Метод прецедентного прогнозирования свойств частей изделий авиационной техники

Неопределённость исходных данных и ограниченное число прецедентов существенно затрудняют прогнозирование свойств новых составных частей авиационной техники на ранних стадиях разработки. Цель работы — сформировать метод прецедентного прогнозирования, позволяющий оценивать свойства проектируемой части изделия в условиях дефицита априорной информации и при нелинейной зависимости между условиями проектирования и целевыми параметрами.

Метод основан на представлении проектной ситуации в виде вектора условий (X) и вектора прогнозируемых свойств (Y), а также на использовании протокола наблюдений, сформированного по ранее разработанным аналогам. Для случая малого числа прецедентов предложена процедура многомерной линейной экстраполяции, основанная на построении подпространств условий и решений и на проецировании новой проектной ситуации на пространство известных аналогов. Для случая значительной выборки и нелинейной связи между входными и выходными параметрами предложена нейросетевая модель на основе самоорганизующейся карты Кохонена.

В работе формализованы условия применения обеих процедур, заданы их математические модели и определены принципы выбора структуры прогнозной сети. Практическая значимость результатов состоит в возможности использовать накопленные проектные прецеденты для предварительной оценки свойств изделия, сокращения числа проектных итераций и повышения обоснованности принимаемых конструкторских решений.

1. Анисимов К. С., Евдокименков В. Н., Красильщиков М. Н. [и др.]. Оптимизация процесса совершенствования авиационных комплексов на базе концепции функционального проектирования // Известия РАН. Теория и системы управления. 2022. № 1. С. 105–123. https://doi.org/10.31857/S0002338822010036. EDN: MQHLSR.

2. Chu T., Pei Y. Intelligent Optimization Design Technology for Typical Structural Parts of Aircraft. Artificial Intelligence Technologies and Applications. 2024;382:18–29. https://doi.org/10.3233/FAIA231279.

3. Liu Y., Zhang S., Zhang J. [et al.]. Towards the Design of Future Aircraft: A Critical Review On the Tools and Methodologies. Aerospace Research Communications. 2024;2:13096. https://doi.org/10.3389/arc.2024.13096.

4. Krupa G. P. Application of Agile Model-Based Systems Engineering in aircraft conceptual design. The Aeronautical Journal. 2019;123(1268):1561–1601. https://doi.org/10.1017/aer.2019.53.

5. Ciampa P. D., Nagel B. AGILE Paradigm: The next generation collaborative MDO for the development of aeronautical systems. Progress in Aerospace Sciences. 2020;119:100643. https://doi.org/10.1016/j.paerosci.2020.100643.

6. Aamodt A., Plaza E. Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches. AI Communications. 2001;7(1):39–59. https://doi.org/10.3233/AIC-1994-7104

7. Queipo N. V., Haftka R. T., Shyy W. [et al.]. Surrogatebased analysis and optimization. Progress in Aerospace Sciences. 2005;41(1):1–28. https://doi.org/10.1016/j.paerosci.2005.02.001.

8. Simpson T. W., Peplinski J. D., Koch P. N., Allen J. K. Metamodels for Computer-based Engineering Design: Survey and recommendations. Engineering with Computers. 2001;17:129–150. https://doi.org/10.1007/PL00007198.

9. Viana F. A. C., Simpson T. W., Balabanov V., Toropov V. Metamodeling in Multidisciplinary Design Optimization: How Far Have We Really Come? AIAA Journal. 2014;52(4):670–690. https://doi.org/10.2514/1.J052375.

10. Cottrell M., Olteanu M., Rossi F. [et al.]. Self-Organizing Maps, theory and applications. Revista de Investigacion Operacional. 2018;39(1):1–22.

11. Kohonen T., Oja E., Simula O. [et al.]. Engineering applications of the self-organizing map. Proceedings of the IEEE. 1996;84(10):1358–1384. https://doi.org/10.1109/5.537105.

12. Skuratov V., Kuzmin K., Nelin I., Sedankin M. Application of Kohonen self-organizing map to search for region of interest in the detection of objects. Eureka: Physics and Engineering. 2020;1:62–69. https://doi.org/10.21303/2461-4262.2020.001133. EDN: NWIMRZ.

13. Jin R., Chen W., Simpson T. W. Comparative Studies of Metamodeling Techniques Under Multiple Modeling Criteria. Structural and Multidisciplinary Optimization. 2001;23(1):1–13. https://doi.org/10.1007/s00158-001-0160-4.

14. Forrester A. I. J., Sуbester A., Keane A. J. Engineering Design via Surrogate Modelling: A Practical Guide. Chichester: John Wiley & Sons, 2008. 228 p. https://doi.org/10.1002/9780470770801.

15. Martins J. R. R. A., Lambe A. B. Multidisciplinary Design Optimization: A Survey of Architectures. AIAA Journal. 2013;51(9):2049–2075. https://doi.org/10.2514/1.J051895.

16. Sobieszczanski-Sobieski J., Haftka R. T. Multidisciplinary aerospace design optimization: survey of recent developments. Structural Optimization. 1997;14:1–23. https://doi.org/10.1007/BF01197554.

17. Tao F., Zhang M. Digital Twin Shop-Floor: A New Shop-Floor Paradigm Towards Smart Manufacturing. IEEE Access. 2017 ; 5 : 20418 –20427 . https://doi.org/10.1109/ACCESS.2017.2756069.

18. Lee J., Bagheri B., Kao H.-A. A Cyber-Physical Systems architecture for Industry 4.0-based manufacturing systems. Manufacturing Letters. 2015;3:18–23. https://doi.org/10.1016/j.mfglet.2014.12.001.