CC BY
5
УДК 629.765 https://doi.org/10.35546/kntu2078-4481.2021.U1
С.1. ВЛАДОВ
Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук
ORCID 0000-0001-8009-5254 Л.М. ПИЛИПЕНКО
Кременчуцький льотний коледж Харкiвського нацiонального ушверситету внутршшх справ, м. Кременчук
ORCID 0000-0001-5221-0921 Н.В. ТУТОВА
Кременчуцький льотний коледж Харкiвського нацiонального унiверситету внутршшх справ, м. Кременчук
ORCID 0000-0001-5609-5502 1.О. ДСРЯБША
Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук
ORCID 0000-0001-5164-2976 А.А. ЯН1ЦЬКИЙ
Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук
ORCID 0000-0001-5318-1915
КОНТРОЛЬ I Д1АГНОСТИКА ТЕХН1ЧНОГО СТАНУ АВ1АЦ1ЙНОГО ДВИГУНА ТВ3-117 ШЛЯХОМ АНАЛ1ЗУ ТРЕНДУ ЙОГО ПАРАМЕТР1В
Предметом до^дження в статтi е авiацiйний двигун ТВ3-117 та методи контролю i дiагностики його техтчного стану. Мета роботи - розробка методу контролю i дiагностики техтчного стану авiацiйного двигуна ТВ3-117 в польотних режимах шляхом анализу тренду його параметрiв з використанням нейромережевих технологш. В статтi виршуеться завдання розробки методики визначення оптимальног структури нейронное мережi, яка полягае у визначент архiтектури нейронног мережi, виборi оптимального алгоритму пошуку ваг нейротв i навчання нейронног мережi, анализу ефективностi ргзних алгоритмiв навчання нейронног мережi, визначення структури нейронног мережi щодо знаходження мiнiмальноi помилки навчання нейронног мережi залежно вiд кiлькостi нейронiв у прихованому шарi, а також в аналз ефективностi отриманих результатiв. Використовуються так методи: методи теори ймовiрностей i математичног статистики, методи нейроiнформатики, методи теорп iнформацiйних систем та обробки даних. Висновки: Результати чисельного моделювання свiдчать про можливкть розв 'язку задач контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117, що дозволяють поряд з класичними критерiями виявлення тренду параметрiв застосовувати яюсно новi нейромережевi критерп, що розширюють i доповнюють класичнi критерп, що тдвищують достовiрнiсть iнформацii при контролi та дiагностицi технiчного стану i на етапах прийняття рiшень. Практична значимiсть отриманих результатiв: Отриманi результати свiдчать про можливе впровадження нейромережевог моделi авiацiйного двигуна ТВ3-117 в бортову систему контролю i дiагностики його техтчного стану в польотних режимах.
Ключовi слова: авiацiйний двигун, нейронна мережа, тренд, фшьтр
СИ. ВЛАДОВ
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-8009-5254 Л.Н. ПИЛИПЕНКО
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-5221-0921 Н.В. ТУТОВА
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-5609-5502 И.А. ДЕРЯБИНА
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-5164-2976 А.А. ЯНИЦКИЙ
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-5318-1915
КОНТРОЛЬ И ДИАГНОСТИКА ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ДВИГАТЕЛЯ ТВ3-117 ПУТЕМ АНАЛИЗА ТРЕНДА ЕГО
ПАРАМЕТРОВ
Предметом исследования в статье является авиационный двигатель ТВ3-117 и методы контроля и диагностики его технического состояния. Цель работы - разработка метода контроля и диагностики технического состояния авиационного двигателя ТВ3-117 в полетных режимах путем анализа тренда его параметров с использованием нейросетевых технологий. В статье решается задача разработки методики определения оптимальной структуры нейронной сети, которая состоит в определении архитектуры нейронной сети, выборе оптимального алгоритма поиска весов нейронов и обучения нейронной сети, анализа эффективности различных алгоритмов обучения нейронной сети, определение структуры нейронной сети по нахождению минимальной ошибки обучения нейронной сети в зависимости от количества нейронов в скрытом слое, а также в анализе эффективности полученных результатов. Используются следующие методы: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Выводы: Результаты численного моделирования свидетельствуют о возможности решения задач контроля и диагностики технического состояния авиационного двигателя ТВ3-117, позволяющие наряду с классическими критериями выявления тренда параметров применять качественно новые нейросетевые критерии, которые расширяют и дополняют классические критерии, повышающие достоверность при контроле и диагностике технического состояния и на этапах принятия решений. Практическая значимость полученных результатов: Полученные результаты свидетельствуют о возможном внедрении нейросетевой модели авиационного двигателя ТВ3-117 в бортовую систему контроля и диагностики его технического состояния в полетных режимах.
