CC BY
89
2005 НАУЧНЫЙ ВЕСТНИК МГТУ ГА № 85
серия Эксплуатация воздушного транспорта и ремонт авиационной техники. Безопасность полетов
УДК 629.7.03.004.64
МЕТОД НЕЧЕТКО-НЕЙРОННОЙ ИДЕНТИФИКАЦИИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННЫХ ГАЗОТУРБИННЫХ ДВИГАТЕЛЕЙ
А.М. ПАШАЕВ, Р.А. САДЫХОВ, П.Ш. АБДУЛЛАЕВ
Показывается эффективность применения новой технологии Soft Computing для диагностирования с использованием нечеткой логики и нейросетевых методов.
Одним из важнейших условий эксплуатации современных авиационных газотурбинных двигателей (ГТД) по техническому состоянию является наличие эффективной параметрической системы технической диагностики. Как известно, проблема диагностирования ГТД в основном заключается в том, что бортовые системы объективного контроля записывают не все параметры работы двигателя. Это обстоятельство обуславливает дополнительную регистрацию остальных параметров работы ГТД вручную. Следовательно, возникает необходимость в создании такой системы диагностирования, которая бы обеспечила возможность оценки технического состояния (ТС) и выработки точных рекомендаций по дальнейшей эксплуатации ГТД как по данным ручной регистрации, так и по данным бортовых накопителей.
Статистическая обработка данных по действующим в настоящее время методикам ведется с предварительным допущением о нормальности законов распределений значений регистрируемых параметров. Такое допущение неблагоприятно сказывается на достоверности оценки ТС ГТД и обуславливает появление ошибочных решений в процессе диагностирования [1]. Кроме того, одно и то же сочетание изменений различных параметров двигателя может быть вызвано разными причинами, что затрудняет определение адреса неисправности.
Была предложена методика комбинированного диагностирования ТС ГТД, которая основана на оценивании параметров двигателя с помощью методов Soft Computing, математической статистики и регрессионного анализа (рис.1). Методика предусматривает поэтапную оценку ТС ГТД.
Экспериментальные исследования, проведенные по данным ручной регистрации, показывают, что в начале эксплуатации, в течение 40-60 измерений, накопленные значения регистрируемых параметров исправно работающих ГТД не подчиняются нормальному закону распределения.
Следовательно, на первом этапе процесса диагностирования (в начале эксплуатации), когда исходная информация недостаточна и нечетка, ТС ГТД оценивается с помощью методов нечеткой логики и нейронных сетей. Несмотря на грубые оценки параметров ТС ГТД, преимуществом этого этапа является возможность создания первоначального образа двигателя по неопределенной информации.
Рассматривается математическая модель авиационного ГТД, описываемого нечеткими регрессионными уравнениями:
~ П ___
~ ; =1m , (1)
j=1
где ~/ - искомые нечеткие параметры.
Имеет место определение нечетких значений параметров уравнения ~/ (1) на основе статистических экспериментальных нечетких данных процесса, то есть входных ~/ и выходных Y координат модели.
Суть решения данных задач с использованием нечеткой логики и нейронных сетей изложе-
на в [1,4,5].
Нейронная сеть (НС) состоит из соединенных между собой наборов нечетких нейронов. При использовании НС для решения (1) входными сигналами сети являются соответственно нечеткие значения переменной X = (~1,~2,...,~и), а выходом - У .
При решении задачи идентификации параметров ~ уравнения (1) с использованием НС,
основной проблемой является обучение последних. Для обучения значений параметров воспользуемся «-срезом [4].
Допустим, имеются статистические нечеткие данные, полученные на основе экспериментов. На основе этих входных и выходных данных составляем обучающие пары для обучения сети. Для построения модели процесса на вход НС подаются входные сигналы, а выходы его сравниваются с эталонными выходными сигналами. После сравнения вычисляется значение отклонения.
Если для всех обучающих пар значения отклонения Е меньше заданного, то обучение (коррекция) параметров сети заканчивается. В противном случае оно продолжается до тех пор, пока значение не достигнет миниума.
Коррекция параметров сети для левой и правой части осуществляется следующим образом:
ЭЕ н с . ЭЕ
а(Д = ау1 + Уд , 2 = аС2 + У
да у 4* ' да 1}
Здесь а^,а^,аС2, а"2 - старые и новые значения левой и правой части параметров НС; а у = [а у1, а у 2 ]; у - скорость обучения.
Структура нейронной сети для идентификации параметров уравнения (1) приведена на рис. 2.
