CC BY
57
ISSN 1992-6502 (Print)_
2015. Т. 19, № 2 (68). С. 63-68
Ъюьшм QjrAQllQj
ISSN 2225-2789 (Online) http://journal.ugatu.ac.ru
УДК 621.452.3:519.711.3
Новые алгоритмы
бортовой диагностики авиационного газотурбинного двигателя
на базе нейро-нечетких сетей
1 2 С. В. Жернаков , А. Т. Гильманшин
1 [email protected], 2 [email protected] ФГБОУ ВПО «Уфимский государственный авиационный технический университет» (УГАТУ) Поступила в редакцию 15 декабря 2014
Аннотация Рассматривается применение нейро-нечетких алгоритмов для решения задач контроля и диагностики авиационных ГТД, описано построение математической модели ГТД и классификатора отказов, отражены их достоинства и недостатки перед классическими методами диагностики.
Ключевые слова: нейросетевая модель; нейро-нечеткий алгоритм; газотурбинный двигатель.
ВВЕДЕНИЕ
Развитие современных газотурбинных двигателей требует более качественного и быстрого выявления неисправностей, для этого необходимо непрерывно совершенствовать системы контроля и диагностики таких двигателей. Функционирование таких систем в условиях «НЕ-факторов» в сочетании с высокой сложностью процессов протекающих в двигателе делает целесообразным применение интеллектуальных методов для решения задач контроля и диагностики ГТД наряду с классическими.
1. ПОСТАНОВКА ЗАДАЧИ
Современная цифровая система управления авиационного ГТД реализует управление двигателем во всех режимах его работы и обеспечивает устойчивую работу двигателя на переходных режимах и предотвращение различных аварийных ситуаций (рис. 1). Система состоит из трех основных блоков - блока контроля измеряемых параметров, бортовой системы контроля и диагностики, и системы автоматического управления [1].
Первичная обработка данных измерительных каналов в настоящее время осуществляется с использованием алгоритмов допускового контроля, отслеживающих выход измеряемых величин и их производных за заданные пределы.
При обнаружении отказа измерительного канала для восстановления потерянной информации используется последнее достоверное значение измеряемого параметра. Такой метод имеет недостаточную эффективность обнаружения постепенного или плавающего отказа, а также низкую достоверность восстановленных данных на переходных режимах работы. Для решения данной проблемы возникает необходимость дополнять классические методы контроля и диагностики ГТД новыми, интеллектуальными, имеющими более высокую эффективность на любых режимах работы двигателя [2].
Рис. 1. Структура цифровой системы управления авиационным ГТД
Работа поддержана грантом РФФИ 12-08-010-14.
Для решения вышепоставленной задачи может быть использована интеллектуальная сис-
тема, реализующая метод FDI (Fault Detection and Identification), в основе которой лежит ней-росетевая математическая модель двигателя и нейронечеткий классификатор [3]. Такая система позволяет обнаруживать и классифицировать нештатные режимы работы газотурбинного двигателя, измерительных каналов и исполнительных механизмов в бортовых условиях. Структура данной системы показана на рис. 2.
Нейросетевая Y
U математическая модель 7
Газотурбинный
двигатель Y
Нечеткий классификатор отказов
Рис. 2. Структурная схема системы РБ1
2. МАТЕМАТИЧЕСКАЯ МОДЕЛЬ ГАЗОТУРБИННОГО ДВИГАТЕЛЯ
Выходные параметры математической модели могут быть использованы для диагностики нештатных режимов работы двигателя на основании сравнения вышеуказанных параметров с измеренными, а также для восстановления потерянных данных измерительных каналов в случае обнаружения их отказа.
Такая модель должна обладать рядом специальных свойств, важнейшими из которых являются следующие [4]:
• модель должна описывать свойства ГТД, определяющие нестационарность рабочих процессов, что означает необходимость использования динамической модели;
• структура математической модели ГТД должна обеспечить практическую возможность ее функционирования в комплексе с математическими моделями других элементов летательного аппарата.