Ключевые слова: авиационный двигатель, нейронная сеть, тренд, фильтр
SI. VLADOV
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-8009-5254 L.M. PYLYPENKO
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-5221-0921 N.V. TUTOVA
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-5609-5502 I.O. DIERIABINA
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-5164-2976 A.A. YANITSKYI
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-5318-1915
CONTROL AND DIAGNOSTICS OF TV3-117 AIRCRAFT ENGINE TECHNICAL STATE BY ANALYSIS OF ITS PARAMETERS TREND
The subject matter of the article is TV3-117 aircraft engine and methods for monitoring and diagnosing its technical state. The goal of the work is development of a method of control and diagnostics of TV3-117 aircraft engine technical state in flight modes by the analysis of a trend of its parameters using neural network technologies. The article solves the problem of developing a methodology for determining the optimal structure of a neural network, which consists in determining the neural network architecture, choosing an optimal algorithm for finding the weights of neurons and training a neural network, analyzing the effectiveness of various training algorithms for a neural network, determining the structure of a neural network to find the minimum error in training a neural network depending on the number of neurons in the hidden layer, as well as in the analysis of the effectiveness of the results. The following methods are used: methods ofprobability theory and mathematical statistics, methods of neuroinformatics, methods of information systems theory and data processing. Conclusions: The results of numerical modeling indicate the possibility of solving the problems of control and diagnosing of TV3-117 aircraft engine technical state, allowing, along with the classical criteria for identifying the trend of parameters, to apply qualitatively new neural network criteria that expand and supplement the classical criteria that increase the reliability in control and diagnosing the technical state and decision-making stages. The practical significance of the results obtained: The results obtained indicate the
possible implementation of the neural network model of the TV3-117 aircraft engine into the on-board system for control and diagnosing its state condition in flight modes.
Keywords: aircraft engine, neural network, trend, filter
Постановка проблеми
Авiацiйний двигун ТВ3-117 i його системи управлшня е складною динамiчною системою. Коректшсть i безпечнiсть функцiонування такого об'екта вимагае постiйного i безперервного аналiзу его napaMeTpiB. Контроль i дiагностика технiчного стану динамiчного об'екта необхдт для узгодження стратеги оптимального управлшня його експлуатащею.
Ефeктивнiсть контролю i дiaгностики тeхнiчного стану аыацшного двигуна ТВ3-117 залежить вiд повного контролю пapaмeтpiв, тобто ввд aнaлiзу (моделювання) поточно! ситуацп з прогнозом li розвитку в двигунi (шформащя з датчиков). Однiею з класичних задач контролю i дiaгностики техшчного стану aвiaцiйного двигуна ТВ3-117 е розладнання (визначення тренду контрольованих даних). У загальному випадку тpeнд-aнaлiз дозволяе контролювати часовий ряд, утворений послщовшстю значень контрольованих показник1в, i визначае наявшсть тренду: змiн (розладнання) в цьому ряду. Цшшсть тpeнд-aнaлiзу дуже велика, оск1льки дозволяе виявити дефекти на раннш стадп ix розвитку (навиъ якщо значення контрольованих пapaмeтpiв знаходяться в допустимих межах) [1].
Аналiз останшх дослiджень i публжацш
Дослiджeння в облaстi розробки автоматизованих систем контролю i дiaгностики техшчного стану aвiaцiйних двигунiв показують недостатню обгрунтовашсть застосування систем, заснованих тшьки на одному з вiдомих мeтодiв дiaгностики, оск1льки жоден з мeтодiв не е унiвepсaльним й абсолютно надшним [2-4]. Подiбнi системи контролю i дiaгностики, побудовaнi на основi одного клaсифiкaтоpa, не зможуть повною мipою задовольнити зpостaючi вимоги, що пред'являються до дiaгностики aвiaцiйного двигуна ТВ3-117. 1снуе калька напрямк1в, що визначають пiдвищeння eфeктивностi бортових технологш контролю i дiaгностики тeхнiчного стану aвiaцiйних двигунiв. Основним напрямком слщ вважати iнтeлeктуaлiзaцiю пpоцeсiв обробки шформацп з залученням нейромережевих мeтодiв, яш здaтнi забезпечити пiдвищeння якостi бортових алгорштшв контролю та дiaгностики техшчного стану aвiaцiйного двигуна ТВ3-117 [1, 5-7].
Нейронш мереж1 вiд класичних мeтодiв вiдpiзняються швидкодiею, унiвepсaльнiстю, гнучшстю у викоpистaннi, а також здатносп до узагальнення шформацп, високо! робасносл до зовнiшнiх збурень i здатносп до прогнозування. При цьому актуальною проблемою на сьогодшшнш день е комплексний контроль i дiaгностикa техшчного стану aвiaцiйного двигуна ТВ3-117 на бaзi моделей нейронних мереж з прогнозом поточних ситуацш.
На сьогодшшнш день aнaлiз pобiт в обласп контролю i дiaгностики тeхнiчного стану aвiaцiйних двигунiв на основi нейронних мереж [1, 5-8] показуе, що в даний час таю роботи ведуться, однак, в силу низки причин (таемшсть, вузька спeцiaлiзaцiя розв'язуваних задач) в бшьшосп публжацш вщсутш методи, а також тeоpeтичнi та практичш рекомендацп щодо розв'язку подiбних задач.
