Resumen

En este trabajo, se propone la red Proper para construir la redundancia analítica del motor de ciclo variable, cuando todas las variables de control y las variables ambientales cambian simultáneamente, también acompañadas de la degradación de todo el motor. En otras palabras, la red Proper se propone para resolver un problema multivariable, fuertemente no lineal, dinámico y variable en el tiempo. Con el fin de hacer que la estructura topológica de la red Proper sea físicamente explicable, la estructura topológica de la red Proper se diseña de acuerdo con la relación física entre las variables, por lo que la redundancia analítica basada en la red Proper logra una mayor precisión con menos tiempo de cálculo. Los experimentos se compararon con el rendimiento de la redundancia analítica basada en la red Proper, siete estructuras topológicas de redes neuronales convolucionales y cinco métodos de aprendizaje superficial. Los resultados demuestran que, con un error relativo medio inferior al 1,5%, la red Proper es la más precisa y la que menos tiempo consume, lo que demuestra no sólo la eficacia de la red Proper, sino también la viabilidad del método de diseño de estructuras topológicas basado en la relación física.

• Materias:Automatización Aerodinámica Motores (Mecánica) Cinemática Ingeniería Aeronáutica
• Subjects:Automation Aerodynamics Engines Kinematics Aeronautical Engineering
• Palabras claves:red propia, estructura topológica, redundancia analítica, relación física, menor tiempo de cálculo, red neuronal convolucional, error relativo medio, motor de ciclo variable, métodos de aprendizaje superficial, motor completo
• Keywords:proper net, topological structure, analytical redundancy, physical relationship, less calculation time, convolutional neural network, average relative error, variable cycle engine, shallow learning methods, whole engine