Анализы показывают, что в течение последующих 60-120 измерений происходит приближение законов распределения отдельных параметров ГТД к нормальному. Поэтому на втором этапе, по накоплению определенной информации, с помощью математической статистики производится оценка ТС ГТД. Здесь приведенные и перечисленные к одному режиму параметры контролируются на соответствие рассчитанным их возможным и допустимым диапазонам.
Далее с помощью метода наименьших квадратов (МНК) идентифицируется множественная линейная регрессионная модель изменения ТС ГТД. Такие модели составляются для каждого исправного подконтрольного двигателя парка в их начальном периоде эксплуатации. При этом на основе анализа изменения значений коэффициентов регрессии (коэффициентов влияния) модели по всему парку с помощью математической статистики для них формируются базовые и допустимые диапазоны [4,5].
На третьем этапе (для более 120 измерений) с помощью МНК проводится углубленный анализ ТС ГТД, суть которого заключается в составлении фактической модели ТС ГТД и сравнении фактических коэффициентов влияния с их базовыми или допустимыми диапазонами. Достоверность результатов диагностирования на этом этапе высокая и составляет 0.95-0.99. Выход значения коэффициентов влияния за указанные диапазоны позволяет сделать вывод о значимом изменении физического процесса, оказывающего влияние на конкретный параметр работы ГТД. Устойчивый выход одного или нескольких коэффициентов влияния за указанные диапазоны свидетельствует о дополнительном признаке неисправности и позволяет конкретизировать адрес и возможную причину неисправности. При этом для получения устойчивых МНК оценок используется ридж-оценки.
В целях прогнозирования ТС ГТД коэффициенты регрессии аппроксимируются по наработке полиномами второй и третьей степени.
В качестве примера по применению указанной методики было изучено изменение ТС, вновь поступившего в эксплуатацию двигателя Д-30КУ-154 (двигатель 0305 922 921 2434, АТБ аэропорта "Бина", г.Баку, Азербайджан), который в течение 2600 часов (690 полетов) эксплуатировался без всяких замечаний. На предварительном этапе, когда число измерений N < 60, ТС ГТД описывается нечетким линейным регресионным уравнением (1). Идентификация нечеткой
линейной модели ГТД производится с помощью НС, структура которой приведена на рис.4. При этом за выходной параметр модели принимается вибрация задней опоры двигателя
(^ЗО )исх = а1Н + а2М + а3ТН + а4-РН + а5ПНД + а6Т4 + а7+ а8~Т + а9~М + а10ТМ + а11рО (2)
А на последующем этапе для каждого текущего измерения N > 60, когда наблюдается нормальное распределение параметров работы двигателя, вибрационное состояние ГТД описывается линейным регресионным уравнением, параметры которого определяются рекуррентным алгоритмом
В = (УЗО ) тек = а1я + а2м + а3ТН* + а4Рн + а5ПНД + а6Т4* + а7СТ + а8Рт + а9Рм + а10ТМ + а11 (3)
В результате проведенных исследований для изменяющегося ТС рассматриваемого двигателя была выявлена определенная динамика изменения значений коэффициентов корреляций и регрессии, которые приведены на рис. 3 и рис. 4.
Изучение динамики изменения значений коэффициентов корреляции и их основных статистических характеристик (табл.1) показывает на необходимость применения нечетких нейронных сетей при обработке полетной информации. Это позволяет описывать изменения технического состояния ГТД нечеткими линейными и нелинейными уравнениями [3].
Для третьего этапа получены следующие допуски на коэффициенты регрессии (коэффициенты влияния различных параметров на вибрацию) линейного многомерного регрессионного уравнения (12): частота вращения двигателя-1.33 10" ^1.96-10" , давление топлива -2.810"2^3.710"2, расход топлива - 0.5-10-3^1. 1-10-3, температура газов за турбиной -
2.1-10-3^3.2-10-3, давление масла - 0.289^0.374, температура масла - 0.026^0.084, вибрация передней опоры - 0.22^0.53, давление атмосферы - 1.44^3.62, температура атмосферы -(-4.1 -10-2)^(-2.9-10-2), скорость полета (число Маха полета) - 1.17^1.77, высота полета -
0.1-10-3 -^0.2-10-3 . В пределах указанных допусков была проведена аппроксимация текущих значений коэффициентов регрессии полиномами второй и третьей степени с помощью МНК (рис. 4).
Выводы
1. Предложен подход комбинированного диагностирования ТС ГТД, который основан на оценивании параметров двигателя с помощью методов математической статистики и Soft Computing (нечеткой логики и нейронных сетей).