Формулювання мети дослiджень
Анaлiз тренду пapaмeтpiв aвiaцiйного двигуна ТВ3-117 теоретично можлива у пpостоpi сташв, якщо використовувати змiннi стани як параметри поточного тeхнiчного стану. Однак, доступними для спостереження е компоненти вектору вихщних стaнiв двигуна, яш включають aдитивнi випaдковi шуми вимipювaнь. Вiдповiдно, iснуе проблема визначення робочого набору ознак для побудови виршальних правил, ^apiam^^ до випадкових шумiв спостережень. 1ншою проблемою збiльшeння якосп aнaлiзу е пiдвищeння точностi визначення меж клаав стaнiв aвiaцiйного двигуна ТВ3-117. Ця проблема обумовлена тим, що вони суттево залежать ввд спiввiдношeнь мiж динaмiчними параметрами двигуна (й спектральними характеристиками всiх видiв впливiв i збурень, як1 мають випадковий характер, й, вiдповiдно, е умовними). У наш час процес aнaлiзу тренду пapaмeтpiв aвiaцiйного двигуна ТВ3-117, як правило, здшснюеться вручну, з участю высококвaлiфiковaного спещалюта, тривала i монотонна робота якого, з одного боку, може призвести до виникнення похибок aнaлiзу, а з шшого боку, до значних часових затрат.
Для л^щацп перерахованих вище недолЫв у pоботi пропонуеться метод розв'язку зaдaчi aнaлiзу тренду пapaмeтpiв aвiaцiйного двигуна ТВ3-117 на основi нейронних мереж. При використанш нейронних мереж для розв'язку задач контролю i дiaгностики тeхнiчного стану aвiaцiйного двигуна ТВ3-117 наявна aпpiоpнa шформащя пред'являеться нeйpоннiй мереж1 у виглядi готових розв'язк1в (задачников), на основi яких здiйснюеться процес ll навчання (донавчання). При оцiнювaннi якостi роботи мереж1 на ll вхiд подаються дaнi з тестово! вибipки, на основi яких вона обчислюе вектор вщхилень (piзницю мiж виходом нейронно! мереж1 i бажаними характеристиками). Спектр задач, що розв'язуються такою моделлю, достатньо широкий: в1д задач контролю техшчного стану aвiaцiйного двигуна ТВ3-117 до налагодження його пapaмeтpiв [9, 10].
Класичш методи аналiзу тренду параметрiв ав1ац1ймого двигуна ТВ3-117
Важливою задачею у процеа анал1зу експериментальних даних, як1 вщображають розтзнавання «вигляду» ав1ацшного двигуна ТВ3-117 е визначення розладнання у вим1ряних параметрах часового ряду, тобто анал1з статистичних характеристик результапв реестрацп контрольованих параметр1в з метою визначення !х стацюнарносп. Основна задача тренд-анал1зу - виявлення законом1рностей в послщовносп даних. Найбшьш повний опис метод1в виявлення тренду приведено у [11]. Серед найбшьш поширених «класичних» метод1в анал1зу тренду видшяють: параметричш, непараметричш 1 змшаш методи. З параметричних метод1в найбшьш докладно розглянемо штегральний критерш, який полягае в наступнш послшовносп операцш:
- попередньо здшснюеться обробка числового ряду (даних вим1рювань) {71, ..., Ум} з метою перетворення його до вигляду, зручного для подальшо! оцшки;
- анал1зуеться лопка 1 ф1зика процесу, що робить ютотний вплив як на виб1р виду апроксимуючо! функцп, так 1 на визначення меж змши И параметр1в.
Попередня обробка вихшного числового ряду на штерват часу Те [/!,..., М спрямована на зниження впливу випадково! складово! е(Г) у початковому числовому ряд1 {У1, ..., Ум} (тобто наближення И до тренду) на подання метиться в числовому ряд1 шформацп в такому вигляд1, щоб ютотно зменшити труднощ1 аналгтичного опису тренду.
Основш методи розв'язку цих задач - процедури згладжування 1 вир1внювання статистичного ряду. При цьому процедура згладжування направлена на ттшзащю випадкових вшхилень точок вш деяко! гладко! криво! передбачуваного тренду процесу. Згладжування проводиться за допомогою многочлешв, що наближають по МНК групи вим1ряних в експерименп точок. Навиъ у простому лшшному вар1анп процедура згладжування дуже ефективна у процеа виявлення тренду при накладенш на емтричний числовий ряд випадкових перешкод 1 похибок вим1рювань. Якщо згладжування направлено на первинну обробку числового ряду для виключення випадкових коливань 1 виявлення тренду, то вир1внювання на мет1 сприяння бшьш зручного представлення вихшного ряду при збереженш його значень. У найпроспшому випадку ця процедура може бути здшснена апроксимащею по вихшному ряду оброблених експериментальних точок.
Виб1р в якосп критерш оптимальносп заход1в вщхилення точок емтричного ряду вш апроксимуючо! функцп здшснюеться за формулою (метод МНК):
N \2
,а1,-,ам)) ^™1п; (1)
де У] - точки емтричного ряду (вим1рят значения); ц - апроксимуюча функщя; ^ - часова складова; а\...аы - апроксимоват точки.
