Активная экспертная система мониторинга и управления ремонтом авиационных газотурбинных двигателей Текст научной статьи по специальности «Электротехника, электронная техника, информационные технологии»

УДК 681.3.069:681.3.015

АКТИВНАЯ ЭКСПЕРТНАЯ СИСТЕМА МОНИТОРИНГА И УПРАВЛЕНИЯ РЕМОНТОМ АВИАЦИОННЫХ ГАЗОТУРБИННЫХ ДВИГАТЕЛЕЙ

С.В.Жернаков

В статье рассматривается применение активных экспертных систем с нейросетевыми базами знаний для процесса информационного мониторинга параметров авиационного газотурбинного двигателя. Предлагается оригинальный подход к определению тренда параметров газотурбинного двигателя на базе нейросетей, реализующих динамическую базу знаний активной экспертной системы в процессе эксплуатации двигателя Предложена методика по разработке подобных нейросетевых баз знаний.

The article considers active expert systems that include neu-ronet knowledge bases. The systems are used in information monitoring of aviation gas turbine engines parameters. The described method is new in a field of determination of the aviation gas turbine engines parameters trend. It includes the use of dynamic knowledge bases of active expert systems during engines exploitation. The method of neuronet knowledge base developing is proposed.

ВВЕДЕНИЕ

Современные экспертные системы (ЭС) постоянно динамично развиваются. Сегодня трудно представить себе какую либо отрасль промышленного производства без участия ЭС. С одной стороны это экономически выгодно, а с другой существенно повышается качество управления.

В сложившихся условиях наряду с традиционной классификацией ЭС: статические и динамические, в последнее время в отечественной и зарубежной периодике выделяют класс - активных ЭС [1-5]. От динамических ЭС (ЭС реального времени) (ЭС РВ), активные ЭС отличаются участием человеческого фактора в контуре управления. Так, если в ЭС РВ на долю человека-оператора в процессе принятия решений может приходиться 30 -50%, то в активных ЭС этот процент участия сводится к минимуму 5 -10% или совсем исключается [2,3].

Совершенно очевидно, что при таком подходе к организации активные ЭС и внедрения ее в процесс управления необходимо учесть ряд факторов, способствующих качественному улучшению ее функционирования [4-7]:

- наличие тесного информационного взаимодействия управляющей системы с окружающей внешней средой с применением специально организованных информационных каналов связи;

- принципиальная открытость системы с целью повышения ее интеллектуальности и совершенствования собственного поведения;

- наличие механизмов прогноза изменения окружающей среды и поведения системы;

- построение управляющей системы на основе многоуровневой иерархической структуры, удовлетворяющей следующему правилу: по мере повышения ранга иерархии про-

исходит повышение интеллектуальности системы и снижение требований к ее точности и наоборот;

- сохраняемость функционирования при частичном разрыве связей или потере управляющих воздействий от высших уровней иерархии управляющей системы.

Иными словами, активная ЭС должна быть легко перестраиваемой (адаптируемой) к внешним изменениям, для чего в ее составе необходимо присутствие следующих соподчиненных уровней [5-7]:

- обучения;

- самоорганизации (перестройки);

- прогноза (регноза) событий (ситуаций);

- работа с базами событий (базами данных) (БД) и знаний (БЗ);

- формирования решений;

- планирования операций по реализации сформированного решения;

- адаптации;

- исполнительный.

При этом, первые пять перечисленных образуют стратегический уровень активной ЭС, остальные выполняют ее тактические функции. Функциональная схема активной ЭС представлена на рисунке 1.

Рисунок 1 - Процесс взаимодействия подсистем активной ЭС

Решатель (машина логического вывода) активной ЭС является комплексным, так как наряду с известными методами и знаниями (логика предикатов, семантические сети, фреймы, продукционный вывод) в активной ЭС могут применяться методы, основанные на мягких вычислениях (нечеткая логика (НЛ), генетические алгоритмы (ГА), нейронные сети (НС), когнитивные сети (КС), вероят-

ностный вывод (ВВ) (эвристики). Комбинация методов и расширение их элементами мягких вычислений с подключением к планировщику банков алгоритмов и моделей увеличивает мобильность вычислительного процесса решателем активной ЭС и как следствие качество принимаемых решений. Имея мощный решатель, активная ЭС сравнительно легко адаптируется к внешней динамической модели, позволяя ставить и решать прямые, обратные и смешанные задачи.

