The subject matter in the article is TV3-117 aircraft engine and methods of identification of its technical condition. The goal of the work is to develop methods for identifying the technical state of the aircraft engine TV3-117 on the basis of real-time neural network technologies. The following tasks were solved in the article: the task of identifying the reverse multi-mode model of the aircraft engine TV3-117 using neural networks. The following methods used are – methods of probability theory and mathematical statistics, methods of neuroinformatics, methods of the theory of information systems and data processing. The following results were obtained – The application of the neural network apparatus is effective in solving a large range of tasks: identifying the mathematical model of the aircraft engine TV3-117, diagnosing the condition, analyzing the trends, forecasting the parameters, etc., despite the fact that these tasks usually relate to the class difficultly formalized (poorly structured), neural networks are adequate and effective in the process of their solution. In the process of solving the task of identifying the mathematical model of the aircraft engine TV3-117 on the basis of neural networks, it was established that neural networks solve the problem of identification more precisely classical methods. Conclusions: It was established that the error of identification of the aircraft engine TV3-117 with the help of a neural network of type perceptron did not exceed 1.8 %; For the neural network of radial-basic function (RBF) – 4.6 %, whereas for the classical method (LSM) it makes about 5.7 % in the considered range of changes in engine operation modes. It was found that neural network methods are more robust to external perturbations: for noise level σ = 0.01, the error of identification of aircraft engine TV3-117 with the use of perceptron has increased from 1.8 to 3.8 %; for the neural network RBF – from 4.6 to 5.7 %, and for the least squares method – from 5.7 to 13.93 %. In the process of solving the task of identifying the inverse multi-mode model of the aviation engine TV3-117 on its parameters on the basis of neural networks (perceptron and RBF) it was shown that their use allows for indirect measurement of the parameters of the flowing part of the engine at different modes of its operation: in the absence of noise – with an error of not more than 1,8 and 4,6 % respectively; in the presence of noise (σ = 0,01) – with an error of not more than 3,8 and 5,7 % respectively. Application in these conditions of the least squares method (polynomial regression model of the 8th order) allows us to obtain the error value: in the absence of noise – no more than 5,7 %; in the presence of noise – no more than 13,93 %., Предметом исследования в статье является авиационный двигатель ТВ3-117 и методы идентификации его технического состояния. Цель работы – разработка методов идентификации технического состояния авиационного двигателя ТВ3-117 на основе нейросетевых технологий в режиме реального времени. В статье решаются следующие задачи: задача идентификации обратной многорежимной модели авиационного двигателя ТВ3-117 с использованием нейронных сетей. Используются следующие методы: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Получены следующие результаты: Применение аппарата нейронных сетей оказывается эффективным при решении большого круга задач: идентификации математической модели авиационного двигателя ТВ3-117, диагностики состояния, анализа трендов, прогнозирования параметров и т.д., при этом несмотря на то, что эти задачи обычно относятся к классу трудно формализуемых (плохо структурированных), нейронные сети оказываются адекватными и эффективными в процессе их решения. В процессе решения задачи идентификации математической модели авиационного двигателя ТВ3-117 на основе нейронных сетей было установлено, что нейронные сети решают задачу идентификации точнее классических методов. Выводы: Установлено, что погрешность идентификации авиационного двигателя ТВ3-117 с помощью нейронной сети типа персептрон не превысила 1,8 %; для нейронной сети радиально-базисной функции (РБФ) – 4,6 %, в то время как для классического метода (МНК) она составляет около 5,7 % в рассмотренном диапазоне изменения режимов работы двигателя. Выяснено, что нейросетевые методы более робастны к внешним возмущениям: для уровня шума σ = 0,01 погрешность идентификации авиационного двигателя ТВ3-117 при использовании персептрона возросла с 1,8 до 3,8 %; для нейронной сети РБФ – с 4,6 до 5,7 %, а для метода наименьших квадратов – с 5,7 до 13,93 %. В процессе решения задачи идентификации обратной многорежимной модели авиационного двигателя ТВ3-117 по его параметрам на основе нейронных сетей (персептрон и РБФ) было показано, что их использование позволяет проводить косвенное измерение параметров проточной части двигателя на различных режимах его работы: при отсутствии шума – с погрешностью не более 1,8 и 4,6 % соответственно; при наличии шума (σ = 0,01) – с погрешностью не более 3,8 и 5,7 % соответственно. Применение в этих условиях метода наименьших квадратов (полиномиальная регрессионная модель 8-го порядка) позволяет получить значение погрешности: при отсутствии шума – не более 5,7 %; при наличии шума – не более 13,93 %., Предметом дослідження в статті є авіаційний двигун ТВ3-117 та методи ідентифікації його технічного стану. Мета роботи – розробка методів ідентифікації технічного стану авіаційного двигуна ТВ3-117 на основі нейромережевих технологій у режимі реального часу. В статті вирішуються наступні завдання: задача ідентифікації зворотної багаторежимної моделі авіаційного двигуна ТВ3-117 з використанням нейронних мереж. Використовуються такі методи: методи теорії ймовірностей і математичної статистики, методи нейроінформатики, методи теорії інформаційних систем та обробки даних. Отримано наступні результати: Застосування апарату нейронних мереж виявляється ефективним при розв’язку великого кола задач: ідентифікації математичної моделі авіаційного двигуна ТВ3-117, діагностики стану, аналізу трендів, прогнозування параметрів тощо, при цьому незважаючи на те, що ці задачі зазвичай відносяться до класу важко формалізованих (погано структурованих), нейронні мережі виявляються адекватними і ефективними у процесі їх розв’язку. У процесі розв’язку задачі ідентифікації математичної моделі авіаційного двигуна ТВ3-117 на основі нейронних мереж було встановлено, що нейронні мережі розв’язують задачу ідентифікації точніше класичних методів. Висновки: Установлено, що похибка ідентифікації авіаційного двигуна ТВ3-117 за допомогою нейронної мережі типу персептрон не перевищила 1,8 %; для нейронної мережі радіально-базисної функції (РБФ) – 4,6 %, в той час як для класичного методу (МНК) вона складає близько 5,7 % у розглянутому діапазоні зміни режимів роботи двигуна. З’ясовано, що нейромережеві методи більш робастні до зовнішніх збурень: для рівня шуму σ = 0,01 похибка ідентифікації авіаційного двигуна ТВ3-117 при використанні персептрона зросла з 1,8 до 3,8 %; для нейронної мережі РБФ – з 4,6 до 5,7 %, а для методу найменших квадратів – з 5,7 до 13,93 %. У процесі розв’язку задачі ідентифікації зворотної багаторежимної моделі авіаційного двигуна ТВ3-117 за його параметрами на основі нейронних мереж (персептрон і РБФ) було показано, що їх використання дозволяє проводити непряме вимірювання параметрів проточної частини двигуна на різних режимах його роботи: за відсутності шуму – з похибкою не більше 1,8 і 4,6 % відповідно; за наявності шуму (σ = 0,01) – з похибкою не більше 3,8 і 5,7 % відповідно. Застосування в цих умовах методу найменших квадратів (поліноміальна регресійна модель 8-го порядку) дозволяє отримати значення похибки: за відсутності шуму – не більше 5,7 %; за наявності шуму – не більше 13,93 %.