В якосп одного з штегральних критерпв оцшки тренду були розглянуп наступш функцюнали:
У - У (1)
6= 1 - п (1); (2) Уп ( 1 )
де 7] - дат експерименту, ] = 1, N; Уп(]) - дат, обчислеш за моделлю; N - кшьшсть точок, вим1ряних в експерименп; д - оцшка тренду. Застосування цього критерш (2) у процеа оцшки експериментальних даних показано на рис. 1, а.
На рис. 1, а можна видшити чотири характерш д1лянки: I - з 0 по 78 год; II - з 80 по 104 год; III -з 104 по 118 год; IV - з 118 по 128 год експлуатацп двигуна. Тренд вшсутнш на I 1 III д1лянках, а проявляеться на II 1 IV. На рис. 1, б можна також спостер1гати чотири характерних д1лянки: I - з 0 по 78 год; II - з 80 по 102 год; III - з 102 по 122 год; IV - з 122 по 128 год експлуатацп двигуна. Очевидно, що тренд вшсутнш лише на першш дшянщ напрацювання, а на шших трьох помгтна тенденщя до змши температури газу за турбшою компресора, тобто присутшсть тренду. При цьому, якщо тшьки на другш д1лянщ температура повшьно тдвищуеться, то на третьому 1 четвертому !! змша мае яскраво виражений характер.
1ншим штегральним критер1ем оцшки тренду е функцюнал виду:
¿ = 1
j=i
Y - Y (j) Y (j) .
(3)
Застосування критерiю (3) у процесi аналiзу частоти обертання ротора високого тиску показано на рис. 1, б, де також помгтш чотири характерних дмнки: I - з 0 до 26 год; II - з 20 по 100 год; III - з 100 по 122 год; IV - з 122 по 128 год експлуатацп систем управлшня лиальним апаратом (СУЛА). Перша
2
дмнка напрацювання характеризуемся як область шдробггки; друга - область нормального перюду ексилуатацп; третя I четверта - обласп штенсивного зносу I старшня.
а) б)
Рис. 1. Тренд-ан^з: а - частоти обертання ротора турбокомпресора; б - температури газу перед
турбшою компресора
У процеа дослiдження тренду класичними методами можна зробити висновок про те, що «класичш» iнтегральнi критерп вельми ефективш при експрес-аналiзi, мають точшсть, наочнiстю i здатнi з високим ступенем достовiрностi визначити момент початку прояви тренду.
Розв'язання задачi аналiзу тренду параметрiв ав1ац1ймого двигуна ТВ3-117 на базi нейронних
мереж
Позначимо через х(/), / = 1, 2,..., N послiдовнiсть дискретних спостережень параметрiв СУЛА х(/) = ДО + %(/) на тлi перешкоди %(/) з нульовим середнiм i дисперсiею о2. В якостi моделей часових залежностей (трендiв) будемо використовувати множину полiномiв:
1=
/ (/ )=!с/; (1 = 1, 2,., п)
(4)
з невiдомими коефiцiентами с,; де] - iндекс типу модель
При поточному оцiнюваннi модель (4) зручно представити у виглядi:
1=1 Д ^
/ (' + *) = £ ); (1 = 1, 2,., п); 1=0 л !
(5)
де Д/ - час, що вщраховуеться вiд поточного моменту часу /; - л-а похiдна функцп¿¡(Г).
Будемо визначати значения функцп /() по ковзно! вибiрцi спостережень х(/ - N + 1) х(/ - N + 2),., х(/) постiйного обсягу N, що дозволяе вiдслiдковувати зм^ коефiцiентiв с¡¡- моделi (5). Регулярш данi вiдповiдають наявностi певно! закономiрностi. Порушения ще! закономiрностi вщбуваеться при змiнi коефiцiентiв с,, у (5). Завдання полягае в побудовi нейромережевого класифiкатора, що дозволяе на пiдставi результатiв обробки спостережень (вимiрювань параметрiв СУЛА) х(/) встановити факти порушения закономiрностей трендiв i моменти часу появи цих порушень (трендiв).
Опис класичних критерпв виявления тренду: Хальден-Аббе, Неймана-Пiрсона, модифiкованого r-критерiю, штегрального ^-критерш можна знайти, наприклад, у [11].
У робот проводиться порiвияльна оцiнка ефективностi тренд-аналiзу нейромережевого i класичних критерпв. Порiвияльне дослiджения критерпв проводилося на основi iмiтацiйного моделювання, що дозволило здiйснити перевiрку в широкому дiапазонi змiни похибок вимiрювань i iнтенсивностi прояви тренду. Значения контрольованого параметра дорiвнюе сумi детермшованою основи i випадково! нормально розподшено! перешкоди з дисперсiею Детермшована складова постiйна на iнтервалi [0, /0], а попм змiнюеться лшшно з темпом а = tg(a) (1/с) (де а - штенсившсть тренду). В ходi моделювания значения а варшвалося в дiапазонi [0,01; 1]; а значения % в дiапазонi [0,001; 1]. При моделюванш для настройки математично! моделi авiацiйного двигуна ТВ3-117 використовувалася вибiркова дисперая, розрахована на iнтервалi стацiонарностi [0, /о]. Починаючи з моменту /о, обчислювалися значения критерпв i перевiрялося наявнiсть тренду. Ефективнiсть критерпв ощнювалася часом спрацьовувания критерпв вiд початку тренду то до моменту часу, вщповщного виявлення тренду
тзап.
