Научная статья на тему 'ДОСЛіДЖЕННЯ іНТЕЛЕКТУАЛЬНОї КЛАСИФіКАЦії ПОТОЧНОГО ТЕХНіЧНОГО СТАНУ ГАЗОТУРБіННИХ ДВИГУНіВ'

ДОСЛіДЖЕННЯ іНТЕЛЕКТУАЛЬНОї КЛАСИФіКАЦії ПОТОЧНОГО ТЕХНіЧНОГО СТАНУ ГАЗОТУРБіННИХ ДВИГУНіВ Текст научной статьи по специальности «Экономика и бизнес»

CC BY
96
44
i Надоели баннеры? Вы всегда можете отключить рекламу.
Ключевые слова
ГАЗОТУРБіННИЙ ДВИГУН / іНТЕЛЕКТУАЛЬНА СИСТЕМА / РЕКОНФіГУРАЦіЯ КЕРУВАННЯ / СИСТЕМА ДіАГНОСТУВАННЯ / ТЕХНіЧНИЙ СТАН / ГАЗОТУРБИННЫЙ ДВИГАТЕЛЬ / ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА / РЕКОНФИГУРАЦИЯ УПРАВЛЕНИЯ / СИСТЕМА ДИАГНОСТИРОВАНИЯ / ТЕХНИЧЕСКОЕ СОСТОЯНИЕ / GAS TURBINE ENGINE / INTELLIGENT SYSTEM / CONTROL RECONFIGURATION / DIAGNOSTIC SYSTEM / TECHNICAL CONDITION

Аннотация научной статьи по экономике и бизнесу, автор научной работы — Кравчук М. П.

Приведена структура диагностирования технического состояния газотурбинного двигателя (ГТД). Предложен метод обучения интеллектуальной автоматической системы диагностирования и реконфигурации управления (ИСАДРК) режимами работы ГТД на базе интеграции нечеткой логики и нейронных сетей. Исследовано теоретически и экспериментально возможности классификации ИСАДРК текущего технического состояния ГТД в особых эксплуатационных ситуациях.

i Надоели баннеры? Вы всегда можете отключить рекламу.

Похожие темы научных работ по экономике и бизнесу , автор научной работы — Кравчук М. П.

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.
i Надоели баннеры? Вы всегда можете отключить рекламу.

Investigation of intelligent classification of current technical condition of the gas turbine engine

The structure of diagnosing the technical condition of the gas turbine engine (GTE) is given. It is proposed a method of training the intellectual automated system of diagnostics and control reconfiguration (IASDCR) by GTE modes based on integration of fuzzy logic and neural networks. The theoretical and experimental capabilities of IASDCR classification of current condition of GTE in specific operational situations are proposed. It is designed and synthesized the structure of IASDCR GTE, based on the proposed model. The method provides the ability to customize such systems for the diagnosis and management of different types of GTE reconfiguration during their operation, thereby increasing the reliability of classification and prediction of residual life, and prevents the transition of emergency situation in catastrophic situation. The expediency of using hybrid IASDCR based on radial basis networks and fuzzy logic theory, which allowed to classify the vibrational state GTE DR-59L with a probability of 0,96 and GTE DT-71P with a probability of 0,92.

Текст научной работы на тему «ДОСЛіДЖЕННЯ іНТЕЛЕКТУАЛЬНОї КЛАСИФіКАЦії ПОТОЧНОГО ТЕХНіЧНОГО СТАНУ ГАЗОТУРБіННИХ ДВИГУНіВ»

УДК 004.087.5:004.841.3(045) Б01: 10.15587/2312-8372.2015.38073

Кравчук м. п. Д0СЛ1ДЖЕННЯ ШТЕЛЕКТУАЛЬНО!

