CC BY
70
2006
НАУЧНЫЙ ВЕСТНИК МГТУ ГА серия Эксплуатация воздушного транспорта
№ 109
УДК 629.735.03
АНАЛИЗ ВЛИЯНИЯ ХАРАКТЕРА НЕИСПРАВНОСТЕЙ АВИАДВИГАТЕЛЕЙ НА ПОВЕДЕНИЕ ДИАГНОСТИЧЕСКИХ МОДЕЛЕЙ, ОСНОВАННЫХ НА НЕЙРОННЫХ СЕТЯХ
П.И. РАКОВ
Статья представлена доктором технических наук, профессором Чичковым Б.А.
В статье представлены некоторые результаты применения диагностических моделей, основанных на нейронных сетях, в задачах выявления возникновения неисправностей авиационных двигателей.
В процессе диагностирования авиационных газотурбинных двигателей (ГТД) можно выделить два направления:
1. Определение текущего технического состояния двигателя;
2. Прогнозирование изменения технического состояния двигателя.
Целью статьи является установление наличия взаимосвязи между поведением диагностической модели, основанной на нейронных сетях (диагностических нейромоделей), и характером неисправности авиадвигателя. Наличие подобной взаимосвязи позволит в дальнейшем судить о возможностях нейромоделей (НМ) по эффективному решению задач диагностирования авиационных ГТД.
Критерием эффективности в данном случае будет являться точность, с которой НМ будут справляться с задачами диагностики, т. е. точность определения текущего технического состояния и точность прогнозирования его изменения.
Необходимо отметить, что задачу определения текущего технического состояния здесь можно свести к задаче выявления возможных неисправностей авиадвигателей. Учитывая данное обстоятельство, уместно предположить, что для решения задачи выявления неисправностей может потребоваться проведение ряда наблюдений за характером изменения того или иного параметра ГТД от наработки. Диагностические НМ являются отражением всех процессов, протекающих в двигателе. В связи с этим представляется справедливым предположение о том, что осуществление наблюдения за поведением диагностических НМ будет способствовать получению в достаточной степени достоверной информации о характере изменения того или иного параметра ГТД.
В свою очередь, получение сведений о характере изменения параметров ГТД по средствам наблюдения за поведением диагностических НМ представляется задачей весьма сложной в том случае, если диагностические НМ будут отражать малейшие изменения параметров авиадвигателей. Подобные изменения параметров ГТД, носящие отчасти случайный характер, могут оказывать существенное влияние на общее представление о характере их изменения, что затруднит получение общей картины о процессах, протекающих в авиадвигателе. Из вышесказанного представляется возможным заключить, что процесс наблюдения за поведением диагностических НМ наиболее предпочтителен в условиях аппроксимации статистических данных, представляющих собой нелинейные функциональные зависимости.
Для решения поставленной задачи были использованы диагностические НМ, основанные на радиальных базисных нейронных сетях (РБНС).
Выбор конкретного типа нейронных сетей (нейросетей, или НС) для решения поставленных задач был обусловлен следующими обстоятельствами:
1. Применение РБНС способствует достижению требуемого уровня точности аппроксимации нелинейных функций;
2. Процесс обучения РБНС осуществляется за весьма короткий промежуток времени и не требует больших объемов настроек НС;
3. Аппроксимирующая кривая, построенная с применением РБНС, представляет собой более плавную кривую по сравнению с кривыми, построенными с помощью других типов НС, что представляется наиболее предпочтительным с точки зрения получения сведений о тренде изменения параметров ГТД.
Для построения с помощью диагностических НМ аппроксимирующих кривых были использованы статистические данные (© ОАО «Авиадвигатель») по ряду авиадвигателей, некоторые из которых имели различного рода неисправности. К неисправностям рассмотренных авиационных двигателей (АД) можно отнести следующие:
- падение тяги двигателя - АД1;
- прогар камеры сгорания (КС) - АД2;
- разрушение 5-ой ступени компрессора высокого давления (КВД) - АД3;
- обрыв рабочей лопатки (РЛ) 1-ой ступени турбины высокого давления (ТВД) - АД4.