Серед численних методiв аналiзу трендiв вщзначаються [11, 12]: метод лшшно! фшьтраци, фiльтр Калмана, екстраполяцiйнi методи. Останш найбiльш просто реалiзуються в середовищi нейронно!
л=0
мереж!, осшльки !х основою е процедури згладжування 1 вир1внювання статистичного ряду. Процедури згладжування 1 вир1внювання можуть бути реал1зоваш на баз1 рекурентних нейронних мереж у виглад двох послщовно з'еднаних фшьтр1в - низько! частоти (НЧ) 1 високо! частоти (ВЧ). Для розв'язку дано! задач необхщно реал1зувати на баз1 рекурентних нейронних мереж два послщовно з'еднаних фшьтру -низько! частоти (НЧ) 1 високо! частоти (ВЧ). При цьому НЧ-фшьтр «пропускае» постшну складову £■(?) { фшьтруе перешкоду ДО), а ВЧ-фшьтр пропускае /(^ (г) 1 фшьтруе £(() 1 перешкоду ДО). Реал1зац1я НЧ 1 ВЧ-фшьтр1в на баз1 рекурентних нейронних мереж показана на рис. 2.
а) б)
Рис. 2. Реалiзащя НЧ (а) i ВЧ (б) (|л. и>т|)1в на базi рекурентних нейронних мереж
Даш вар1анти розр1зняються тим, що реал1зуються в1дпов1дними зовшшшми фшьтрами. Структура зовшшнього фшьтра показана на рис. 3.
Z 1
Z 1
Z 1
t t t
Ouf (t)
Рис. 3. Реaлiзaщя НЧ (a) i ВЧ (б) (|)i. ii>i |)iB на 6a3i рекурентних нейронних мереж
Реал1зац1я НЧ 1 ВЧ-фшьтр1в на баз1 рекурентних нейронних мереж показана на рис. 4. З теорп нейронних мереж [13] в1домо, що статичш архгтектури нейронних мереж здатш апроксимувати багаторозм1рш, нелшшш статичш функцп. 1дентиф1кац1я динам1чних систем, навпаки, вимагае модел з в1дпов1дними елементами запам'ятовування. Тому статичш повнорозм1рш нейронш мереж! повинш розширюватися динам1чними структурами. Одшею з можливостей динам1чного розширення е додавання зовшшшх фшьтр1в, як1 реал1зують динам1чну модель поза мережею. До таких нейронних мереж з зовшшньою динамшою вщносяться [14]:
- нелшшш модел1 з1 зворотним зв'язком з виходу;
- нелшшш модел1 з кшцевою 1мпульсною вщповщдю;
- нелшшш ортогональш модел1 базисних функцш.
Рис. 4. Процес навчання рекурентною нейронною мережею розшзнаванню тренду
Ощнювання ефективносп. При попереднiй обробцi вважаеться, що функцiï f(t) i Ç(t) не корельованi. n0Tpi6H0, щоб вектор Outx(t) вихiдних величин фiльтра OutX (t), l = 1, N, що е реакцiею на зовнiшнiй вплив, наближався до бажано! функцiï вiд корисного сигналу:
Outx(t) ~ Ffif);
(6)
де F = (Fi) - деякий векторний оператор, що описуе воображения множини корисних сигналiв у вихвдт сигнали фiльтра [15].
В якост мiри наближення Ouf(t) до Ff(f) у загальному випадку можна вибрати функцiонал:
J = J {р( Ff (t )-Outx (t ))};
(7)
де $(•) - деяка мiра векторно! функцп.
У найпроспшому випадку [27, 28] (рис. 1, б) вхвдний сигнал подаеться на безлiч послiдовно з'еднаних функцюнальних елементiв, що володiють затримкою Z"1 (в синапсах). ïx вхвдш величини подаються у виглядi сигналiв Inx(t - kZ"1), к = 1, N з вагами Wjk, формуючи вектор оцiнок корисних сигналiв (Xj (t)), на основi якого за допомогою мереж1, що реалiзуе матрицю операторiв (Fj),
формуеться вектор виxiдниx сигналiв (OutX (t )) :
OutX (t ) = Fj ^YWfiInX (t - kZ-1 )
(8)
Задачею фшьтрацп е вiдтворення корисного сигналу на rai шумiв i виконання необхщного перетворення. Для розв'язку дано! задачi необxiдно мiнiмiзувати середньоквадратичне вiдxилення оцiнки корисного сигналу xj(t) вiд очiкуваного j - корисного сигналу fj(t), що характеризуе вщповщний корисний результат нейромережевого фiльтра, тобто знайти:
minM jZlfj (')-XWjkInX (t-kZ 1 )
(9)
де M - математичне сподiвання.
