CC BY
44
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:
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
