CC BY
94
Информационные технологии
УДК 681.3
ПОСТРОЕНИЕ МОДЕЛЕЙ НЕЙРОСЕТЕВОГО РЕЗЕРВИРОВАНИЯ КОМПОНЕНТОВ СИСТЕМЫ УПРАВЛЕНИЯ СТЕНДОВЫМИ ИСПЫТАНИЯМИ ЖРД С.М. Пасмурнов, А.А. Тузиков, М.В. Балашова, Е.Ю. Кирпичева
Рассмотрены особенности управления стендовыми испытаниями жидкостных ракетных двигателей, основанные на интеллектуальной обработке измеряемой информации
Ключевые слова: жидкостный ракетный двигатель, управление стендовыми испытаниями, нейросетевая модель регулятора давления, резервирование, контрольно-выборочные испытания
Основным видом испытаний, который дает необходимую информацию о работоспособности жидкостного ракетного двигателя (ЖРД) и его характеристиках, являются комплексные огневые наземные (стендовые) испытания в натурных условиях. В процессе этих испытаний каждый узел работает в условиях, аналогичных
эксплуатационным, при этом автоматически учитывается взаимное влияние узлов друг на друга. При проведении огневых испытаний двигателя выбираются циклограммы запуска и выключения, определяются действительные характеристики ЖРД и их стабильность в течение заданного ресурса, оценивается надежность двигателя и его работоспособность при эксплуатации двигательной установки .
В процессе испытаний управление ЖРД как исполнительным органом осуществляется путем изменения режима работы с помощью специальных устройств (дросселей, клапанов и т. д.), путем изменения настройки регуляторов системы регулирования либо путем изменения его положения в пространстве или положения его частей для изменения направления тяги.
Кроме управления положением летательного аппарата в пространстве, ЖРД выполняет еще и функцию устройства, обеспечивающего
одновременное опорожнение баков с компонентами. Использование системы опорожнения баков (СОБ) изменяет режим работы ЖРД. В таких случаях управление двигательной установкой производится по сигналам системы регулирования кажущейся скорости (РКС), которая использует ЖРД как исполнительный орган, изменяющий уровень тяги.
Современное состояние научных исследований и практика огневых испытаний связаны с определением критических в смысле надежности компонентов стендовой информационно-
Пасмурнов Сергей Михайлович - ВГТУ, канд. техн. наук, профессор, тел. (473) 243-76-32
Тузиков Александр Александрович - ОАО КБ «Химавтоматики», инженер, тел. (473) 243-77-04 Балашова Марина Владимировна - Московский университет «Дубна», ассистент, тел. (49621) 9-07-07 Кирпичева Елена Юрьевна - Московский университет «Дубна», канд. техн. наук, доцент, тел. (49621) 9-07-07
управляющей системы (ИУС) и выбором способов их резервирования [1,2].
В процессе огневых испытаний ИУС должна обеспечивать автоматическое управление арматурой стенда: пневмоклапанами (ПК),
электропневмоклапанами (ЭПК) и т.п.,- с целью поддержания давления на входе в ЖРД по линиям окислителя и горючего. Контроль и изменение давления компонентов ракетного топлива осуществляется при помощи блоков управления наддувами (набор давления) и дренажами (сброс давления). Система управления давлением в топливном баке представлена на рис. 1.
Р наддува
Рис. 1. Система управления давлением в топливном баке Управление давлением компонентов топлива осуществляется посредством открытия
необходимого числа ЭПК гребенки наддува 2 и положением ПК дренажа 3 по обратной связи от датчика давления 1. В данном случае применяется мажоритарный принцип резервирования датчиков обратной связи, особенно при использовании криогенных компонентов топлива (жидкий кислород, жидкий водород). Однако, это связано со значительными экономическими затратами
вследствие следующих причин.
1. Топливных баков может быть несколько
(основной бак горючего, основной бак окислителя, пусковые баки горючего и окислителя).
2. Регулирование давления в баке по обратной связи от датчика на входе в двигатель производится только после запуска. Во время предпусковой подготовки набор давления производится по датчику, установленному до расходного крана. В этом случае резервировать нужно и данный компонент.
3. Требуется значительное число
дополнительных каналов измерения, особенно при использовании потенциометрических датчиков с 4-х проводной схемой подключения (при этом на каждый измерительный канал требуется
дополнительный канал контроля электропитания). Проблема нехватки измерительных каналов
возникает особенно остро при частичной
модернизации устаревших ИУС, для которых изначально резервирование не предусматривалось.