Згiдно даного критерш можуть бути реалiзованi класичнi алгоритми адаптацiï фiльтра з використанням апрюрно! шформацп про корисний сигнал i шумь
Виходячи з вищевикладеного, для розв'язку поставлено! задач в якосп динамiчноi (рекурентно!) нейронно! мереж1, що реатзуе НЧ-фiльтр, може бути обраний персептрон; для ВЧ-фiльтра - нейронна мережа РБФ (радально-базисно! функцп) (рис. 3). Алгоритм навчання нейронно! мереж1 базуеться на градieнтному методi й детально описаний у [16], в якому змша ваг описуеться залежнiстю:
wk+i=wk+%Pk; (10)
де Цк - розмiр кроку на k-й ггераци, а вектор pk задае напрямок руху i обчислюеться за формулою:
p¡=~ít+ Z PtsZ' с11)
i=i
де вектор gj задае напрямок антiградiента на j-й ггераци; в - коефiцiент, який визначае вагу i-го градiента; m визначае шльшсть запам'ятовуваних градiентiв; k - порядковий номер поточно! iтерацii.
Сигнал, який мае N вщлтв x = (x^..., x„), може бути апроксимований нейронною мережею з G нейронами в прихованому шарi наступними рГвняннями:
- для персептрона:
f {t) = frfq [Wt^; (12)
- для РБФ:
/^) = £»?Ъ ("t,wíA)); (13)
1=0 \ '
де д(^) - рiзнi типи базисних функцiй багатошарового персептрона, що володшть скалярним аргументом (вихiдна N-вимiрна задача апроксимацii шляхом ваговiй суперпозицп розкладаеться на простi скалярнi базисш функцii; стиснення N-розмiрного вхiдного простору до одномiрного входу ;[(•) здшснюеться
—(к')т -
шляхом скалярного добутку Ж г t); Я(^) - зваженi базиснi функцii РБФ (кожна базисна функцiя реалiзуeться окремим нейроном).
Виршальне правило для ансамблю нейронних мереж, що реалiзуe НЧ i ВЧ фiльтри, мае такий
вигляд:
N ,
^ (у+1 (0 - у (0) 2
а = -> С; (14)
t
де чисельник виразу (14) означае накопичення суми вiдхилень контрольованих параметрiв (С - порiг спрацьовування (чутливють) нейронноi' мереж1; при С = 0 (нормальний режим роботи), при а > С (тренд)).
Будемо анал1зувати наявшсть тренду (рис. 1, а) на донках I i II за допомогою апарату нейронних мереж. Анал1з тренду на першш дiлянцi наведено на рис. 5. Визначення тренду нейронноi мереж1 на другш характернiй дiлянцi показано на рис. 6. Одна клггина при цьому вщповщае 15-и годинам експлуатацп СУЛА. Видно, що поява тренду помiчена нейронною мережею тсля шостоi клiтини. Для ускладнення процесу розпiзнавання тренду i максимального наближення до реальноi ситуацii на вхвдний сигнал, iдентифiкований нейронною мережею, «накладаеться» перешкода.
У процесi математичного моделювання на ансамблево!' нейронно!' мережею (персептрон - РБФ), що реалiзуе рекурентш фiльтри, у порiвняннi з класичними критерiями виявлення тренду параметрiв авiацiйного двигуна ТВ3-117 отримано результати, наведеш на рис. 7.
Рис. 5. Процес тестування рекурентноТ нейронноТ мережi (тренд ввдсутнш)
Рис. 6. Визначення тренду за допомогою нейромережевоТ бази знань
О !■-"'-—--=---—
0,1 22.8 46,7 65А 92,7 "
Рис. 7. Характеристики критерй'в тренду для 5 % р1вмя значимостi в безрозмiрних координатах: 1 -нейромережевий критерии 2 - ж-критерш; 3 - $-критерш; 4 - г-критерш Хальден-Аббе; 5 -
модифжований г-критерш; 6 - и-критерш
Результати чисельного моделювання (табл. 1) свщчать про можливють розв'язку задач шформацшного контролю та дiагностики техшчного стану авiацiйного двигуна ТВ3-117, що дозволяють поряд з класичними критерiями виявлення тренду параметрiв застосовувати яшсно новi нейромережевi критерп, що розширюють i доповнюють класичнi критерп, що тдвищують достовiрнiсть шформацп при дiагностицi i контролi параметрiв i на етапах прийняття рiшень.
Таблиця 1
Порiвняльний аиа. из методiв аиалiзу тренду napaMeTpiB ;iiti;iuiiiiioi(> двигуна ТВ3-117
Критерп Вимiрювальна вибiрка Час появи тренду (вимiрювання) Яшсть розшзнавання, % Яшсть розшзнавання тренду при змш
а, % Т0, % ay (чутливють)
Класичш 50 7...8 95 70.95 90.95 10.25 вимiрювань
Нейромережевi 50 4...5 100 95.100 95.100 3.5 вимiрювань
У даний час при розв'язку складних комплексних задач шформацшного контролю та дiагностики техшчного стану авiацiйного двигуна ТВ3-117 можуть успiшно застосовуватися складнi ансамблевi нейронш мереж! [11], як1 у порiвняннi зi звичайними повнозв'язну нейронними мережами дозволяють отримати на практицi додатковi переваги:
- декомпозицiя складного динамiчного об'екта (його систем), тобто авiацiйного двигуна ТВ3-117, на ряд простих об'eктiв (пiдсистем);
- нейромережевi ансамблi простiше перебудовуються пiд мiнливi зовнiшнi умови (в класi адаптивних, самоналагоджувальних систем);
- структура нейромережевих ансамблiв може бути ошгашзована пiд конкретну задачу;
- швидкодш i точнiсть нейромережних ансамблiв значно вище, нiж класичних повнозв'язних нейронних мереж;
- нейромережевi ансамблi забезпечують кращу апроксимацiю кусково-неперервних функцiй (табл. 1).