2. Показано, что применение методов Soft Computing (нечеткая логика и нейронные сети) в распознавании ТС ГТД имеет определенные преимущества по сравнению с традиционными вероятностно-статистическими подходами. Прежде всего это связано с тем, что предложенные методы могут быть использованы независимо от вида распределения параметров работы ГТД. Тем более, что на ранней стадии работы двигателя, из-за ограниченного объема информации, вид распределения параметров трудно установить.
3. Комплексным анализом установлено, что между термогазодинамическими и механическими параметрами двигателя существуют определенные связи, имеющие различную динамику в конкретных диагностических ситуациях;
- для различных ситуаций развития неисправностей наблюдается разная динамика связей между параметрами двигателя по мере наработки, обусловленная появлением или исчезновением воздействующих на ТС ГТД факторов. Следовательно, в любое рассматриваемое время эксплуатации конкретное состояние двигателя характеризуется той или иной группой параметров, на значениях которых отражается наличие воздействующих факторов.
Предлагаемая методика позволяет не только диагностировать, но и прогнозировать безопасную наработку двигателя. Она дает устойчивые результаты и может быть рекомендована к практическому использованию как для АСД, где в качестве исходной информации являются данные ручной регистрации, так и для бортовых систем контроля работы двигателей.
Диагностика ГТД с помощью математической статистики (статистики высокого порядка) - (ЛЬ2)
Диагностика ГТД с использованием корреляционно-регрессионного анализа (ридж-регрессия) - (ЛЬЭ)
Рис.1. Блок-схема параметрического диагностирования авиационного ГТД
Рис. 2. Структура нейронной сети для многомерного линейного уравнения регрессии
Таблица 1
Основные статистические характеристики коэффициентов корреляции
Коэффициенты корреляции гхУ Среднее значение гхг Минимальное значение гхг Максимальное значение гхг Дисперсия тхт
гИУзо 0.098569 0.027764 0.171722 0.039039
Гм,УЗО 0.140608 0.070871 0.202407 0.034495
г * ТН уЗО -0.318031 -0.478252 -0.055527 0.111266
г * Т4 УЗО -0.126122 -0.244704 0.165399 0.131245
Продолжение табл. 1
ГРТ, узо 0.127778 0.038779 0.203882 0.040909
рм, узо 0.266707 0.090810 0.368872 0.073460
гТм УЗО -0.217393 -0.451692 0.141657 0.167810
гОт ,узо 0.256634 0.076418 0.402499 0.084452
Гупо ,узо 0.124647 -0.189260 0.419226 0.205637
г рн,узо -0.075837 -0.156228 0.004146 0.043771
Г пНД ,узо 0.366038 0.230781 0.463275 0.066236
65 75 85 95 105 115 125 135 145 155 165 175 185 195 205 215 225 235 245 255 265 275 285 295 305 315 325 335 345 355 365 375
N
Рис. 3. Изменения значений коэффициентов корреляций между входными и выходными параметрами входящими в многомерное регрессионное уравнение В = (УЗО)тек в эксплуатации: а) H_VZO-cвязь между Н и Узо (коэффициент гН Уо ); б) M_VZO-cвязь между М и
Узо (коэффициент гмУо ); в) TH_VZO-связь между тН и Узо (коэффициент гТ* У ); г) T4_VZO-cвязь между Т4* и УЗО (коэффициент гТ* У ); д) PT_VZO-связь между рТ и Узо (коэффициент Гртузо ); е) PM_VZO-cвязь между рм и У30 (коэффициент Грмузо ); ж) TM_VZO-cвязь между Тм и Узо (коэффициент гТмуо ); з) GT_VZO-cвязь между От и Узо (коэффициент г0тУзо ); и) VPO_VZO-связь между У по и У30 (коэффициент упо );
к) PH_VZO-связь между р*Н и Узо (коэффициент гр* У ); л) KND_VZO - влияние пНд и
Узо (коэффициент г„ндууоо ); ^число полетов
50 100 150 200 250 300 350 400
N
а)
б)
в)
50 100 150 200 250 300 350 400
N
г)
д)
е)
N
N
N
N
ж)
з)
0.0013 -0.00125 -0.0012 -0.00115 -0.0011 -' 0.00105 -0.001 -0.00095 -0.0009 -0.00085 -
150 200
N
250 300
и)
к)
л)
N
N
N
N
Рис.4. Изменения значений коэффициентов влияния параметров, входящих в многомерное регрессионное уравнение В = (Узо )тек на Узо в эксплуатации а) VZO_H - влияние Н на Узо (коэффициент а[); б) VZO_M - влияние М на Узо (коэффициент а2 ); в) VZO_TH - влияние тН на Узо (коэффициент а'3); г) VZO_KND - влияние пНд на Узо (коэффициент а5); д) VZO_T4 - влияние Т4* на Узо (коэффициент а6 ); е) VZO_PT - влияние рТ на Узо (коэффициент а8); ж) VZO_PM - влияние рм на Узо (коэффициент а9 ); з) VZO_TM - влияние Тм на Узо (коэффициент а10); и) VZO_GT - влияние От на Узо (коэффициент а7 ); к) VZO_VPO - влияние Упо на Узо (коэффициент а11); л) VZO_PH - влияние р*Н на Узо (коэффициент а4 ); N число полетов.