В процессе функционирования сложного динамического объекта (СДО), например, авиационного газотурбинного двигателя (ГТД), подключенная к нему активной ЭС позволяет в темпе реального времени осуществлять моделирование, прогнозирование и оценку эффективности работы силовой установки.

Базы знаний активной ЭС хранят декларативные и процедурные знания. К процедурным относятся базы концептуальных знаний (БКЗ): понятия в виде формул, зависимости, таблицы, процедуры и т.д. К декларативным относятся базы экспертных знаний (БЭЗ), носящие описательный (качественный) характер. При этом БКЗ и БЭЗ тесно взаимодействуют между собой, постоянно осуществляя проверку на непротиворечивость (избыточность) знаний. В процессе взаимодействия с объектом и собственной гетерогенной БЗ активная ЭС осуществляет обучение и самообучение. В режиме сканирования в темпе реального времени проверяются факты и знания. Новая ситуация "образует" прецедент и запоминается в БЗ. Элементы традиционных средств моделирования в активной ЭС осуществляют:

- математическое (имитационное) моделирование ГТД;

- хранение априорных и апостериорных данных в БД активной ЭС (исходная информация и результаты испытаний).

Дополнительная "гибкость" и мобильность БЗ в активной ЭС достигается путем сопряжения моделей искусственного интеллекта и математической модели (ММ) исследуемого ГТД. А для этого у ММ авиационного двигателя необходимо учесть:

- требования к ММ;

- сочетание детерминированной и стохастической моделей;

- механизмы работы с ММ;

- обучение и формализация в среде активной ЭС ММ ГТД с проверкой ее адекватности.

Перечисленное выше, позволяет увеличить точность, достоверность и корректность функционирования активной ЭС.

В процессе мониторинга и управления эксплуатацией ГТД активная ЭС способна полностью контролировать параметры, анализировать (моделировать) текущую ситуацию с прогнозом ее развития в ГТД (информация с датчиков).

Одной из классических задач мониторинга параметров ГТД является разладка (определение тренда контролируемых данных). В общем случае тренд-анализ позволяет контролировать временной ряд, образованный последовательностью значений контролируемых показателей, и определяют наличие тренда: изменений (разладки) в этом ряду. Ценность тренд-анализа в современных активных

ЭС очень велика, так как позволяет выявить дефекты на ранней стадии их развития (даже если значения контролируемых параметров находятся в допустимых пределах).

1. ПОСТАНОВКА ЗАДАЧИ

Обозначим через х(0 , t = 1, 2, ..., N последовательность дискретных наблюдений

х (t) = /(t) + \( t)

(1)

на фоне помехи t) с нулевым средним и дисперсией О2 . В качестве моделей трендов будем использовать множе-

ство полиномов

7 - 1

/(0 = I 7 , (7 = 1, 2, .••' п)

5 = 0

(2)

с неизвестными коэффициентами с7 , где 7 - индекс вида модели.

При текущем оценивании модель (2) удобно представить в виде

7 - 1

ф + ДО = I /(^(О-А?/*!, (7 = 1, 2, ..., п), (3)

5 = 0

где Дt - время, отсчитываемое от текущего момента

времени ^ /5)(0 - *-я производная функции /(0 . Будем

определять значения функции /7 (t) по скользящей

х(t - N + 1), х(t - N + 2),..., х(0 выборке наблюдений постоянного объема N, что позволяет отслеживать изменение коэффициентов с*7 модели (2). Регулярные данные

соответствуют наличию определенной закономерности. Нарушение этой закономерности происходит при изменении коэффициентов с*7 в (2). Задача состоит в построении нейросетевого обнаружителя (динамическая база знаний активной ЭС), позволяющего в результате обработки наблюдений х (0 установить факты нарушения закономерности и моменты времени появления этих нарушений (трендов).

2. РЕШЕНИЕ ЗАДАЧИ В СРЕДЕ АКТИВНОЙ ЭС

БЗ и прецедентов активной ЭС может хранить следующую информацию:

- оценку случайности расхождения между заданными математическим ожиданием и выборочным средним (параметрические методы, которые требуют знаний априорной информации об объекте (ГТД), обычно среднеквадратичного отклонения исследуемого параметра);

- оценку принадлежности двух выборок одной генераль-

ной совокупности (непараметрические методы, не требующие априорной информации классические критерии: Хальда-Аббе и его модификации [8]);

- анализ тренда контролируемых параметров на базе рекуррентных нейросетей.