КЛАСИФ1КАЦН ПОТОЧНОГО ТЕХН1ЧНОГО СТАНУ ГАЗОТУРБ1ННИХ ДВИГУН1В

Наведено структуру дгагностування технгчного стану газотурбтного двигуна (ГТД). Запропо-новано метод навчання ттелектуальног автоматичног системы дгагностування тареконфиурацп керування (1САДРК) режимами роботы ГТД на базг ттеграцп нечтког логгки та нейромереж. Дослгджено теоретично I експериментально можливостг класифгкацп 1САДРК поточного техтчного стану ГТД в особливих експлуатацшних ситуащях.

Клпчов1 слова: газотурбтний двигун, ттелектуальна система, реконфггурацгя керування, система дгагностування, технгчний стан.

1. Вступ

Газотурбшний двигун (ГТД) — складна динамiчна система (ДС), що складаеться з безлiчi взаемодшчих елеменпв i тдсистем У мiру вдосконалення конструкцп й пiдвищення контролепридатностi ГТД скорочуеться вщсоток вузлiв i агрегапв, що експлуатуються «за ресурсом», i збiльшуеться число тих, якi експлуатуються за прогресивними стратегiями. Ефективтсть експлуатацii ГТД зв'язана, головним чином, з пщвищенням 'iх надiйностi, збшьшенням ресурсу, зниженням витрат на ТО i Р [1-3].

Одним з перспективних напрямiв розвитку засобiв техшчного дiагностування е використання у 'iх складi компонентiв штучного iнтелекту: продукцшних правил, нечiткоi логiки, штучних нейронних мереж, пбридних нейро-фаззi архiтектур, генетичних алгоритмiв. Отже, пiдвищення економiчно'i ефективност i пiдтримання високого рiвня надшносп функцiонування газотурбш-ного приводу на стадп експлуатацii в умовах особливих експлуатацшних ситуацш на основi розвитку теоретич-них основ, методiв i засобiв iнтелектуального дiагнос-тування та керування його режимами е актуальною науково-прикладною проблемою, тому як ГТД знайшли широке застосування в авiацii, енергетицi, наземному й морському транспорту а також у газовш галузi, завдяки цшому ряду !х переваг над шшими типами установок.

2. Анал1з л1тературних даних та постановка проблеми

Пбридш системи для класифiкацii ТС ГТД застосо-вують у структурi елеменпв нечiткоi логiки i нейронних мереж. Така система порiвнюе реальний ТС двигуна за параметрами вiброшвидкостi та вiброприскорення з можливими типовими ТС, як закладнi у «базi знань» системи, що дозволить класифiкувати поточний ТС двигуна та прогнозувати його подальшi змши. Переваги цих систем дiагностики — можливiсть «навчання», вщносно низька вартiсть налаштовування системи на конкретне обладнання (налаштування може проводитись автоматично), можливкть постановки дiагнозу по не введеним в «базу знань» системи комбшацш дiагностичних ознак.

Недолiк — необхiднiсть великого обсягу вихщних даних для навчання штелектуально! дiагностичноi системи, а також складшсть контролю за правильнiстю постановки дiагнозу [4, 5].

Систему прогнозу i пiдтримки рiшень для обслуго-вування по фактичному техшчному стану двигуна на базi нейромереж розроблено в Ушверситеп м. Гонконг, КНР [6]. Аналiз опублiкованоi шформацп показав, що ця система штегруе концепцii:

— перiодичного монiторингу двигуна;

— штелектуально! дiагностики стану фактичного

ТС двигуна.

Дiагностична пiдсистема залучаеться до аналiзу стану двигуна у випадку, коли у процес монiторингу було виявлено ввдхилення зареестрованих показникiв вiд заданих норм. Для забезпечення максимальних можли-востей прогнозування в системi використано рекурентш нейромережi. За даними авторiв, !х прогностичнi мож-ливостi кращi, шж у класичних методiв (авторегресiйнi модели бiлiнiйнi моделi, пороговi авторегресiйнi модел^.

