Нейросетевая модель в цифровом прогнозировании геометрических параметров относительного положения деталей авиационных двигателей

Abstract

Качество авиационных и ракетных двигателей зависит прежде всего от геометрической точности сборочных единиц и деталей. Для прогнозирования показателей качества (в частности, сборочных параметров) используются математические модели, реализованные в виде компьютерных моделей. Прямое моделирование процесса сопряжений с использованием численных моделей сопряжений и конечно-элементных моделей сборок требует существенных вычислительных ресурсов и зачастую сопровождается проблемами сходимости решений. Для решения приведенных проблем возможно использование нейросетевых моделей, описывающих основные закономерности процесса сопряжения на основе накопленных результатов. В работе приведена нейросетевая модель для прогнозирования сборочных параметров деталей на основе использования действительных поверхностей деталей, полученных в результате математического моделирования. Рассмотрена сборка по коническим поверхностям. Для прогноза параметров сборок использована свёрточная нейронная сеть. The quality of aircraft and rocket engines depends primarily on the geometrical accuracy of assembly units and parts. To predict the quality parameters (in particular, the assembly parameters) used mathematical models implemented in the form of computer models. Direct modeling of the process of assembly using numerical models of conjugations and finite- element models of assemblies requires significant computational resources and is often accompanied by problems of convergence of solutions. To solve the above problems, it is possible to use neural network models describing the main regularities of the pairing process based on the accumulated results. The paper shows a neural network model for predicting the parameters of assembly parts based on the use of real surfaces of parts obtained as a result of mathematical modeling. Considered assembly on conical surfaces. To predict the parameters of the assemblies, a convolutional neural network was used.