Проектирование модели технического обслуживания и ремонта воздушных судов с использованием искусственных нейронных сетей

Авиационная и ракетно-космическая техника


DOI: 10.34759/vst-2022-1-19-26

Авторы

Долгов О. С.*, Сафоклов Б. Б.**

*e-mail: dolgov@mai.ru
**e-mail: safoklovbb@mai.ru

Аннотация

Представлена спроектированная модель технического обслуживания и ремонта (ТОиР) воздушного судна с блоком предиктивного технического обслуживания. В качестве технического обслуживания (ТО) предусмотрено использование искусственной нейронной сети. Предиктивное техническое обслуживание с искусственной нейронной сетью является частью стратегии ТОиР «До обнаружения неисправности». Проект ТОиР с предиктивным ТО позволяет выстроить концепцию проведения углубленного анализа перед выбором стратегии контроля этапа жизненного цикла самолета – эксплуатация.

Ключевые слова:

воздушное судно, искусственные нейронные сети, проектирование технического обслуживания, техническое обслуживание и ремонт воздушного судна, предиктивное техническое обслуживание

Библиографический список

  1. Погосян М.А., Братухин А.Г., Савельевских Е.П., Стрелец Д.Ю., Злыгарев В.А. CALS-технологии при создании самолета SSJ100 // Вестник машиностроения. 2017. № 5. С. 60–65.

  2. Dolgov O.S., Safoklov B.B., Aruvelli S. Airdrop of discharged batteries using an unmanned aerial vehicle as a method of increasing the range of an electric aircraft by reducing the mass in flight // Journal of Aeronautics, Astronautics and Aviation. 2021. Vol. 53. No. 2, pp. 235-239. DOI: 10.6125/JoAAA.202106_53(2).15

  3. Судов Е.В., Петров А.Н., Петров А.В., Осяев А.Т., Серебрянский С.А. Технологии интегрированной логистической поддержки в процессах жизненного цикла авиационной техники: Учебное пособие. – М.: Эдитус, 2018. – 174 с.

  4. Абашев О.В., Куприков М.Ю. Применение искусственных нейронных сетей при проектировании самолетов // Вестник Московского авиационного института. 2008. Т. 15. № 5. С. 27-33.

  5. Buhl A., Hjertén H. Evaluation of Artificial Neural Networks for Predictive Maintenance. Department of Computer Science, Faculty of Engineering LTH, 2018. – 77 p.

  6. Легконогих Д.С. Применение нейросетевых технологий в системах диагностики авиационных силовых установок // Известия Самарского научного центра Российской академии наук. 2012. Т. 14. № 4-2. С. 639-643.

  7. ОСТ 1 02799–2012 Воздушные суда гражданской авиации. Прямые затраты на техническое обслуживание при эксплуатации. Методика расчета. – М.: Стандартинформ, 2013. – 16 p.

  8. Ali R., Al-Shamma O. Comparative Study of Cost Estimation Models used for Preliminary Aircraft Design // Global Journal of Researches in Engineering: B Automotive Engineering. 2014. Vol. 14. No. 4. URI: https://globaljournals.org/GJRE_Volume14/2-A-Comparative-Study.pdf

  9. Curran R., Chou S.-Y., Trappey A. Collaborative Product and Service Life Cycle Management for a Sustainable World // 15th ISPE International Conference on Concurrent Engineering. – ‎ Springer, 2008. – ‎ 643 p.

  10. Макаров В.В. Использование методов искусственного интеллекта для оценки технического состояния движительно-рулевой колонки (ДРК) по вибрационным характеристикам // Ученые записки физического факультета Московского университета, 2017. № 5. URI: http://uzmu.phys.msu.ru/file/2017/5/1751406.pdf

  11. Karim Md.R. TensorFlow: Powerful Predictive Analytics with TensorFlow: Predict valuable insights of your data with TensorFlow. – Packt Publishing, 2018. – 165 p.

  12. Баутин А.А., Свирский Ю.А. Применение нейросетевых технологий в задачах мониторинга состояния критических мест конструкции транспортных самолётов // Вестник Московского авиационного института. 2020. Т. 27. № 4. С. 81-91. DOI: 10.34759/vst-2020-4-81-91

  13. Aircraft Health Monitoring (AHM) integration in MSG-3. – International Maintenance Review Board Policy Board (IMRBPB), 2018.– 33 p.

  14. Rivas A., Fraile J.M., Chamoso P., González-Briones A., Sittón I., Corchado J.M. A Predictive Maintenance Model Using Recurrent Neural Networks // In: Martínez Álvarez F., Troncoso Lora A., Sáez Muñoz J., Quintián H., Corchado E. (eds) 14th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2019). Advances in Intelligent Systems and Computing. Vol. 950. Springer, Cham. DOI: 10.1007/978-3-030-20055-8_25

  15. ГОСТ 18322-2016 Межгосударственный стандарт. Система технического обслуживания и ремонта техники. Термины и определения. – М.: Стандартинформ, 2013. – 16 p.

  16. ГОСТ Р 57329-2016/EN 13306:2010 Национальный стандарт Российской Федерации. Системы промышленной автоматизации и интеграция. Системы технического обслуживания и ремонта. Термины и определения. – М.: Стандартинформ, 2020. – 23 с.

  17. ГОСТ 21623-76 Межгосударственный стандарт. Система технического обслуживания и ремонта техники показатели для оценки ремонтопригодности. Термины и определения. – М.: Стандартинформ, 2006. – 16 с.

  18. Бронников А.М. Эффективность технической эксплуатации необслуживаемой в межсервисный период бортовой системы воздушного судна // Научный Вестник МГТУ ГА. 2017. Т. 20. № 6. С. 89-98. DOI: 10.26467/2079-0619-2017-20-6-89-98

  19. Demidova L.A. Recurrent neural networks’ configurations in the predictive maintenance problems // Workshop on Materials and Engineering in Aeronautics (16–17 October 2019; Moscow). – Moscow: Institute of Physics Publishing, 2020. DOI: 10.1088/1757-899X/714/1/012005

  20. Власов А.И., Григорьев П.В., Кривошеин А.И. Модель предиктивного обслуживания оборудования с применением беспроводных сенсорных сетей // Надежность и качество сложных систем. 2018. № 2(22). С. 26-35. DOI 10.21685/2307-4205-2018-2-4

  21. Krenek J., Kuca K., Blazek P., Krejcar O., Jun D. Application of Artificial Neural Networks in Condition Based Predictive Maintenance // In: Król D., Madeyski L., Nguyen N. (eds) Recent Developments in Intelligent Information and Database Systems. Studies in Computational Intelligence. 2016. Vol. 642. Springer, Cham. DOI: 10.1007/978-3-319-31277-4_7

  22. Günnemann N., Pfeer J. Predicting defective engines using convolutional neural networks on temporal vibration signals // Proceedings of Machine Learning Research. 2017. Vol. 74, pp. 92-102.

mai.ru — информационный портал Московского авиационного института

© МАИ, 1994-2024