Описание классических критериев выявления тренда: Хальда-Аббе; Неймана-Пирсона; модифицированного г-критерия; интегрального ^-критерия можно найти, например, в [8].

Автором проведена сравнительная оценка эффективности тренд-анализа нейросетевого и классических критериев. Сравнительное исследование критериев проводилось на основе имитационного моделирования, что позволило осуществить проверку в широком диапазоне изменения, погрешностей измерений и интенсивности проявления тренда. Значение контролируемого параметра равно сумме детерминированной основы и случайной нормально распределенной помехи с дисперсией . Детерминированная составляющая постоянна на интервале [ 0, ^ ] , а затем изменяется линейно с темпом а = tg(а) (1/с), (где а -интенсивность тренда). В ходе моделирования значение а варьировалось в диапазоне [ 0, 01 ;1 ] ; а значение в диапазоне [0,001 ;1 ] . При моделировании для настройки ММ ГТД использовалась выборочная дисперсия, расчи-танная на интервале стационарности [ 0, ^ ] .

Начиная с момента ^ , вычислялись значения критериев и проверялось наличие тренда. Эффективность критериев оценивалась временем срабатывания критериев от начала тренда Т0 до момента времени, соответствующего выявлению тренда Тзап .

Из теории НС [9-11] известно, что статические архитектуры НС способны аппроксимировать многоразмерные, нелинейные статические функции. Идентификация динамических систем, наоборот требует модели с соответствующими элементами запоминания. Поэтому статические полноразмерные НС должны расширяться динамическими структурами. Одной из возможностей динамического расширения является добавление внешних фильтров, которые реализуют динамическую модель вне сети. К таким НС с внешней динамикой относятся [9-11]:

- нелинейные модели с обратной связью с выхода;

- нелинейные модели с конечным импульсным ответом;

- нелинейные ортогональные модели базисных функций.

Данные варианты различаются тем, что реализуются соответствующими внешними фильтрами. Структура внешнего фильтра показана на рисунке 3.

t] Outx[t]

Рисунок 3 - Схема внешнего фильтра

3. ВЫБОР НС

Для решения данной задачи необходимо реализовать на базе рекуррентных НС два последовательно соединенных фильтра - низкой частоты (НЧ) и высокой частоты (ВЧ). При этом НЧ-фильтр "пропускает" постоянную составляющую /(0 и "срезает" помеху {) , а ВЧ-фильтр пропускает /5)(0 и "срезает" /(0 и помеху 0 . Реализация

НЧ и ВЧ-фильтров на базе рекуррентных НС показана на рисунке 2.

Рисунок 2 - НЧ (а) и ВЧ (б) - фильтры на базе рекуррентных НС

При предварительной обработке считается, что функции /(0 и 0 не коррелированы. Требуется, чтобы

вектор Ошх(t) выходных величин фильтра OutX(t) ,

I = 1, N, представляющий собой реакцию на внешнее воздействие, приближался к желаемой функции от

полезного сигнала:

Outx(t) = Ff(t) ,

(4)

где Г = (^) - некоторый векторный оператор, описывающий отображение множества полезных сигналов в выходные сигналы фильтра [12].

В качестве меры приближения ОШх(t) к Г/( 0 в общем случае можно выбрать функционал:

J = 7{ф[Ff(t) - Outx(t)]} ,

(5)

где ] - некоторая мера векторной функции.

В простейшем случае [12] (рис.3) входной сигнал подается на множество последовательно соединенных

функциональных элементов, обладающих задержкой г-1 (в синапсах). Их входные величины, представляются в

виде сигналов 1пх( t - kz 1) , к=1^ с весами Wjk , формируя вектор оценок полезных сигналов (х^({)) , на основе которого с помощью сети, реализующей матрицу операторов (Flj) , формируется вектор выходных сигналов

( Outx(t) ):

реализуется отдельным нейроном).

Решающее правило для ансамбля НС, реализующего НЧ и ВЧ фильтры имеет следующий вид:

а

X Д + 1 (t) -Д(t)]2 = ¿=1_

> C

(10)

Outx(^ = Flj X WjkInx(t- kz-1)

k

(6)

где l=1,N.

Задачей фильтрации является воспроизведение полезного сигнала на фоне шумов и выполнение требуемого преобразования.