Перспективным направлением в данной области является создание математической модели ГТД на основе нейронных сетей, важными свойствами которых являются способность к обучению, дообучению и обобщению накопленных знаний, что позволяет настраивать такую модель под параметры конкретного двигателя на основе экспериментальных данных. Вышеуказанным требованиям к математической модели отвечают рекуррентные нейронные сети, такие как сети Элмана и рекуррентные многослойные персептроны (КАЯХ) [5].
fx) T4(t)
Ax) P4(t)
Ax) ni(t)
Kx) n2(t) —из
Рис. 3. Структура нейросетевой модели газотурбинного двигателя
Проектирование и отладка математической модели осуществляется с использованием пакета Neural Network Toolbox, входящего в состав математиче-ского пакета MATLAB. В результате моделирования была выбрана архитектура сети NARX, которая обеспечила наибольшую точность моделирования. Функция активации нейронов внутреннего слоя - сигмоидальная, выходного слоя - линейная. В качестве алгоритма обучения выбран алгоритм Левенберга-Марквардта. Структурная схема модели показана на рис. 3. Количество нейронов в скрытом слое выбирается исходя из минимальной ошибки обучения нейросети (рис. 4).
■ V - -1-1-1
: 1— \
J
4 __________X : /
f i ■ 4 ..................1...............1 /.........J
L ..... /
1 ; il____________ 1 .V._________ .................+..............f 1
1 • m в ■ cqm сяет 13
Рис. 4. Зависимость среднеквадратической ошибки нейронной сети от количества нейронов в скрытом слое
В табл. 1 приведена одна из выборок экспериментальных данных, на основе которых производилось обучение нейронной сети.
Расчетные данные, полученные путем моделирования ГТД с использованием нейро-сетевой модели, показаны в виде графиков на рис. 5.
F
Таблица 1
Обучающая выборка
Gt «1 «2 T4 P4
116.125 9.664 20.867 833.375 1.125
125.750 10.000 21.758 817.125 1.093
131.125 10.477 22.249 843.437 1.121
132.875 10.820 22.813 860.250 1.144
136.000 11.266 23.414 879.438 1.174
138.375 11.711 24.047 902.250 1.181
139.125 12.305 24.930 933.813 1.202
143.875 12.836 25.758 955.250 1.215
145.750 13.461 26.742 974.687 1.229
208.000 36.742 61.336 616.688 3.196
243.375 43.273 65.945 640.125 3.902
319.500 54.047 71.695 635.688 5.267
425.000 67.203 77.258 637.063 7.135
481.250 72.883 79.461 639.500 8.122
524.250 75.492 80.695 647.625 8.732
582.875 78.594 82.008 663.313 9.404
624.875 80.797 82.906 677.063 9.958
Рис. 5. Данные математического моделирования ГТД
3. НЕЙРО-НЕЧЕТКИЙ КЛАССИФИКАТОР ОТКАЗОВ
Нейро-нечеткий классификатор отказов выдает заключение о исправности двигателя или его систем на основании вектора ошибок е, полученного в результате поэлементного сравнения вектора расчетных данных модели Ут (рис. 5) с вектором измеренных данных У. Данный классификатор может иметь следующие состояния:
• исправное состояние;
• отказ измерительного канала;
• отказ исполнительного механизма;
• отказ ГТД;
• отказ системы автоматического управления.
Процесс создания классификатора отказов на базе нейро-нечетких алгоритмов состоит из 4 этапов [6]:
• Формулировка набора правил типа ЕСЛИ - ТО на основании сведений о соответствии отклонения измеренных данных от расчетных той или иной неисправности.
• Построение нейронной сети, которая является базой системы нечеткого вывода.
• Обучение нейронной сети с использованием эталонной выборки входных и выходных данных, представляющих собой массивы экспериментальных данных измерительных каналов ГТД.
• Настройка параметров входных функций принадлежности для минимизации ошибки обучения.
Моделирование нейро-нечеткого классификатора производится с использованием редактора ANFIS editor математического пакета MATLAB на основе данных полученных в ходе полетных испытаний ГТД, а также результатов моделирования отказов ГТД и его систем с использованием полной поэлементной математической модели ГТД [7]. Правила нечеткого вывода данного классификатора показаны на рис. 6, а его структура - на рис. 7.
Обучение нейросети классификатора проводилось с использованием входных измеренные и расчетных данные каналов n1, n2, Pk, T4, включающих отклонения, полученные путем моделирования отказов двигателя и датчиков, а также выходные эталонные данные, представляющие собой сигнал о соответствующем отказе. Выборка обучающих данных изображена на рис. 8.
Рис. 6. Правила нечеткого вывода
Рис. 7. Структура нейро-нечеткого классификатора
Рис. 8. Выборка обучения нейро-нечеткого классификатора
Сравнительный анализ точности классического и нейро-нечеткого методов классификации отказов приведен в табл. 2. В ней отображены вероятности ошибок 1 и 2 рода при классификации дефекта компрессора низкого давления и отказа измерительного канала п1.
