CC BY
58
2005 НАУЧНЫЙ ВЕСТНИК МГТУ ГА № 85
серия Эксплуатация воздушного транспорта и ремонт авиационной техники. Безопасность полетов
УДК 629.735.03
К ВЫБОРУ ВИДА НЕЙРОННОЙ СЕТИ ДЛЯ ПОСТРОЕНИЯ ДИАГНОСТИЧЕСКИХ МОДЕЛЕЙ АВИАЦИОННЫХ ДВИГАТЕЛЕЙ
П.И. РАКОВ
Статья представлена доктором технических наук, профессором Чичковым Б.А.
В статье показаны результаты использования моделей, основанных на применении нескольких типов нейронных сетей, в задачах аппроксимации и экстраполяции функциональных зависимостей, которые могут быть использованы для определения текущего состояния и прогнозирования изменения технического состояния газотурбинных двигателей.
Основными задачами диагностики авиационных газотурбинных двигателей (ГТД) являются определение текущего состояния и прогнозирование изменения технического состояния ГТД в зависимости от наработки. Для решения этих задач могут быть использованы модели, различные по методам построения и применения, в т.ч. модели, использующие аппарат нейронных сетей (НС) [1,2].
Рассматриваемые здесь типы нейронных сетей - радиальные базисные НС (РБНС), а также одно- и многослойные НС с сигмоидальной функцией активации нейронов (далее НС с S-функцией) являются НС прямой передачи или статическими НС.
Радиальные базисные НС отличаются от других типов НС относительной простотой их применения. Радиальные базисные НС состоят из большего числа нейронов, чем НС с S-функцией, однако их создание требует гораздо меньше времени. Особенностью радиальных базисных НС является то, что они эффективны при наличии большого количества обучающих векторов (совокупность входов с соответствующими им выходами или целями).
Радиальные базисные НС, как правило, состоят из нейронов входного слоя, скрытых радиальных базисных нейронов и одного - двух нейронов выходного слоя с функцией активации линейного типа.
В рамках решения задач диагностики НС были использованы для аппроксимации и экстраполяции данных, полученных при эксплуатации двигателей типа ПС-90А (исходные статистические данные, приведенные в статье - © ОАО “Авиадвигатель”).
Результат аппроксимации с использованием радиальных базисных НС для двух значений параметра влияния значимости значений входов ^) приведен на рис. 1.
Из рис. 1 следует, что радиальные базисные НС достаточно хорошо справляются с задачей аппроксимации при использовании S=40.
Также проводилось сравнение аппроксимаций с использованием радиальной базисной НС и сглаживания методом “скользящего среднего”.
В целом можно утверждать, что в задаче аппроксимации радиальные базисные НС показывают удовлетворительные результаты. Однако это не позволяет утверждать, что во всех практических случаях наиболее предпочтительными будут именно указанные сети.
При решении задачи аппроксимации исследовались модели на основе НС с S-функцией двух типов топологии (архитектуры):
1) с одним скрытым слоем;
2) с двумя и более скрытыми слоями (многослойная).
Рис. 1. Влияние параметра 8 на характер изменения аппроксимирующей кривой
( ^ент - обороты вентилятора, %)
Исследование влияния количества нейронов в слое НС, количества слоев в НС и числа циклов обучения НС показало, что увеличение количества нейронов в одном слое НС приводит к значительному сокращению числа циклов обучения, но это увеличение является причиной резкого возрастания периода одного цикла обучения. Схожие свойства проявляет и многослойная НС, однако возрастание периода одного цикла обучения с увеличением количества нейронов в слоях не столь значительно.
Увеличение количества нейронов в НС (однослойной или многослойной) дает основание полагать, что заданная величина ошибки обучения НС достигается достаточно быстро. Что касается увеличения числа циклов обучения, то вышеуказанное утверждение для НС является справедливым лишь от части. Дело в том, что рассмотренные НС оказывались более чувствительными к изменениям числа нейронов в НС, нежели к изменению числа циклов обучения. В данном случае под чувствительностью НС понимается характер изменения графического представления процесса обучения. Тем не менее, значительное изменение таких параметров НС, как число циклов обучения, число нейронов в слое и число слоев в НС существенно влияет на вид аппроксимирующих кривых (рис. 2).
Результаты применения модели диагностирования на основе радиальных базисных НС в реализации задачи экстраполяции функциональных зависимостей не дают оснований утверждать, что этот тип НС успешно с ней справляется. Более того, результаты, полученные в ходе исследования, ставят под вопрос способность радиальных базисных НС решать задачу экстраполяции.
Рис. 2. К оценке влияния параметров НС с 8-функцией на вид аппроксимирующих
кривых для Рт/Рвх (Рт/Рвх - отношение давления за турбиной низкого давления
к давлению на входе в двигатель)
В этом случае применение НС с Б-функцией имело следующие особенности:
1) проводилось обучение НС №1 по всей выборке статистических данных с целью получения аппроксимирующей кривой (использовались вектора входов и целей);
2) проводилось обучение НС №2 по первой и большей части выборки статистических данных с целью подготовки НС №2 (настройки параметров);
3) выполнялась экстраполяция для оставшейся части выборки (использовались только вектора входов- контрольная выборка), уже созданной и обученной НС №2.
Главной задачей НС №2 было выявление закономерностей (тенденций) между изменениями параметров входов и целей и применение полученного сетью “опыта” для предсказания изменения одного параметра (целей) при изменении другого(входов).
НС имели идентичную архитектуру типа 50-10-13 (50 нейронов первого (входного) слоя и 10 нейронов скрытого слоя с сигмоидальной функцией активации, а также 13 нейронов выходного слоя с линейной функцией активации). НС обучались по алгоритму Левенберга - Мар-квардта в течение 3000 циклов.
Из результатов, представленных на рис. 3, следует, что прогноз, осуществленный НС №2 хотя и не в достаточной степени точен, но все же корректно отражает характер изменения функциональной зависимости, реализованный НС №1 (явно прослеживается эквидистантность двух кривых, что говорит о правильности обучения НС №2). При анализе результатов необходимо принять во внимание величину обучающей выборки (достаточно велика) и количество циклов обучения (невелико для рассмотренной выборки).
Таким образом, нейронные сети с Б-функцией позволяют получать удовлетворительные результаты при решении задачи экстраполяции данных в процессе диагностирования авиационных ГТД. Возможными путями повышения точности экстраполяции являются: увеличение числа циклов обучения, увеличение числа нейронов в слое, увеличение числа слоев в сети.
Рис. 3. К применению НС с S-функцией в задаче экстраполяции функциональной зависимости
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. MATLAB 6. - М.: ДИАЛОГ-МИФИ, 2002.
TO CHOICE OF TYPE NEURAL NETWORK FOR BUILDING OF DIAGNOSTIC MODELS OF
AIRCRAFT ENGINE
Rakov P.I.
This article deal with the estimates of the models, based on some types of neural networks in tasks of approximation and extrapolation. This tasks is the base for solution general task - to determinate technical condition of gas turbine engines and forecast it.
Сведения об авторе
Раков Павел Игоревич, 1981 г.р., окончил МГТУ ГА (2004), аспирант кафедры двигателей летательных аппаратов МГТУ ГА, область научных интересов - диагностика авиационных двигателей по регистрируемым параметрам.