3. 06'ект, мета та задач1 дослщження

Об'ект дослгдження — техшчний стан газотурбiн-ного двигуна.

Мета дослгдження — розробка штелектуально! автоматично! системи дiагностування та реконфкурацп керування режимами роботи ГТД.

Для досягнення поставлено! мети необхвдно вико-нати таю задача

1. Розробити метод навчання штелектуально! автоматично! системи дiагностування та реконфкурацп керування режимами роботи ГТД.

2. Дослвдити теоретичнi та експериментальнi показ-ники штелектуально! класифжацп поточного технiчного стану ГТД.

4. Результати дослщження даагностування стану двигуна

Газотурбiнний двигун характеризуеться множиною станiв. Кожний стан визначаеться конкретним набором

вхщних i вихiдних дiагностичних параметрiв. Змiна вхiдного впливу або значень параметрiв, що характе-ризують поведшку окремих елементiв двигуна, вщпо-ввдно до встановлених функцiональних залежностей, а також вплив зовшшшх факторiв приводять до змь ни вихiдних параметрiв двигуна i його фактичного техшчного стану Наявнiсть складних функщональ-них залежностей мiж елементами двигуна, а також значне число рiзних параметрiв, що характеризують кожний з елеменпв ГТД, ускладнюють формалiзащю опису поведшки тако! складно! технiчноi системи. На практищ рiдко вдаеться одержати повний математич-ний опис поведiнки ГТД у загальному вигляд^ тому частше намагаються використовувати методи iмiтацii двигуна, що дослщжуеться. Структура дiагностування техшчного стану (ТС) типового двигуна зображена на рис. 1.

Для дiагностування та контролю за двигуном у процес експлуатацп, пропонуеться розбити його на шдсистеми й елементи з iерархiчною структурою зв'язюв. Кожна шдсистема, вирiшуючи конкретне завдання, забезпечуе тим самим досягнення загаль-но! мети, тодi ГТД як об'ект дiагностування мае таю властивостi [1-3]:

— елементи ГТД функщонують у взаемодп один з одним i виконують рiзноманiтнi функцп;

— властивостi ГТД визначаються не тiльки власти-востями окремих елеменпв, але й характером взаемодп;

— оцiнка стану ГТД вимагае одночасно вимiру й реестрацп велико! кiлькостi функцiонально й сто-хастично взаемозалежних параметрiв;

— наявшстю регульованих i нерегульованих керую-чих впливiв i невизначених зовшшшх збурювань стохастичного типу;

— поява несправностi або вщмови будь-якого еле-мента двигуна приводить до зниження ефективност функщонування або його вiдмови;

— поява несправност в будь-якому елементi двигуна шдсистеми приводять до створення передумов льотних пригод, якщо як типовий розглядаеться авiацiйний двигун або до виникнення аваршних си-туацш на компресорних станцiях (КС), якщо ГТД використовуеться як силова установка.

Щ властивост характеризують ГТД як складну систему, дiагностування та керування, контроль за якою доцшьно проводити, використовуючи системний шд-хвд. Тодi ГТД як об'ект дiагностування та керування S визначимо сукупшстю взаемозалежних елементiв, що перетворюють проспр вхiдних сигналiв X у проспр вихiдних сигналiв Y за допомогою оператора F:

S: XF ^ Y. (1)

Вiдомо, що в ГТД ^м вхiдних i вихiдних сигна-лiв (змiнних) е також керуючi (множина W), тобто вхщш змiннi, якi перебувають шд безпосереднiм керуванням. Тодi ГТД представимо у такому вигляд^

OuiiiKa техшчного стану (piniM працездатносп)