Обозначения
H Высота полета [м]
M Число Маха -
>!< Th Температура окружающей среды [oC]
* Ph Давление окружающей среды [Па]
ПНД Частота вращения ротора низкого давления [%]
t * Температура газа выходящих газов (за турбиной) [oC]
gT Расход топлива [кг/ч]
Pt Давление топлива [кг/см2]
Pm Давление масла [кг/см2]
Tm Температура масла [oC]
V30 Вибрация задней опоры [мм/c]
Vno Вибрация передней опоры [мм/с]
rXY Коэффициент корреляции между параметрами X и У
Q <N Регрессионные коэффициенты в исходном линейном многомерном регрессионном уравнении модели состояния ГТД
r r r a1,$2,a ■ Регрессионные коэффициенты в текущем линейном многомерном регрессионном уравнении модели состояния ГТД
a\, $2, $3, Нечеткие коэффициенты регрессии в линейном многомерном регрессионном уравнении модели технического состояния ГТД
X Y Измеренные нечеткие входные и выходные параметры модели технического состояния ГТД
Оператор нечеткого умножения Индексы Исходное Текущее ЛИТЕРАТУРА
1. Садыхов Р.А., Макаров Н.В., Абдуллаев П.Ш. Проблемы оценки технического состояния авиационных ГТД в эксплуатации. Материалы 5 Междун. научно-технического симпозиума «Авиационные технологии 21 века» (в рамках «МАКС-99»). Сборник трудов, секция 4 «Перспективные технологии летных испытаний и проблемы повышения безопасности полетов» // г. Жуковский, Россия, август, 1999.
2. Yager R.R., Zadeh L.A. (Eds). Fuzzy sets, neutral networks and softcomputing. VAN Nostrand Reinhold. -N.-4. 1994.
3. Mohamad H. Hassoun. Fundamentals of artificial neutral networks / A Bradford Book. The MIT press Cambridge, Massachusetts, London, England, 1995.
4. Пашаев А.М., Садыхов Р.А., Макаров Н.В., Абдуллаев П.Ш. Оценка технического состояния ГТД по полетной информации // тез. Докл. XI Всероссийской Межвуз. научно-технической конференции «Газотурбинные и комбинированные установки и двигатели» посвящ. 170- летию МГТУ им. Н.Э. Баумана, секция 1, МГТУ им. Н.Э. Баумана, ноябрь, М., 2000.
5. Pashayev A.M., Sadiqov R.A., Abdullayev P.S. 2003. “Complex identification technique of aircraft gas turbine engine's health”, ASME TurboEXPO 2003, Atlanta GA, USA, Paper GT2003-38704, 2003.
METHOD ILL-DEFINED-NEURAL IDENTIFICATIONS OF TECHNICAL CONDITION
AIRCRAFT GAS TURBINE ENGINES
Pashaev A.M., Sadyekhov R.A., Abdullaev P.Sh.
Appears efficiency of using a new technology Soft Computing for diagnosing with using an ill-defined logic and neural- network methods.
Сведения об авторах
Пашаев Ариф Мир Джалал оглы - 1934г.р., окончил Одесский электротехнический институт связи (1957), доктор физико-математических наук, профессор, академик, ректор Национальной академии авиации Азербайджана, автор более 200 научных работ, область научных интересов - физические поля в твердых телах, физика строения вещества и техника ее изучения на основе современных методов и технологий.
Садыхов Рамиз Али Джабар оглы - 1949г.р., окончил. Азербайджанский педагогический институт (1971), доктор технических наук, профессор, заведующий кафедрой информатики и математического моделирования Национальной академии авиации Азербайджана, автор свыше 250 научных работ, область научных интересов - моделирование систем авиационной техники на основе современных математических методов и компьютерных технологий.
Абдуллаев Парвиз Шахмурад оглы - 1967г.р., окончил Ленинградский Военно-механический институт им. Д.Ф. Устинова (1990), заведующий кафедрой конструкции и эксплуатации ЛАиАД Национальной академии авиации Азербайджана, автор 34 научных работ, область научных интересов - диагностика авиационных двигателей.