Таблица 2 Сравнительная характеристика методов
Вероятность ошибки определения отказа, %
Метод классификации Дефект компрессора НД Отказ канала n1
Ошибка Ошибка Ошибка Ошибка
1 рода 2 рода 1 рода 2 рода
Классический
метод (допусковый контроль) 1,5 1,1 2,4 1,7
Нейро-нечеткий метод 0,6 0,3 0,9 0,3
4. РЕАЛИЗАЦИЯ НЕИРОСЕТЕВЫХ АЛГОРИТМОВ
Выполнение нейросетевого алгоритма заключается в расчете выходных сигналов нейронов на основе входных сигналов и весовых коэффициентов сначала для входного, затем для выходного слоя. Математическая модель нейрона следующая:
y = AIЁ + Ъ
Л
V г=1
где Wi - вес синапса, 1 = 1...п, п - число входов нейрона, Ь - значение смещения, х^ - входной сигнал, у - выходной сигнал, / - функция активации. Для повышения быстродействия нейро-сетевого алгоритма целесообразно применение в качестве функции активации нейронов скры-
—т-т (рациональная а + 5
того слоя функции A) = ■
сигмоида), требующей малого объема вычислений по сравнению с экспоненциальной функцией или функцией гиперболического тангенса. Нейроны выходного слоя имеют линейную функцию активации.
Рассмотрим реализацию нейросетевого алгоритма на базе 16-разрядного микроконтроллера ST10F269 фирмы STMicroelectronics. Микроконтроллеры этой серии получили широкое распространение в современных цифровых системах автоматического управления, в том числе и в авиации. Наличие в составе ядра данного контроллера модуля умножителя-накопителя (MAC) позволяет увеличить скорость вычисления алгоритма за счет совмещения операций умножения и сложения при взвешенном суммировании в сумматоре нейрона.
Входные и выходные параметры, а также весовые коэффициенты нейронной сети имеют формат 16-разрядных чисел с фиксированной запятой. Весовые коэффициенты задаются во время обучения нейросети, и сохраняются в ПЗУ. При запуске программы они записываются в соответствующие ячейки ОЗУ. Подпрограмма нейросетевого алгоритма в качетве входных параметров использует определенные ячейки ОЗУ, и записывает рассчитанные выходные параметры по аналогии.
Далее приведен пример ассемблерного кода для одного искусственного нейрона сети с использованием умножителя-накопителя (MAC).
Repeat #13 times CoMAC [IDX0+], [R0+]
; Функция умножения-накопления MOV MDL, MAH ;
MOV R1, MDL
; Запись результата s в источник ; для инструкции деления JMPA CC_NN, ifpos
; Условный переход по знаку + NEG R1
; инверсия знака, если число ; отрицательное s = |s| ifpos: ADD R1, coefmem
; Сложение с коэффициентом a DIV MDL, R1
; Деление s/(a+|s|) MOV iresmem, MDL
; Запись результата в соотв. ; ячейку памяти
Рассчитаем время выполнения нейросетево-го алгоритма на данном микроконтроллере при тактовой частоте 40 МГц. Время выполнения командного цикла TCY = 25 нс.
Таблица 3 Время выполнения команд ST10F249
Мин. время
Команды выполнения T/mm,
тактов
DIV 20
JMPA 4
CoMAC; ADD; MOV; NEG 2
В табл. 3 приведено время выполнение команд, использованных в представленном выше ассемблерном коде.
Общее время выполнения кода для одного нейрона Т = («хТсоМАс + 3хТмоу + Тшу + Тщра + + Тавв + ТШа)х25 нс = («х50 + 850) нс.
Расчет нейросетевой модели ГТД в таком случае займет Т = 13х(3х50 + 850) + 4х (13x50 + + 850) = 19000 нс = 19 мкс.
В случае необходимости более высокой скорости выполнения алгоритмов либо повышения их точности, что приведет к увеличению числа искусственных нейронов, и, соответственно, увеличению количества выполняемых вычислительных операций, может быть целесообразным реализация данных алгоритмов на базе программируемых логических интегральных схем (ПЛИС). Вычисления в одном слое нейронной сети выполняются независимо для каждого нейрона, поэтому при реализации их на ПЛИС возможно параллельное вычисление выходных данных нейронов в слое. Это позволяет реализовать нейросетевой алгоритм за единицы тактов, что при тактовой частоте > 200 МГц составит десятки наносекунд.
ЗАКЛЮЧЕНИЕ
В ходе работы были установлены следующие преимущества использования интеллектуальных методов для решения вышеуказанных задач:
• повышение эффективности диагностики плавающих отказов
• простота обучения и дообучения применяемых моделей
• точность вычислений в условиях «нефакторов»
• возможность повышения производительности и отказоустойчивости вычислительных алгоритмов за счет применения технологии параллельных вычислений.