Необходимость резервирования компонентов ИУС приводит к повышению стоимости испытаний. В этой связи для повышения надежности управления стендовыми испытаниями ЖРД целесообразно использовать малозатратные механизмы, основанные на интеллектуальной обработке измеряемой информации. В качестве
возможного подхода к интеллектуальной обработке измеренной информации для повышения надежности предлагается виртуальное
резервирование [2,3].
Предложено ввести дополнительный канал измерения ИУС в виде модели нейросетевого резервирования. При этом можно совместить
достоинства систем резервирования «один из двух» (1 оо2) и «два из трех» (2оо3). Кроме того, использование нейросетевой модели относительно безопасно, так как даже в случае отказа ее алгоритмов система резервирования автоматически преобразуется от 2оо3 к 2оо2.
Обобщенная структурная схема
резервирования регулирующих компонентов системы управления представлена на рис. 2..
Рис. 2. Обобщенная схема системы регулирования с использованием нейросетевой модели
Основной задачей при разработке таких систем является поиск взаимосвязей между входами и выходом нейронной сети.
Процесс в топливном баке описывается следующей системой уравнений [1]:
ё Гр¥г
ёт I ЯТ
2р
2
+ Р — Р1 = 0 р
- К
др
л[Ят
— т
III т/
ё рРб — V ) = т 1
ат
- т + т
тд ткн ’
где Г12др - эффективная площадь проходного сечения для 2-х линий наддува и одного дренажа, м2;
р - давление в баке, Па;
р1 - давление в начале трубопровода подачи (р^сош^, Па;
V - объем (г - газовой подушки, б - топлива в баке), м3;
р - плотность, кг/м3;
Я - газовая постоянная, Дж/кг-К; т д - массовый расход компонента в двигатель, кг/с (т д=сош1:);
т кн - массовый расход конденсации компонента, кг/с (т кн=сош1:);
т 1 - массовый расход по линии подачи, кг/с; Т - температура, К (Т=сош1;).
Решение системы уравнений имеет следующий
вид.
Если выполняется условие
< 9 I 2 + 1 ')1,5 + 3 У < 2 I Ц + 3 I + Ц — Ц
давление на входе в двигатель равно:
рвх
у > 2
(
1 —
Л
Цр + 2^ Ц2 + 3
Если выполняется условие ' 2 111,5 3
Ц2 + 3! + ц3 — Ц
С08
П + р
Р1.
давление на входе в двигатель равно:
о 1 2 12 1
рвх _ 2 3 — Ц — Цд1Ц + 3 р1.
V3 V 3)
В приведенных формулах применены следующие обозначения:
3
Y =
т кн RTP
Fi,^a/2Pp6 ' Pa
j = arccos| ц — ц
Ц =
_ ________дР
3Fl,^V2pP6
+ Y
v3ц2 +1У
3) Массовый расход по линии подачи в общем случае зависит от угла поворота регулятора РКС, дросселя СОБ и давления в камере сгорания рк.
4) Соотношение объемов газовой подушки и остатка компонента зависит от времени 1.
5) Выход - давление на входе в двигатель
рвх
Предлагаемая модель приведена на рис.3.
1эпк1 Ьшк2 Ідрен
угол
угол
СОБ
II I 111 1
Нейронная сеть (НС)
т
Для создания нейросетевой модели проведем анализ переменных, входящих в полученные расчетные зависимости с целью определения возможности их использования в качестве входов нейронной сети.
1) Отбросим константы.
2) Эффективная площадь проходного сечения линий наддува и дренажа представляет собой функцию от времени нахождения в открытом состоянии клапанов наддува и дренажа F(t3HKl, t3HK2,
^дрен).
Profile : MLP 4:4-20-20-20-1:1 , Index = 249 Train Perf. = 0,453552 , Select Perf. = 0,436019 , Test Perf. = 0,437159
Pk
РКС
время
t
Prn:.3. Нейросетевая модель регулятора давления
1,5
3
2
P^.4. Сеть вида 4-20-20-20-1.
С целью ускорения времени обучения была предпринята попытка использования нейронной сети с радиальными базисными функциями (ЯБЕ), сгенерированной при помощи нейросетевого модуля пакета 81а1181.1са 7.0.