Дшюмшних систем

Паливши

Масляно'1

Антизледеншня

Динам1чних систем

ГТД

11роточних частин

X

ГТД

Оцшка ресурсу

X

ГТД

Пуску

Регулювання

Техшчне дигиостування ГТД

Розшзиавання несправностей i пошук причин вщмов

-У V

U4

По Biöpauii

Ресурсу

Причин Причин

зниження втрати

працезлат- працездат-

НОСТ1 HOCT1

СтШК0СТ1 i динашчних властивостей

Волол1Ють пспужностями i

Спрацьову-валня захиспв

Поломок

Прогнозувашм техшчного стану i формувания профшактичних заходш

Доиомгж-них систем

В АСКТП

Рис. 1. Структура даагностування ТС типового ГТД

Проточ-

них частин

ГТД в цшо-му

Дитши- Залиш-

чних ковото

систем pccypcv

Потреби запасних

льного

режиму роботн частин

-----------------------1--------- BACKTtl

ВСТОР

Техшчне обслугову-

Ремонту

Г

В С ГОР

54

ТЕХНОЛОГИЧЕСКИМ АУДИТ И РЕЗЕРВЫ ПРОИЗВОДСТВА — № 1/3(21), 2015

J

XWF ^ Y,

(2)

де X1, Х2, ... Хп — множина станiв ГТД, що хг еХ^, для .

Пiд час впливу на ГТД нерегульованих i невизна-чених зовнiшнiх збурень £, двигун опишемо у такому виглядi [7]:

пiдсистем gij, що забезпечують досягнення загально! мети ГТД, i безлiччю приватних цшей gk:

gij < Ugk.

(8)

Досягнення мети здшснюеться виконанням вщпо-вiдноi множини функцш fjj :

5: XWeF ^ Y,

(3)

F < U fk

(9)

де X i Y — вхiднi i вихщш множини параметрiв двигуна.

Тодi функщя F, яка зв'язуе з кожним вхвдним параметром двигуна х, що належить деякш пiдмножинi Ds множини X, вихiдне значення уеYF, що вщображае X в Y (X ^ Y).

Пiдмножина Gs с X, яка складаеться iз точок, що ввдповщають значенням вхiдних параметрiв двигуна х еDs, називаеться областю допустимих значень. Шд-множини X, Y, W, £, F визначають технiчний стан ГТД i можливiсть досягнення поставлено! загально! мети (g) на множит {О}, зокрема, виконання завдання, оптимального режиму роботи транспортного двигуна:

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

g: XWeFY ^{G}.

(4)

Параметри ГТД х е X i и е W е функщями часу ^ то досягнення поставлено'! мети представимо таким виразом:

g (x, u) = g [x(t), u(t), t].

Тодi, враховуючи формули (3), (4), (5), ГТД як об'ект дiагностування S представимо у такому виглядi:

Sijki = {{ £i;Yj; Fk; gi}, (6)

де кожна пiдсистема юнцево-

го набору тдсистем S1,,,S2,,, ijki ijki

...,S",...,SN, мае такий вигляд:

ijki ijki

SU ={;Y4; Fl; gl};

S 2 ={x 2W.2£2;Y2; F2; g2};

ijki у г г г j k J

SN ={XNWNzN;YN;FN;g^. (7)

ijki L i i i j k j

Кожну пщсистему, передусiм, опишемо як систему, що складаеться i3 сукупносп взаемоза-лежних пiдсистем i границi роз-подiлу мiж ними визначаються завданнями дiагностування та керування.

Представлення ГТД у ви-глядi окремих тдсистем ви-значаеться головними цшями

(5)

Для виконання поставлених цiлей виднеться вщпо-вщна кiлькiсть ресурсiв Щ < и Щ. Загальна мета кожно!

„к к 1■ ГУ

пщсистеми gк полягае у виконант поставлених завдань ¡к при мiнiмальних витратах i заданих ресурсах Щ, яка реалiзуеться пiдсистемою Sфl. Сукупнiсть зовшшшх об-межень, обумовлених режимом функщонування, задани-ми ресурсами й внутрштми обмеженнями, пов'язаними з можливостями пщсистем бiльш низького рiвня, описувати керованими, керуючими i дiагностичними параметрами. Тому основним принципом роздшення ГТД на пщсистеми, е принцип залежносп вщ мети кожно! пщсистеми.

