Feedforward and Recurrent Neural Networks for Temperature Prediction Between Cuts of Turbopropeller Engine

Tato diplomová práce se věnuje predikci teploty, která je skalární termodynamickou stavovou veličinou. K predikci budou využity umělé neuronové sítě (Artificial Neural Networks, ANN), které jsou jedním z nástrojů umělé inteligence (Artificial Intelligence, AI). Tuto veličinu budu analyzovat a následně predikovat z dat naměřených v turbovrtulovém letadlovém motoru. Data, která budou v této práci zpracována a vyhodnocována pochází od blíže nespecifikovaného, avšak relevantního zdroje, který provedl měření teplot propulzní látky tohoto motoru. Část této práce se také věnuje termodynamickým dějům, na jejichž principech tyty stroje pracují. Pro zpracování velkého množství dat, která jsou v této práci použita, bude využita mimo jiné analýza hlavních komponent (PCA). Pro dosažení ideálního výsledku práce použiji různé kombinace modelů sítí a optimalizačních algoritmů.This thesis deals with temperature prediction, which is a scalar thermodynamic state variable. Artificial Neural Networks (ANN), which are one of the tools of Artificial Intelligence (AI), will be used for prediction. I will analyze this quantity and then predict it from the data measured in a turboprop aircraft engine. The data that will be processed and evaluated in this work comes from an unspecified but relevant source, which performed the measurement of the temperature of the propulsion substance of this engine. Part of this work is also devoted to thermodynamic processes on which these machines work. The Principal Component Analysis (PCA) will be used to process large amounts of data used in this work besides other methods. I will use various combinations of neural network models and optimization algorithms to achieve ideal results