CC BY
13
УДК 004.415.2
АРХИТЕКТУРА ГЕТЕРОГЕННОЙ ВЫЧИСЛИТЕЛЬНОЙ СИСТЕМЫ МОДЕЛИРОВАНИЯ АВИАЦИОННОГО ГАЗОТУРБИННОГО ДВИГАТЕЛЯ
А. И. Загитова
Уфимский государственный авиационный технический университет Российская Федерация, 450008, г. Уфа, ул. К. Маркса, 12 E-mail: zagitova92@gmail.com
На этапах разработки, летных испытаний и эксплуатации летательных аппаратов требуется использование имитационных моделей их силовых установок. Предлагается использование нейросетевых технологий и гибридного вычислительного комплекса для повышения производительности вычислений и повышения надежности модели авиационного газотурбинного двигателя.
Ключевые слова: газотурбинный авиационный двигатель, нейросетевые технологии, гетерогенная вычислительная система.
ARCHITECTURE OF HETEROGENEOUS COMPUTATION SYSTEM FOR SIMULTAION OF AN AVIATION GAS-TURBINE ENGINE
A. I. Zagitova
Ufa State Aviation Technical University 12, K. Marx Str., Ufa, 450008, Russian Federation E-mail: zagitova92@gmail.com
Use of simulation models of aviation engines is necessary on the stages of their development, testing and exploitation. This paper suggests an architecture of heterogeneous computation system using an artificial neural networks to increase computational speed and reliability of aviation engine simulation models.
Keywords: gas-turbine aviation engine, neural network technology, heterogeneous computation system.
Введение. Рассматривается задача разработки архитектуры гибридной вычислительной системы, включающей в себя кластер, состоящий из многоядерных персональных компьютеров, и нейросетевого вычислителя. Объединение разнородных вычислителей в единую систему позволяет повысить скорость расчетов за счет применения технологий параллельного программирования в системах с общей и разделенной памятью и работы нейропроцессора [1].
На рис. 1 представлена аппаратно-программная архитектура вычислительного комплекса, где САУ ГТД - система автоматического управления газотурбинным двигателем.
В математических моделях ГТД чаще всего используется представление характеристик компрессора в виде таблиц данных, полученных в результате испытаний на различных режимах работы двигателя. Для определения границы газодинамической устойчивости и построения напорных веток выполняются летные или стендовые испытания агрегатов двигателя. Испытания начинаются с минимальной частоты, при которой двигатель или компрессор на стенде работают устойчиво. При этом измеряются и фиксируются: давление ph и температура Th окружающей
среды, параметры в нескольких точках напорной ветки при заданной частоте вращения n - за* *
торможенные давление pK и температура TK за компрессором. По этим параметрам определяет-
Секция «Программные средства и информационные технологии»
ся расход воздуха через компрессор О, и приведенная скорость ппр на входе в компрессор. В каждой точке определяется степень повышения давления в компрессоре по формуле
пк =
где рв - давление на входе в компрессор [2].
Рк.
*
Рв
(1)
Рис. 1. Архитектура гетерогенной вычислительной системы
В ходе компьютерного моделирования ГТД требуется определение значений параметров работы компрессора путем аппроксимации его характеристики или экстраполяции в случае выхода за область известных значений параметров рабочих процессов. Как правило, для этой цели используется либо кусочно-линейная аппроксимация, что требует обеспечить заданную точность в точках «склейки», либо аппроксимация с помощью полиномов, что требует принятия специальных мер для обеспечения точности [3].
Для повышения качества имитационной модели ГТД предлагается выполнять аппроксимацию с помощью нейронной сети, обученной на наборе экспериментальных данных.
В качестве примера применения нейросетевого подхода, рассмотрим аппроксимацию характеристики компрессора низкого давления, которая является функцией двух переменных:
к =
кнд
I (О
в пр. кнд; П пр. кнд
(2)
где ккнд - степень повышения давления воздуха в каскаде низкого давления (КНД); Ов кнд -
приведенный расход воздуха через КНД; п пр кнд - приведенная частота вращения КНД, и задана
набором экспериментально полученных значений в приведенных координатах.
Для её аппроксимации с помощью инструментального средства NN1001 математического пакета Ма1ЬаЬ построена нейронная сеть (НС), входными переменными которой являются значения частоты вращения ппр кнд и приведенного расхода воздуха через КНД - О
в пр. кнд
*
; выход-
ной (целевой) переменной является степень повышения давления воздуха в КНД - ккнд; структура которой представлена на рис. 2.
Минимальное среднее значение ошибки (1,6746 % от целевого значения) достигается при обучении двухслойной нейронной сети, имеющей 9 нейронов в скрытом слое, при использовании алгоритма прямого распространения ошибки и алгоритма обучения Левенберга-Марквардта.
а{1} Process Output 1 Output
Рис. 2. Структура аппроксимирующей НС
Средства пакета Matlab позволяют сохранять обученную нейронную сеть и импортировать её в программы на языках C++ и C#. Использование обученной нейронной сети позволяет значительно сократить время определения параметров компрессора в работающей имитационной модели ГТД и обеспечить требуемую точность вычисления характеристик работы компрессора, при условии, что вычисления этой нейросетевой модели будут выполняться на базе нейрокомьютера.
Библиографические ссылки
1. Валеев С. С., Загитова А. И., Кондратьева Н. В. Программный комплекс моделирования сложных динамических объектов // Проблемы техники и технологий телекоммуникаций (ПТиТТ-2016) : материалы XVII Междунар. науч.-техн. конф. (г. Самара, 22-24 ноября 2016 г.). Казань : ООО «16ПРИНТ», 2016. С. 525-526.
2. Kulikov, Gennady G., Haydn A. Thompson. Dynamic modelling of gas turbines: identification, simulation, condition monitoring, and optimal control. London : Springer, 2004. 310 р.
3. Васильев В. И., Валеев С. С., Шилоносов А. А., Каримов И. А. Применение нейросете-вых моделей реального времени в системах управления ГТД // Научная сессия Московского инженерно-физического института. 2000. С. 236.
© Загитова А. И., 2017