У розшзнаванш образiв об'еднання множини класи-фiкаторiв рiзно! природи використовуемо для розроб-лення високонадiйних систем дiагностики й контролю за ТС ГТД. Результати роботи декшькох класифiкаторiв можуть бути об'еднаш для полiпшення якост розтз-навання загального ТС ГТД (рис. 2). Запропонована процедура класифжацп ТС ГТД реалiзуемо за допомо-гою такого алгоритму, припустимо, що в розглянутш гiбриднiй системi, яка складаеться з декшькох НМ, е Xj входiв i Yn клаав, тодi процедура класифiкацi! техшч-ного стану ГТД реалiзуе такий алгоритм [7-10]:

Навчання ступеням належност умовноТ частини правил

•'S • R*

• •

• '---•

• /

• •• «3 • ••• L.v •

Навчання юнцевоУ частини правил

Навчальна виб|рка

Класифжацт техничного стану ГТД

Тестова виб1рка

Рис. 2. Структура пбриднт 1САДРК

1. Формування навчально! N0 й тестово! N7 ви-бiрки; N = N0 + N7 — загальне число прикладiв, як збертються у базi даних запропоновано! системи.

2. Кластеризащя навчально! вибiрки. Дшимо на-вчальну вибiрку на К клаав К5 (по числу правил), де 5 = 1,2,...,k. Кожна навчальна пiдвибiрка для кла-су К5 визначаеться парою (х■,у5), де I = 1,2,...N5, Xг — вхщний вектор, К — кiлькiсть клаав, а N5 — число прикладiв у навчальнш вибiрцi для класу К5.

3. Навчання НМ (ц). Для кожного вхiдного вектора ДО еК5 визначимо вектор функцш приналеж-ностi до правила Мг = (т\,т?,...,тг) класифiкацii ТС ГТД, що реалiзуе алгоритм, у виглядi «якщо ^агнос-тичнi ознаки), то (клас ТС ГТД), шакше». Нейронна мережа (радiально-базисна мережа) (ц) з п входами й k класами навчаеться на парах (Xi,М1), I = 1,2,...,N0, тому тсля навчання й тестування така мережа буде здатна визначити стутнь приналежностi т■ для кожного вхiдного вектора дiагностичнi ознаки (ДО) ГТД, що належить класу К5. Таким чином, функщя належностi до частини «якщо...,» правила визначаеться як вихщна величина т\:

т5 (X) = т5, I = 1,2,...,N, 5 = 1,2,...,г,

де А5 — вщповщае нечггкш безлiчi умовно! частини 5-го правила (ДМ — дуже мала, М — мала, С — середня, В — велика, ДВ — дуже велика).

4. Навчання НМ. Навчальна вибiрка iз входами х^,х?2,...,х5п вихщними класами ГТД К, I = 1,2,...,] по-даеться на вхщ i вихiд нейронно! мережi (НМ), яка е нейромережевою моделлю частини «..., то.,» ^бра-цшний стан ГТД описаний наступними множинами: добре, прийнятно, допустимо, потребуе вжиття заходiв, недопустимо). За допомогою тестово! вибiрки обчис-люеться помилка класифжацп ТС ГТД:

N7 2

£кл =Х17п - тА5 (X )} ,

г=1

де тА5 (Х^) — спостережуваний вхвд НМ. Якщо екл <Д, де Д — апрiорно задана величина, то НМ — навчена.

На рис. 3 зображено процес розтзнавання вiбра-цшного стану за вiбрацiйними параметрами.

Для навчання одношарового персептрона мереж1 Хопфiлда i Хеммшга використано алгоритм зворотного поширення помилки, а для радiально-базисноi мережi за Й. Рлатту. Як параметри й обмеження навчання задано: середньоквадратичну похибку — 0,05 i максимальну кшьюсть циктв навчання — 400.