Для решения данной задачи необходимо минимизировать среднеквадратичное отклонение оценки полезного сигнала Xj(!) от ожидаемого j - полезного сигнала Д(!) ,

характеризующего соответствующий полезный результат НС-фильтра, т.е. найти:

(7)

шт М" X (^ - X WjkInx(t - kz-1)

где M - математическое ожидание.

Согласно данному критерию могут быть реализованы классические алгоритмы адаптации фильтра с использованием априорной информации о полезном сигнале и шуме [9-14].

Исходя из выше изложенного, автором, для решения поставленной задачи в качестве статической НС, реализующей НЧ-фильтр, был выбран персептрон; для ВЧ-фильтра - НС РБФ (Радиально-базисная функция).

Сигнал, имеющий N отсчетов x = [x 1, ..., xN] может

быть аппроксимирован НС с О нейронами в скрытом слое следующими уравнениями:

для персептрона Д( t) = X 0)q(Щк)Т1) , (8) 1 = 0

для РБФ Д(^ = X Щ0)К1 (1, Щк)), (9) 1 = 0

где q[ • ] - различные типы базисных функций многослойного персептрона, обладающих скалярным аргументом (исходная ^мерная задача аппроксимации путем весовой суперпозиции разлагается на простые скалярные базисные функции; сжатие ^размерного входного пространства до 1-мерного входа /(•) осуществляется путем

скалярного произведения Щй)Т1 ); К(^) - взвешенные базисные функции РБФ (каждая базисная функция

где числитель выражения (10) означает накопление суммы отклонений контролируемых параметров (С - порог срабатывания (чувствительность) НС; при С = 0 (нормальный режим работы), при а> С (тренд)).

4. ЭКСПЕРИМЕНТЫ И РЕЗУЛЬТАТЫ

В процессе математического моделирования на ансамблевой НС (персептрон - РБФ), реализующих рекуррентные фильтры (динамическая база знаний активной ЭС) в сравнении с классическими критериями обнаружения тренда параметров ГТД были получены следующие результаты (рис.4), которые показывают изменение величины 3о/а для 5%-ного уровня значимости, соответствующего вероятности принятия правильного решения Р=0,95.

Дт„

40

20

/

А--

/ ____

0,2

18,6

37

55

74

Зет-/а

Рисунок 4 - Характеристики критериев тренда для 5% уровня значимости в безразмерных координатах

На рисунке 4 цифрами обозначены: 1 - нейросетевой критерий; 2 - ^-критерий; 3 - ^'-критерий; 4 - г'-критерий Хальда-Аббе; 5 - модифицированный г'-критерий; 6 - и-критерий.

Изменяя в обучающей выборке (50 данных): Оу -среднеквадратичное отклонение ошибки измерения; а -угол наклона тренда; Т0 - момент появления тренда; было

установлено, что нейросетевые критерии эффективнее классических (имеют лучшую чувствительность) распознавания (появления) момента разладки (тренда) контролируемых параметров ГТД, даже в условиях сильных помех (табл.1).

Таблица 1 Сравнительная оценка определения тренда

Критерии Измеряемая выборка Время появления тренда (измерения) Качество распознавания (%) Качество распознавания тренда при изменении

(%) а (%) т0 (чувствительность)

Классические 50 7-8 95 70-95 60-95 10-25 (измерений)

Нейросетевые 50 4-5 100 95-100 95-100 3-5 (измерений)

В настоящее время при решении сложных комплексных задач информационного мониторинга и эксплуатации авиационных двигателей могут успешно применяться сложные ансамблевые НС (НА) [15-17], которые по сравнению с обычными полносвязными НС позволяют получить на практике дополнительные преимущества: декомпозиция сложного динамического объекта (СДО) (его систем) на ряд простых объектов (подсистем); НА проще перестраиваются под изменяющиеся внешние условия (в классе адаптивных, самонастраивающихся систем); структура НА может быть оптимизирована под конкретную задачу; быстродействие и точность НА значительно выше, чем классических полносвязных НС; НА обеспечивают лучшую аппроксимацию кусочно-непрерывных функций.

Перечисленные выше преимущества НА над обычными полносвязными НС, дают возможность их дальнейшего применения при решении задач информационного мониторинга и управления эксплуатацией ГТД.

