CC BY
46
2008
НАУЧНЫЙ ВЕСТНИК МГТУ ГА серия Эксплуатация воздушного транспорта
№ 134
УДК 629
ОСОБЕННОСТИ ПОВЕДЕНИЯ ДИАГНОСТИЧЕСКИХ НЕЙРОМОДЕЛЕЙ ДЛЯ ГТД С НЕИСПРАВНОСТЯМИ ТУРБИНЫ
П.И. РАКОВ
Статья представлена доктором технических наук, профессором Чичковым Б.А.
Статья содержит некоторые результаты исследований влияния состояния ГТД с неисправностями турбины на характер поведения диагностических моделей, основанных на нейронных сетях. Приведен ряд примеров, которые дают основания предположить наличие такого влияния.
Турбина ГТД в процессе эксплуатации подвергается воздействию крайне высоких механических и температурных нагрузок, что для поддержания летной годности парка требует повышенного внимания к техническому состоянию ее узлов и элементов.
Снижению вероятности принятия ошибочного решения при определении состояния технической системы может способствовать увеличение количества применяемых методов диагностирования. В связи с этим интерес может представлять анализ возможности получения дополнительных сведений о техническом состоянии турбины, заключающийся в применении метода, основанного на качественной оценке влияния неисправностей турбины ГТД на характер поведения диагностических моделей. Основой для построения таких моделей в данной работе являлись радиально-базисные нейронные сети.
Используя статистические данные по наработке двухконтурного турбореактивного двигателя ПС-90 А, были построены графики следующих зависимостей: зависимость отношения давления газа за турбиной низкого давления (ТНД) к давлению воздуха на входе в двигатель (Рт/Рвх) от наработки (рис. 1-4); зависимость температуры газов за ТНД (Ттнд) от наработки (рис. 6, 7).
Проанализировав представленные на рис. 1, 2 типичные модели, следует отметить наличие схожих черт поведения, общий характер которых может быть представлен в виде фотографии состояния С-1, приведенной на рис. 5. На графике-схеме С-1 можно видеть, что изменение значений параметра Рт/Рвх (далее просто параметра) на участке 1 -2-3 имеет вид «горки», где параметр в точках 1 и 3 практически не изменяется. Следом за первой «горкой» идет вторая (участок 3-4-5), максимальное значение параметра которой (точка 4) соответствует уровню параметра в точке 2, а параметр в точках 3 и 5 также остается практически неизменным. Далее наблюдается достаточно крутая «горка» (участок 5-6-7) со значением параметра в точке 5, соответствующим уровню максимальных (или близких к тому) значений за весь период наблюдений. Параметр в точке 5 мало отличается от параметра в точке 7. Затем следует участок 7-8 с нулевым (положительным (участок 7-8’) или отрицательным (участок 7-8”)) трендом изменения параметра.
Рис. 1. График состояния ГТД (ГТД - 73)
Рис. 2. График состояния ГТД (ГТД - 81)
Изображенные на рис. 3, 4 модели так же имеют схожие черты поведения, которые можно представить схематично в виде графика-схемы С-2 (рис. 5). На данном графике-схеме можно видеть, что параметр на участке 1-2 практически не изменяется. Далее следует достаточно резкое падение значений па-
раметра (участок 2-3) до уровня минимальных (или близких к тому) значений за весь период наблюдений с последующей фиксацией на данном уровне (участок 3-4). Затем параметр начинает расти (участок 4-5), после чего наблюдается его падение (участок 5-6).
Рис. 3. График состояния ГТД (ГТД - 77)
Рис. 4. График состояния ГТД (ГТД - 100)
Фотография состояния С-2 может иметь следующие особенности: участок 1-2 может иметь и положительный тренд изменения параметра, тогда участок 1-2-3 приобретает форму «горки», степень крутизны которой в ряде случаев может быть достаточно высокой; участок 3 -4 может иметь, помимо нулевого, положительный или отрицательный тренд изменения параметра.
наработка, ч
Рис. 5. Фотографии состояния ГТД с неисправностью турбины
Фотография состояния С-3 (рис. 8) является обобщенным графическим представлением для моделей ГТД, приведенных на рис. 6,7 и аналогичных. Изменение значений параметра Ттнд (далее просто параметра) на участке 1-2 имеет положительный тренд. Далее параметр падает до уровня минимальных (или близких к тому) значений за весь период наблюдений (участок 2-3). Затем идет возрастание параметра (участок 3-4) до прежнего уровня с последующим достаточно пологим подъемом параметра (участок 4-5).
Основываясь на полученных результатах, можно утверждать, что неисправности турбины ГТД оказывают влияние на вид графического представления модели ГТД. Данное предположение и приведен-
ные выше особенности поведения следует считать справедливым для моделей ГТД, построенных с применением зависимостей:
1. Рт/Рвх от наработки.
2. Ттнд от наработки.
Рис. 6. График состояния ГТД (ГТД - 159)
Ттнд, град. С
Рис. 7. График состояния ГТД (ГТД - 198)
5
наработка, ч
Рис. 8. Фотография состояния ГТД с неисправностью турбины
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. МАТЬАБ 6. - М.: ДИАЛОГ-МИФИ, 2002.
THE TURBOJET TURBINE FAULTINESSES INFLUENCE ON DIAGNOSTIC NEURAL MODEL
CONDUCT CHARACTER
Rakov P.I.
This article contains a few research results of turbojet condition influence with turbine faultinesses on diagnostic model conduct character based on neural network. Also was shown a few examples which cause the reason to suppose an influence presence.
Сведения об авторе
Раков Павел Игоревич, 1981 г.р., окончил МГТУ ГА (2004), аспирант кафедры двигателей летательных аппаратов МГТУ ГА, область научных интересов - рабочие процессы, конструкция и прочность авиационных двигателей, диагностика авиационных двигателей.