Рис. 3. Процес класифшаци Bi6pa^Horo стану ГТД ДР-59Л: а — одношаровий персептрон, нейронна мережа Хопфiлда; б — нейронна мережа

Хеммшга; в — пбридна ¡нтелектуальна система (RDF + нечика лoгiка)

56

ТЕХНОЛОГИЧЕСКИЙ АУДИТ И РЕЗЕРВЫ ПРОИЗВОДСТВА — № 1/3(21], 2015

в

Найбшьша ефективнiсть запропонованого методу досягнуто за допомогою архiтектури нейронно! мережу якщо кiлькiсть елементiв вхiдного вектора дорiвнюe кiлькостi чинникiв: кiлькiсть шарiв — 2, кiлькiсть ней-рошв першого шару s1 = 12, а юльюсть нейронiв другого шару дорiвнюe кiлькостi можливих вiбрацiйних станiв ГТД s2 = 5.

5. Обговорення результат1в дослщження класифжаци ТС ГТД

Результати класифiкацii ТС ГТД ДР-59Л i ГТД ДТ-71П3 наведено у табл. 1 i 2.

Таблиця 1

Результати класифшацй' ГТД ДР-59Л

№ п/п Тапалапя нейранних мереж Навчальна B^ipKa Тестева B^ip^

Кшь-тсть помилок % Кшь-тсть помилок %

1 □днашаравий персептран 9 2,25 33 8,25

2 Нейранна мережа Хапфшда 9 2,25 30 7,70

3 Нейранна мережа Хеммшга 9 2,25 19 4,75

4 Пбридна ¡нтелектуальна система ЩBF+нечiтка лагша) 9 2,25 15 3,75

Таблиця 2

Результати класифшацй' ГТД ДТ-71П3

Навчальна B^ipra Тестава вибiрка

№ п/п Тапалапя нейранних мереж Кшь-шсть помилок % Кшь-тсть поми-лок %

1 □днашаравий персептран 11 2,75 33 11,00

2 Нейранна мережа Хапфшда 11 2,75 30 9,25

3 Нейранна мережа Хеммшга 11 2,75 25 6,25

4 Пбридна ¡нтелектуальна система (RBF+нечiтка лагша) 11 2,75 18 4,50

Порiвняльний аналiз отриманих результатiв (табл. 1 i табл. 2) пiдтверджуe те, що розроблена пбридна ш-телектуальна система забезпечуе мiнiмальну похибку класифiкацii вiбрацiйного стану ГТД в процесi екс-плуатацп.

6. Висновки

1. Розроблено та синтезовано структуру 1САДРК ГТД, що Грунтуеться на запропонованiй моделу методi. Забезпечуе можливiсть настроювання таких систем для проведення дiагностування та реконф^урацп керування рiзнотипних ГТД в процес ix експлуатацп, що сприяе тдвищенню достовiрностi класифiкацii та прогнозу-вання залишкового ресурсу, а також запобйае переxiд аварiйноi ситуацп у катастрофiчнy

2. Аналiз отриманих результапв дослiджень до-зволяе зробити висновок про дощльшсть використання гiбридниx 1САДРК на основi радiально-базисниx мереж i теорп нечiткоi логiки, що дозволило класифжувати

вiбрацiйний стан ГТД ДР-59Л з iмовiрнiстю 0,96 i ГТД ДТ-71П з iмовiрнiстю 0,92.

Лггература

1. Епифанов, С. В. Идентификация статической и динамической моделей проточной части как средство диагностирования ГТД [Текст] / С. В. Епифанов, И. И. Лобода // Вестник двигателестроения. — 2004. — № 2. — С. 206-212.

