
                    [PASSWORD_PUNCTUATION] => N
                    [PASSWORD_CHECK_WEAK] => N
                    [PASSWORD_CHECK_POLICY] => N
                    [PASSWORD_CHANGE_DAYS] => 0
                    [PASSWORD_UNIQUE_COUNT] => 0
                    [LOGIN_ATTEMPTS] => 0
                    [BLOCK_LOGIN_ATTEMPTS] => 0
                    [BLOCK_TIME] => 0
                )

        )

    [SESS_IP] => 3.144.127.26
    [SESS_TIME] => 1747828920
    [IS_EXPIRED] => 
    [BX_SESSION_SIGN] => 9b3eeb12a31176bf2731c6c072271eb6
    [SESS_SHOW_INCLUDE_TIME_EXEC] => 
    [fixed_session_id] => 079360929bb2c57938b291c9456b6065
    [BX_LOGIN_NEED_CAPTCHA_LOGIN] => Array
        (
            [LOGIN] => 
            [POLICY_ATTEMPTS] => 0
        )

)

Поиск по журналу

Автометрия

2020 год, номер 6

СРАВНИТЕЛЬНЫЙ АНАЛИЗ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОПРЕДЕЛЕНИЯ ПРЕДОТКАЗНЫХ И АВАРИЙНЫХ СОСТОЯНИЙ АВИАДВИГАТЕЛЕЙ

С.С. Абдуракипов, Е.Б. Бутаков
"Институт теплофизики им. С. С. Кутателадзе СО РАН, г. Новосибирск, Россия
s.s.abdurakipov@gmail.com"
Ключевые слова: машинное обучение, прогнозное обслуживание, предотказные и аварийные состояния двигателей
Страницы: 34-48

Аннотация

Проведён сравнительный анализ разработанных классических моделей машинного обучения на основе линейных моделей и деревьев решений, а также современных алгоритмов свёрточных нейронных сетей и нейросетевого автоэнкодера для решения задачи предиктивного обнаружения предотказных и аварийных состояний авиационных двигателей. В основе набора данных NASA лежат показания датчиков, отражающих жизненные циклы работы авиадвигателей. В процессе исследования рассматривается несколько постановок задач: задача бинарной и многоклассовой классификации, в рамках которой прогнозируются нормальное, предотказное и аварийное состояния авиадвигателей; задача регрессии в целях прогнозирования точного количества рабочих циклов до отказа двигателя, а также задача обучения без учителя, в которой нейросетевой автоэнкодер применяется для обнаружения аномальных циклов работы авиадвигателей. Полученные алгоритмы объединены в фреймворк, который может быть полезен при анализе широкого спектра данных предиктивного обслуживания.

DOI: 10.15372/AUT20200605