Методика комплексного мониторинга параметров ГТД на базе рекуррентного НА:

1. Получение обучающей выборки на N режимах нормально работающего двигателя в темпе реального времени;

2. Получение обучающей выборки на N режимах двигателя с трендом параметров в темпе реального времени;

3. Выбор архитектуры рекуррентных НС;

4. Выбор алгоритмов обучения;

5. Обучение, тестирование и распознавание тренда параметров ГТД в режиме реального времени;

6. Мониторинг параметров ГТД рекуррентным НА.

7. Адаптация рекуррентного НА в среде активной ЭС. Результаты численного моделирования свидетельствуют

о возможности решения задач комплексного мониторинга и управления эксплуатацией сложных технических объектов, например, ГТД на базе активных ЭС, позволяющих наряду с классическими критериями выявления тренда параметров, применять качественно новые нейросетевые критерии, расширяющие и дополняющие классические критерии, повышающие достоверность информации при диагностике и контроле параметров и на этапах принятия решений.

Разработка авиационных ГТД V - VI поколений, усложнение их технических систем и подсистем, а также возросшие требования к безопасности полетов привели к необходимости создания интеллектуальных систем способных выполнять некоторые функции человека-эксперта, способствовать в поиске оптимального решения, выдавать

советы и рекомендации в темпе реального времени в процессе комплексного мониторинга и управления эксплуатацией ГТД.

Подход, предложенный автором, апробирован им в среде активной ЭС на базе RTWorks 5.1 совместно с СУБД INFORMIX и нейроимитатором NeuroSolutions 3.0 показавшими высокую эффективность при решении задач комплексного мониторинга и управления эксплуатацией (контроля, диагностики, отладки и прогнозирования параметров) ГТД.

ПЕРЕЧЕНЬ ССЫЛОК

1. Захаров В.Н. Интеллектуальные системы управления: основные понятия и определения. //Теория и системы управления. Известия РАН. №3 1997.

2. Бурков В.Н., Новиков Д.А. Теория активных систем: состояние и перспективы. - М.:СИНТЕГ, 1999. - 127с.

3. Новиков Д.А., Петраков С.Н. Курс теории активных систем.- М.: СИНТЕГ, 1999. - 105с.

4. Попов Э.В., Фомин И.Б., Кисель Е.Б., Шапот М.Д. Статические и динамические экспертные системы. - М.: Финансы и статистика, 1996. - 315с.

5. Васильев В.И. Искусственный интеллект в системах управления и обработки информации. //Вестник УГАТУ. №1, 2000. - С.133-140.

6. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Управление динамическими системами в условиях неопределенности. - М.:Наука, 1998. - 625с.

7. Кусимов С.Т., Ильясов Б.Г., Васильев В.И. и др. Проблемы проектирования и развития систем автоматического управления и контроля ГТД. - М.:Машиностроение, 1999. -685с.

8. Епифанов С.В., Кузнецов Б.И., Богаенко И.Н. и др. Синтез систем управления и диагностирования газотурбинных двигателей. - Киев: Техника,1998. - 315с.

9. Галушкин А.И. Теория нейронных сетей.- М.:ИПРЖР, 2000.-416с.

10. Горбань А.Н. Обучение нейронных сетей. - М.: СП Параграф, 1990. - 125с.

11. Архангельский В.И., Богаенко И.Н., Грабовский Г.Г. и др. Нейронные сети в системах автоматизации. - Киев: Техника, 1999. - 362с.

12. Зозуля Ю.И. Интеллектуальные системы обработки информации на основе нейросетевых технологий. - Уфа: УГАТУ, 2000. - 138с.

13. Бывайков М.Е. Алгоритм обнаружения изменения вида модели при текущем оценивании. //Автоматика и телемеханика, №5,1993. - С.82-93

14. Вишняков А.Н., Цыпкин Я.З. Обнаружение нарушений закономерностей по наблюдаемым данным при наличии помех.//Автоматика и телемеханика, 12, 1991. - С.128-137

15. Жернаков С.В. Об одной методике построения гибридных экспертных систем диагностики и контроля ГТД в условиях неопределенности. // Авиационно-космическая техника и технологии: Сб.науч.тр.- Харьков: ХАИ, 1998. Вып.5. -С.242-249

16. Жернаков С.В. Диагностика и контроль параметров ГТД гибридными экспертными системами. // Авиационно-космическая техника и технологии: Сб.науч.тр.- Харьков: ХАИ, 1999. Вып.9. - С.325-333

17. Жернаков С.В. Контроль и диагностика ГТД гибридными экспертными системами. - Жуковский: ЦАГИ, 1999, вып.2640. - С.215-220