2. Гасиджак, В. С. Комбинированная стратегия технического обслуживания ГПА по наработке с прогнозированием предотказного состояния [Текст] / В. С. Гасиджак, В. Н. Казак, А. А. Бельская // Матер1али м1жнародно! конферен-ци «ISDMCF2008» (6впатор1я, 19-23 травня 2008). — 2008. — Т. 2. — С. 100-103.

3. Дмитриев, С. А. Диагностирование проточной части ГТД на установившихся и неустановившихся режимах работы [Текст]: дис. ... докт. техн. наук / С. А. Дмитриев. — К.: КМУГА, 1996. — 358 с.

4. Богуслаев, А. В. Методы неитеративного синтеза многослойных нейронных сетей в задачах диагностики авиадвигателей [Текст] / А. В. Богуслаев, В. И. Дубровин, С. А. Субботин // Вестник двигателестроения. — 2004. — № 1. — С. 86-93.

5. Богуслаев, А. В. Диагностика лопаток авиадвигателей на основе многослойной логически прозрачной нейронной сети [Текст] / А. В. Богуслаев, В. И. Дубровин, С. А. Субботин, В. К. Яценко // Вестник двигателестроения. — 2002. — № 1. — С. 85-90.

6. Yam, R. C. M. Intelligent Predictive Decision Support System for Condition-Based Maintenance [Text] / R. C. M. Yam, P. W. Tse, L. Li, P. Tu // The International Journal of Advanced Manufacturing Technology — 2001. — Vol. 17, № 5. — P. 383-391. doi:10.1007/s001700170173

7. Сиротин, Н. Н. Техническая диагностика авиационных газотурбинных двигателей [Текст] / Н. Н. Сиротин, Ю. М. Ко-ровкин. — М.: Машиностроение, 1979. — 272 с.

8. Дубровин, В. И. Интеллектуальные средства диагностирования и прогнозирования надежности авиадвигателей [Текст]: монография / В. И. Дубровин, С. А. Субботин, А. В. Богуслаев, В. К. Яценко. — Запорожье: ОАО «Мотор-С1ч», 2003. — 279 с.

9. Гасиджак, В. С. Байесовський алгоритм розшзнавання пе-редвщмовних сташв газоперекачувальних агрегапв [Текст] / В. С. Гасиджак, В. М. Казак // Вюник центрального нау-кового центру ТАУ. — К., 2007. — Вип. 10. — С. 77-78.

10. Бодянский, Е. В. Искусственные нейронные сети: архитектура, обучение, применение [Текст] / Е. В. Бодянский, О. Г. Руденко. — Харьков: ТЕЛЕТЕХ, 2004. — 372 с.

ИССЛЕДОВАНИЕ ИНТЕЛЛЕКТУАЛЬНОЙ КЛАССИФИКАЦИИ ТЕКУЩЕГО ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГАЗОТУРБИННЫХ ДВИГАТЕЛЕЙ

Приведена структура диагностирования технического состояния газотурбинного двигателя (ГТД). Предложен метод обучения интеллектуальной автоматической системы диагностирования и реконфигурации управления (ИСАДРК) режимами работы ГТД на базе интеграции нечеткой логики и нейронных сетей. Исследовано теоретически и экспериментально возможности классификации ИСАДРК текущего технического состояния ГТД в особых эксплуатационных ситуациях.

Ключевые слова: газотурбинный двигатель, интеллектуальная система, реконфигурация управления, система диагностирования, техническое состояние.

Кравчук Микола Петрович, кандидат техтчних наук, асистент, кафедра автоматизацп та енергоменеджменту, Нацюналъний авiа-цшний утверситет, Кшв, Украта, е-mail: КravchukNP@ukr.net.

Кравчук Николай Петрович, кандидат технических наук, ассистент, кафедра автоматизации и энергоменеджмента, Национальный авиационный университет, Киев, Украина.

Kravchuk Nikolay, National Aviation University, Kyiv, Ukraine, e-mail: KravchukNP@ukr.net

i Надоели баннеры? Вы всегда можете отключить рекламу.