Перераховаш вище переваги нейромережевих ансамблiв над звичайними повнозв'язними нейронними мережами дають можливiсть !х подальшого застосування при розв'язку задач iнформацiйного контролю та дiагностики технiчного стану авiацiйного двигуна ТВ3-117.
Методика аналiзу тренду параметрiв авiацiйного двигуна ТВ3-117 на базi технологи рекурентних нейронних мереж така:
1. Отримання навчально! вибiрки на N режимах нормально працюючого двигуна в темпi реального часу.
2. Отримання навчально! вибiрки на N режимах двигуна з трендом параметрiв в темш реального
часу.
3. Вибiр архiтектури рекурентних нейронних мереж.
4. Вибiр алгоритмiв навчання.
5. Навчання, тестування i розпiзнавання тренду параметрiв авiацiйного двигуна ТВ3-117 в режимi реального часу.
6. Аналiз тренду параметрiв авiацiйного двигуна ТВ3-117 рекурентними нейронними мережами.
7. Лдаптацiя рекурентних нейронних мереж в середовищi активно! експертно! системи [17].
Висиовки
Результати чисельного моделювання сввдчать про можливють розв'язку задач контролю i дiагностики технiчного стану авiацiйного двигуна ТВ3-117, що дозволяють поряд з класичними критерiями виявлення тренду параметрiв застосовувати яшсно новi нейромережевi критерi!, що розширюють i доповнюють класичнi критерп, що шдвищують достовiрнiсть iнформацi! при контролi та дiагностицi технiчного стану i на етапах прийняття ршень.
Список використаиоТ лiтератури
1. Жернаков С. В., Равилов Р. Ф. Тренд-анализ параметров авиационного ГТД на основе технологии нейронных сетей. Вестник УГАТУ. 2011. Т. 15. № 4 (44). С. 25-32.
2. Ntantis E. L., Botsaris P. N. Diagnostic methods for an aircraft engine performance. Journal of Engineering Science and Technology Review. 2015. Review 8 (4) (2015). Pp. 64-72.
3. Krivosheev I. A., Rozhkov K. E., Simonov N. B. Complex Diagnostic Index for Technical Condition Assessment for GTE. Procedia Engineering. 2017. Vol. 206. Pp. 176-181.
4. Wang Z. F., Zarader J.-L., Argentieri S. Aircraft fault diagnosis and decision system based on improved artificial neural networks. 2012 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 11-14 July 2012. Kachsiung, 2012. Pp. 1123-1128.
5. Жернаков С. В. Алгоритмы контроля и диагностики авиационного ГТД в условиях бортовой реализации на основе технологии нейронных сетей. Вестник УГАТУ. 2010. Т. 14. № 3 (38). С. 42-56.
6. Жернаков С. В., Гильманшин А. Т. Новые алгоритмы бортовой диагностики авиационного газотурбинного двигателя на базе нейро-нечетких сетей. Вестник УГАТУ. 2015. Т. 19. № 2 (68). С. 63-68.
7. Васильев В. И., Жернаков С. В., Муслухов И. И. Бортовые алгоритмы контроля параметров ГТД на основе технологии нейронных сетей. Вестник УГАТУ. 2009. Т. 12. № 1 (30). С. 61-74.
8. Васильев В. И., Жернаков С. В. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных. Вестник УГАТУ. 2006. Т. 7. № 2 (15). С. 71-81.
9. Применение нейросетевых технологий в системе контроля технического состояния авиационного двигателя ТВ3-117 в полетных режимах / Шмелев Ю. Н., Владов С. И., Крышан А. Ф., Гвоздик С. Д. Радиотехника. 2018. Вып. 194. С. 147-154.
10. Onboard parameter identification method of the TV3-117 aircraft engine of the neural network technologies / Vladov S., Shmelov Yu., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Chyzhova L. Transactions of KremenchukMykhailo Ostrohradskyi National University. 2019. Issue 5/2019 (118). P. 90-96.
11. Deep Neural Network Approximation Theory / Grohs P., Perekrestenko D., Elbrachter D., Bolcskei H. Computer Science, 08 January 2019. 2019. 60 p.
12. Tahmasebi P., Hezarkhani A. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation. Computers & Geosciences. 2012. Vol. 42. Pp. 18-27.
13. Du X., Ying H., Lin F. On modeling of fuzzy hybrid systems. Journal of intelligent & fuzzy systems. 2012. Vol. 23. No. 4. Pp. 129-141.
14. Cheng S., Dong R., Pedrycz W. A framework of fuzzy hybrid systems for modelling and control. International journal of general systems. 2010. Vol. 39. Issue 2. Pp. 165-176.
15. Жернаков С. В. Контроль и диагностика комплексных отказов САУ ГТД с использованием рекуррентных нейронных сетей. Авиакосмическое приборостроение. 2009. № 2. С. 33-49.