Следует отметить, что для оценки уровня влияния того или иного вида неисправности на
поведение НМ были использованы данные по двигателю, не имеющему неисправностей - АД5.
Применяемые для решения задачи аппроксимации РБНС имели следующие основные характеристики:
- параметр влияния значимости значений входов (параметр Б): 400;
- заданная величина ошибки обучения НС: 0,0001.
Для построения кривых, представленных на рис. 1 - 4, были использованы данные зависимости отношения давления газов за турбиной низкого давления (ТНД) к давлению воздуха на входе в двигатель (Рт/Рвх) от наработки для ряда ГТД.
Необходимо отметить, что наблюдения за изменениями параметров всех рассмотренных ГТД (с неисправностями) были прекращены на момент физического обнаружения неисправностей.
Кривая, представленная на рис. 1, отражающая поведение диагностической НМ ГТД с падением тяги (кривая АД1), на заключительном участке наблюдения имеет довольно резкое снижение до абсолютно минимального значения за весь период наблюдения, что является некоторым основанием для предположения о наличии взаимосвязи между поведением НМ и неисправностью АД. Важно учитывать тот факт, что падение тяги является следствием возникновения той или иной неисправности в АД, т.е. причиной падения тяги может являться целый ряд неисправностей ГТД. Некоторую особенность имеет НМ двигателя с разрушением 5-ой ступени КВД (рис. 3). После достаточно уверенного увеличения рассматриваемый параметр на завершающем этапе наблюдения имеет довольно резкое снижение до уровня минимальных значений за последнюю треть периода наблюдений. Подобное снижение величины параметра, предположительно, можно считать признаком наличия неисправности АД. Весьма примечательным видится поведение диагностической НМ двигателя с прогаром КС (рис. 2). Обобщенно поведение кривой представляется возможным выразить следующим образом: резкий подъем кривой до уровня максимальных значений сменяется таким же резким снижением до уровня минимальных значений; далее следует весьма резкое увеличение до уровня значений, соответствующих абсолютному максимуму. Заключительный период наблюдений характеризуется резким снижением кривой до уровня минимальных значений.
В то же время поведение диагностической НМ исправного двигателя (рис. 4) характеризуется наличием относительно плавного изменения аналогичного параметра в определенном диапазоне за весь период наблюдения.
Рис. 1. График диагностической НМ двигателя с падением тяги (АД1).
Рис. 2. График диагностической НМ двигателя с прогаром камеры сгорания(АД2).
наработка, ч
Рис. 3. График диагностической НМ двигателя с разрушением 5-ой ступени КВД (АД3).
Рис. 4. График диагностической НМ исправного двигателя (АД4).
Видится справедливым предположение о том, что представленный на рис. 2 характер поведения кривой отношения давления газов за ТНД к давлению воздуха на входе в двигатель (Р„/Рвх) от наработки присущ такой неисправности, как прогар камеры сгорания.
Таким образом, представляется возможным предположить, что по поведению диагностической модели, основанной на нейронных сетях, можно выявить характер неисправности авиадвигателя.
ЛИТЕРАТУРА
1. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика .-2-е изд. -М.: Горячая линия - Телеком, 2002.
2. Осовский С. Нейронные сети для обработки информации / Пер. с польского И. Д. Рудинского. - М.: Финансы и статистика, 2004.
3. Медведев В.С., Потемкин В.Г. Нейронные сети. МЛТЬЛБ 6. -М.: ДИАЛОГ-МИФИ, 2002.
THE ANALYSIS OF INFLUENCE CHARACTER AIRCRAFT ENGINE’S MALFUNCTIONS ON BEHAVIOUR OF THE DIAGNOSTIC MODELS BASED ON NEURAL NETWORKS
Rakov P.I.
The article presents some results of application diagnostic models based on neural networks in tasks of revealing of occurrence different turbojet’s malfunctions.
Сведения об авторе
Раков Павел Игоревич, 1981 г.р., окончил МГТУ ГА (2004), аспирант кафедры двигателей летательных аппаратов МГТУ ГА, область научных интересов - рабочие процессы, конструкция и прочность авиационных двигателей, диагностика авиационных двигателей.