СПИСОК ЛИТЕРАТУРЫ
1. Васильев В. И., Жернаков С. В., Фрид А. И. и др.
Нейрокомпьютеры в авиации (самолеты) / под ред. В. И. Васильева, Б. Г. Ильясова, С. Т. Кусимова. Кн. 14. М.: Радиотехника, 2003. 496 с. [[ V. I. Vasilyev, S. V. Zhernakov, A. I. Frid, Neurocompters in aviation (airplanes), Book 14: Tutorial for higher education. Moscow.: Radiotekhnika, 2003. ]]
2. Интеллектуальные системы управления и контроля газотурбинных двигателей / под ред. С. Т. Кусимова, Б. Г. Ильясова, В. И. Васильева. М.: Машиностроение, 2008. 549 с. [[ S. T. Kusimov, B. G. Ilyasov, V. I. Vasil'yev (Ed.), Intellectual systems of gas turbine engines control and check systems. Moscow: Mashinostroyeniye, 2008. ]]
3. Жернаков С. В. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД // Управление в сложных системах. Уфа: УГАТУ, 1999. С. 119-126. [[ S. V. Zhernakov, "The diagnosis and prediction of the state of a gas-turbine engine by hybrid neuro fuzzy expert systems," J. Comput. Syst. Sci. Int. 38, no. 5, pp. 819-824, 1999 (translation from Izv. Akad. Nauk, Teor. Sist. Upr., no. 5, pp. 156-161, 1999. ]]
4. Чуян Р. К. Методы математического моделирования двигателей летательных аппаратов. М.: Машиностроение, 1988. 288 с. [[ R.K. Chuyan, Modelling methods of aircraft engines. Moskow: Mashinostroyeniye, 1988. ]]
5. Хайкин С. Нейронные сети: полный курс. М: Виль-ямс, 2006. 1104 с. [[ Simon Haykin, Neural networks - A comprehensive foundation. Moscow: Williams, 2006. ]]
6. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы / Пер. с польск. И. Д. Рудинского. М.: Горячая линия - Телеком, 2006. 452 с. [[ D. Rutkovskaya, M. Pilinsky, L. Rutkovsky, Neural networks, genetic algorithms and fuzzy systems (Transl. from Polish). Moscow: Goryachaya liniya - Telekom, 2006. ]]
7. Штовба С. Д. Проектирование нечетких систем средствами MATLAB. М.: Горячая линия - Телеком, 2007. 288 с. [[ S. D. Shtovba, Fuzzy system projecting using MATLAB facilities. Moscow: Telecom, 2007. ]]
ОБ АВТОРАХ
ЖЕРНАКОВ Сергей Владимирович, зав. каф. электроники и биомедицинских технол. Дипл. инж. по пром. электронике (УГАТУ, 1984). Д-р техн. наук по сист. анализу, упр. и обр. инф. (УГАТУ, 2005). Иссл. в обл. интел. систем.
ГИЛЬМАНШИН Артур Тагирович, асп. каф. электроники и биомедицинских технол. М-р техн. и технол. по инф. и выч. техн. (УГАТУ, 2011). Готовит дис. в области контроля и диагностики авиац. газотурбинных двиг.
METADATA
Title: New onboard gas turbine engine diagnostic algorithms
based on neural-fuzzy networks. Authors: S. V. Zhernakov, A. T. Gilmanshin. Affiliation:
Ufa State Aviation Technical University (UGATU), Russia. Email: [email protected], [email protected]. Language: Russian.
Source: Vestnik UGATU, vol. 19, no. 2 (68), pp. 63-68, 2015.
ISSN 2225-2789 (Online), ISSN 1992-6502 (Print). Abstract: The application of neuro-fuzzy algorithms for solving problems of control and diagnostics of gas turbine engines are reviewed, the construction of a mathematical model of gas turbine engines and classifier bounce, reflections, are their advantages and disadvantages over classical diagnostic methods are described. Key words: neural network model; neuro-fuzzy algorithm; gas
turbine engine. About authors:
ZHERNAKOV, Sergey Vladimirovich, Dr. (Habil.) Tech. Sci, Prof., Head, Dept. of Electronics and Biomedical Technology, Ufa State Aviation Technical University. GILMANSHIN, Artur Tagirovich, Postgrad. (PhD) Student, Dept. of Electronics and Biomedical Technology, Ufa State Aviation Technical University.