16. Neuro-mechanical methods of control and diagnostics of the technical state of aircraft engine TV3-117 in film regions / Vladov S., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Gvozdik S. Visnyk of Kherson National Technical University. 2020. No. 1 (72). Part 1. Pр. 141-154.
17. Expert system for identification of the technical state of the aircraft engine TV3-117 in flight modes / Shmelov Y., Vladov S., Klimova Y., Kirukhina M. System Analysis & Intelligent Computing : IEEE First International Conference on System Analysis & Intelligent Computing (SAIC), 08-12 October 2018. Pр. 77-82.
References
1. Zhernakov S. V., Ravilov R. F. Trend-analiz parametrov aviatsionnogo GTD na osnove tekhnologii neyronnykh setey. Vestnik UGATU. 2011. T. 15. № 4 (44). pp. 25-32.
2. Ntantis E. L., Botsaris P. N. Diagnostic methods for an aircraft engine performance. Journal of Engineering Science and Technology Review. 2015. Review 8 (4) (2015). Pp. 64-72.
3. Krivosheev I. A., Rozhkov K. E., Simonov N. B. Complex Diagnostic Index for Technical Condition Assessment for GTE. Procedia Engineering. 2017. Vol. 206. Pp. 176-181.
4. Wang Z. F., Zarader J.-L., Argentieri S. Aircraft fault diagnosis and decision system based on improved artificial neural networks. 2012 IEEE/ASME International Conference on Advanced Intelligent Mechatronics (AIM), 11-14 July 2012. Kachsiung, 2012. Pp. 1123-1128.
5. Zhernakov S. V. Algoritmy kontrolya i diagnostiki aviatsionnogo GTD v usloviyakh bortovoy realizatsii na osnove tekhnologii neyronnykh setey. Vestnik UGATU. 2010. T. 14. № 3 (38). pp. 42-56.
6. Zhernakov S. V., Gil'manshin A. T. Novyye algoritmy bortovoy diagnostiki aviatsionnogo gazoturbinnogo dvigatelya na baze neyro-nechetkikh setey. Vestnik UGATU. 2015. T. 19. № 2 (68). pp. 63-68.
7. Vasil'yev V. I., Zhernakov S. V., Muslukhov I. I. Bortovyye algoritmy kontrolya parametrov GTD na osnove tekhnologii neyronnykh setey. Vestnik UGATU. 2009. T. 12. № 1 (30). pp. 61-74.
8. Vasil'yev V. I., Zhernakov S. V. Kontrol' i diagnostika tekhnicheskogo sostoyaniya aviatsionnykh dvigateley na osnove intellektual'nogo analiza dannykh. Vestnik UGATU. 2006. T. 7. № 2 (15). pp. 71-81.
9. Primeneniye neyrosetevykh tekhnologiy v sisteme kontrolya tekhnicheskogo sostoyaniya aviatsionnogo dvigatelya TV3-117 v poletnykh rezhimakh / Shmelev YU. N., Vladov S. I., Kryshan A. F., Gvozdik S. D. Radiotekhnika. 2018. Vyp. 194. pp. 147-154.
10. Onboard parameter identification method of the TV3-117 aircraft engine of the neural network technologies / Vladov S., Shmelov Yu., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Chyzhova L. Transactions of Kremenchuk Mykhailo Ostrohradskyi National University. 2019. Issue 5/2019 (118). P. 90-96.
11. Deep Neural Network Approximation Theory / Grohs P., Perekrestenko D., Elbrachter D., Bolcskei H. Computer Science, 08 January 2019. 2019. 60 p.
12. Tahmasebi P., Hezarkhani A. A hybrid neural networks-fuzzy logic-genetic algorithm for grade estimation. Computers & Geosciences. 2012. Vol. 42. Pp. 18-27.
13. Du X., Ying H., Lin F. On modeling of fuzzy hybrid systems. Journal of intelligent & fuzzy systems. 2012. Vol. 23. No. 4. Pp. 129-141.
14. Cheng S., Dong R., Pedrycz W. A framework of fuzzy hybrid systems for modelling and control. International journal of general systems. 2010. Vol. 39. Issue 2. Pp. 165-176.
15. Zhernakov S. V. Kontrol' i diagnostika kompleksnykh otkazov SAU GTD s ispol'zovaniyem rekurrentnykh neyronnykh setey. Aviakosmicheskoye priborostroyeniye. 2009. № 2. pp. 33-49.
16. Neuro-mechanical methods of control and diagnostics of the technical state of aircraft engine TV3-117 in film regions / Vladov S., Kotliarov K., Hrybanova S., Husarova O., Derevyanko I., Gvozdik S. Visnyk of Kherson National Technical University. 2020. No. 1 (72). Part 1. Pp. 141-154.
17. Expert system for identification of the technical state of the aircraft engine TV3-117 in flight modes / Shmelov Y., Vladov S., Klimova Y., Kirukhina M. System Analysis & Intelligent Computing : IEEE First International Conference on System Analysis & Intelligent Computing (SAIC), 08-12 October 2018. Pp. 77-82.
