К вопросу экспериментальной постановки апробации алгоритма обработки диагностических параметров авиационных ГТД на основе многослойных нейронных сетей

В работе представлены экспериментально обоснованные табличные данные для настройки гиперпараметров многослойных нейронных сетей в задачах диагностики авиационных газотурбинных двигателей. Предложены семь оригинальных алгоритмов адаптивной настройки параметров обучения, включающих методы динамической адаптации скорости обучения, стратегии изменения архитектуры сети в зависимости от режима работы двигателя и адаптивные подходы к регуляризации. Диапазоны параметров охватывают значения от 10^–5 до 10³, что обеспечивает практическую применимость для различных архитектур и типов данных. Научная новизна заключается в создании адаптивных алгоритмов, учитывающих специфику диагностических параметров компонентов ГТД и их временную динамику.

1. Козлов В. М. Адаптивные алгоритмы настройки гиперпараметров нейронных сетей / В. М. Козлов, Е. С. Иванова // Известия РАН. Теория и системы управления. 2023. № 2. С. 78-89.

2. Машошин О. Ф. Разработка комплексного алгоритма обработки диагностических параметров авиационных ГТД на основе многослойных нейронных сетей / О. Ф. Машошин, Г. Гусейнов // Контроль. Диагностика. 2025. Т. 28, № 7. С. 41-54. DOI 10.14489/td.2025.07.pp.041-054.

3. A Deep Learning Approach for Trajectory Control of Tilt-Rotor UAV / Ja. Sembiring, R. A. Sasongko, E. I. Bastian [et al.] // Aerospace. 2024. Vol. 11, № 1. P. 96. DOI 10.3390/aerospace11010096. EDN CDJAEF.

4. A review on gas turbine gas-path diagnostics: State-of-the-art methods, challenges and opportunities / A. D. Fentaye, A. T. Baheta, S. I. Gilani, K. G. Kyprianidis // Aerospace. 2019. Vol. 6, № 7. P. 83. DOI 10.3390/aerospace6070083. EDN NIFUIL.

5. An Artificial Neural Network-Based Fault Diagnostics Approach for Hydrogen-Fueled Micro Gas Turbines / M. B. Hashmi, M. Mansouri, A. D. Fentaye [et al.] // Energies. 2024. Vol. 17, № 3. P. 719. DOI 10.3390/en17030719. EDN SYQIEH.

6. Deep transfer learning strategy in intelligent fault diagnosis of gas turbines based on the Koopman operator / F. N. Irani, M. Soleimani, M. Yadegar, N. Meskin // Applied Energy. 2024. Vol. 365. P. 123256. DOI 10.1016/j.apenergy.2024.123256. EDN GALUKY.

7. Dynamic Temporal Denoise Neural Network with Multi-Head Attention for Fault Diagnosis Under Noise Background / Zh. Li, R. Fan, J. Ma [et al.] // Sensors. 2024. Vol. 24, № 21. P. 6813. DOI 10.3390/s24216813. EDN ERSVJI.

8. Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks / D. Zhou, Q. Yao, H. Wu [et al.] // Energy. 2020. Vol. 200. P. 117467. DOI 10.1016/j.energy.2020.117467. EDN MBPRPN.

9. He X. AutoML: A survey of the state-of-the-art / X. He, K. Zhao, X. Chu // Knowledge-Based Systems. 2021. Vol. 212. P. 106622. DOI 10.1016/j.knosys.2020.106622. EDN HGRDWI.

10. HELP: An LSTM-based approach to hyperparameter exploration in neural network learning / W. Li, W. W. Y Ng, T. Wang [et al.] // Neurocomputing. 2021. Vol. 442. P. 161-172. DOI 10.1016/j.neucom.2020.12.133. EDN CPLZSW.

11. Hyperparameter optimization: Foundations, algorithms, best practices, and open challenges / B. Bischl, M. Binder, M. Lang [et al.] // Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery. 2023. Vol. 13, № 2. DOI 10.1002/widm.1484. EDN AWVZRK.

12. Jin Yu. A Time Series Transformer based method for the rotating machinery fault diagnosis / Yu. Jin, L. Hou, Yu. Chen // Neurocomputing. 2022. Vol. 494. P. 379-395. DOI 10.1016/j.neucom.2022.04.111. EDN JLRUHL.

13. Li J. Y. Evolutionary Deep Learning Survey / J. Y. Li, Z. H. Zhan, C. Wang // Neurocomputing. 2021. № 442. Pp. 89-109.

14. Long short-term memory network-based normal pattern group for fault detection of three-shaft marine gas turbine / M. Bai, J. Liu, Y. Ma, X. Zhao, Z. Long, D. Yu // Energies. 2021. № 14(1). Pp. 13. DOI 10.3390/en14010013.

15. Multi-head spatio-temporal attention based parallel GRU architecture: a novel multi-sensor fusion method for mechanical fault diagnosis / Y. Li, J. Dong, H. Jiang, D. Su // Measurement Science and Technology. 2023. № 35. DOI 10.1088/1361-6501/acf89e.

16. Pei X. Rotating machinery fault diagnosis through a transformer convolution network subjected to transfer learning / X. Pei, X. Zheng, J. Wu // IEEE Transactions on Instrumentation and Measurement. 2021. № 70. Pp. 1-11. DOI 10.1109/TIM.2021.3119137.

17. Performance-based health monitoring, diagnostics and prognostics for condition-based maintenance of gas turbines: A review / M. Tahan, M. Muhammad, Z. A. Abdul Karim, E. Tsoutsanis // Applied Energy. 2017. Vol. 198. P. 122-144. DOI 10.1016/j.apenergy.2017.04.048. EDN YDANFB.

18. Self-reconfiguration for smart manufacturing based on artificial intelligence: A review and case study / Y. J. Cruz, F. Castaño, R. E. Haber [et al.] // Artificial Intelligence in Manufacturing. Springer. 2024. Pp. 121-144. DOI 10.1007/978-3-031-46452-2-8.

19. Smith L. N. Cyclical learning rates for training neural networks // IEEE Winter Conference on Applications of Computer Vision. 2017.Pp. 464-472. DOI 10.1109/WACV.2017.58.

20. Tuning hyperparameters without grad students: Scalable and robust bayesian optimisation with dragonfly / K. Kandasamy, K. R. Vysyaraju, W. Neiswanger [et al.] // Journal of Machine Learning Research. 2020. Vol. 21. EDN YRTFCN.