При этом оказалось, что такие параметры как угол поворота регулятора РКС, дросселя СОБ и давление в камере сгорания рк являются лишними и от их использования пришлось отказаться. Проведенное масштабное тестирование по оставшимся параметрам показало, что наилучшие результаты по параметру стандартного отклонения ошибки прогноза к стандартному отклонению обучающих данных показала сеть вида 4-20-20-20-1.
Структура сети показана на рис.4. У этой сети 4 входа (время 1, 1эпк1, 1эпк2, 1дрен), по 20 нейронов в трех скрытых слоях и один выход (давление на
входе в двигатель рвх) [4]. Параметры сети
представлены в табл. 1.
Таблица 1
Параметры сети 4-20-20-20-1_______________
Среднее значение данных 3,336971
Стандартное отклонение данных 0,39б915
Среднее значение ошибки прогноза -0,000537
Стандартное отклонение ошибки прогноза 0,176255
Среднее значение абсолютной ошибки прогноза 0,114114
Отношение станд. откл. ошибки к станд.откл. данных 0,444062
Корреляция исходных и моделируемых данных 0,897785
На рис.5 представлены истинные значения датчика давления (серым цветом) и значения, смоделированные нейронной сетью (черным цветом) для контрольно-выборочных испытаний (КВИ)
Однако, сеть 4-20-20-20-1 не обладает достаточной универсальностью в плане того, что для контрольно-технологических испытаний (КТИ) она не работает. Поэтому для испытаний КТИ пришлось обучать отдельную сеть. Наилучший
12
результат показала сеть вида 4-10-6-1 (рис.6).
Параметры сети 4-10-6-1 представлены в табл.2. Работа сети на испытании КТИ представлена на рис.7 (серым цветом - смоделированные значения давления, черным цветом - истинные показания датчика). Таким образом, каждая из сетей применительно к испытаниям своего типа имеет допустимую погрешность.
10
ТО
0
си в
S
1
CD
ц
ш
ТО
d
, 11 J'uWjill I*LіVI'kVuVSiiV/YiVfc ViVi'AVujWllilVityl,ll,'hi1/1 ^iUi" I Ai.ji.Lk»,J1..Jlu.uJL.j
Время, 100хСек.
Рис.5. Истинные и смоделированные сетью 4-20-20-20-1 значения датчика давления для КВИ
Profile : MLP 4:4-10-6-1:1 , Index = 19 Train Perf. = 0,572773 , Select Perf. = 0,639042 , Test Perf. = 0,597519
з
4
2
Рис.6. Сеть вида 4-10-6-1
Время,100хСек.
Рис.7. Истинные и смоделированные сетью 4-10-6-1 значения датчика давления для КТИ
Т аблица 2
Параметры сети 4-10-6-1
Среднее значение данных 3,484007
Стандартное отклонение данных 0,673890
Среднее значение ошибки прогноза 0,011367
Стандартное отклонение ошибки прогноза 0,400823
Среднее значение абсолютной ошибки прогноза 0,178115
Отношение станд. откл. ошибки к станд.откл. данных 0,594790
Корреляция исходных и моделируемых данных 0,803961
Работа выполнена в рамках государственного контракта №14.В37.21.2105 от 14.11.2012 г.
Литература
1. Галеев А.Г. Основы устройства испытательных стендов для отработки жидкостных ракетных двигателей и двигательных установок: Изд-во ФКП НИЦ РКП, 2010. -178 с
2. Назаров А. В. Нейросетевые алгоритмы прогнозирования и оптимизации систем - СПб.: «Наука и техника», 2003.-384с
3. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных/ Под ред. В.П.Боровикова.-М.: Горячая линия-Телеком, 2008.-392 с.
4. Каширина И.Л., Львович Я.Е., Тузиков А.А. Нейросетевое резервирование дублированных измерений параметров при наземных огневых испытаниях жидкостных ракетных двигателей // Информационные технологии. 2011, №9, с.74 - 78
ОАО КБ «Химавтоматики», г. Воронеж
Воронежский государственный технический университет
Московский университет «Дубна»
THE NEURAL NETWORK-BASED REDUNDANCY OF LIQUID-PROPELLANT ROCKET ENGINES BENCH TESTS CONTROL SYSTEM COMPONENTS MODELS DEVELOPMENT
S.M. Pasmurnov, A.A. Tuzikov, M.V. Balashova, Ye.Yu. Kirpicheva
The specificities of liquid-propellant rocket engines bench tests control, based on measured data intelligent processing are considered
Key words: liquid-propellant rocket engine, bench tests control, the pressure controller neural network model, redundancy, control tests
