Методы машинного обучения в составе цифрового двойника ГТД: суррогатное моделирование и диагностика технического состояния

Аннотация

В статье рассмотрено применение методов машинного обучения как элемента цифрового двойника газотурбинного двигателя (ГТД) на этапах проектирования, испытаний и эксплуатации. Предложена классификация методов машинного обучения применительно к задачам двигателестроения (суррогатное моделирование, диагностика и классификация дефектов, прогнозирование состояния, гибридные модели «физика – данные», обнаружение аномалий) и архитектура гибридного нейросетевого модуля, интегрируемого в единое информационное пространство цифрового двойника. На методическом примере суррогатной нейросетевой модели дроссельной характеристики ТРДД, обученной по результатам расчетов в имитационной термогазодинамической модели, показано, что многослойный персептрон обеспечивает среднюю относительную погрешность аппроксимации тяги, удельного расхода топлива и температуры газа за турбиной 0,3–0,8% при максимальной погрешности не более 2,1%, что сопоставимо с заложенным в обучающую выборку разбросом данных. Обсуждены возможности применения нейросетевых моделей дляпараметрической диагностики и оценки технического состояния газотурбинных энергетических установок (на базе ГТД). doi 10.54708/19926502_2026_30311379