Сравнительный анализ математической модели датчика температуры газа за турбиной турбокомпрессора вертолетного ГТД на основе регрессионного анализа и нейронных сетей Текст научной статьи по специальности «Компьютерные и информационные науки»

ЛЕТАТЕЛЬНЫЕ АППАРАТЫ, АВИАЦИОННЫЕ ДВИГАТЕЛИ И МЕТОДЫ ИХ ЭКСПЛУАТАЦИИ

УДК 629.7:681.324 ББК 39.551-01-07 С21

А. А. Санько Минск, Республика Беларусь А. А. Шейников Минск, Республика Беларусь СРАВНИТЕЛЬНЫЙ АНАЛИЗ МАТЕМАТИЧЕСКОЙ МОДЕЛИ

ДАТЧИКА ТЕМПЕРАТУРЫ ГАЗА ЗА ТУРБИНОЙ ТУРБОКОМПРЕССОРА ВЕРТОЛЕТНОГО ГТД НА ОСНОВЕ РЕГРЕССИОННОГО АНАЛИЗА И НЕЙРОННЫХ СЕТЕЙ В статье представлены результаты сравнительного анализа математических моделей датчика температуры газа за турбиной турбокомпрессора газотурбинного двигателя вертолета на основе регрессионного анализа и на основе многослойной нейронной сети. Доказана нецелесообразность использования многослойной нейронной сети в качестве математической модели датчика температуры газа. Выбран оптимальный тип математической модели датчика температуры газа по критерию минимума ошибки вычисления выходного параметра.

Ключевые слова: газотурбинный двигатель, несущий винт, математическая модель датчика температуры газа, вертолет, нейронная сеть.

A. A. San'ko Minsk, Republic of Belarus A. A. Shejnikov Minsk, Republic of Belarus COMPARATIVE ANALYSIS OF A MATHEMATICAL MODEL OF THE TURBINE GAS TEMPERATURE SENSOR OF THE TURBOCHARGER OF A

HELICOPTER GAS-TURBINE ENGINE BASED ON REGRESSION ANALYSIS

AND NEURAL NETWORKS

The article presents the results of a comparative analysis of mathematical models of the turbine gas temperature sensor of the turbocharger of a helicopter gas turbine engine based on regression analysis and on a multilayer neural network. The inexpediency of using a multilayer neural network as a mathematical model of a gas temperature sensor is proved. The optimal type of the mathematical model of the gas temperature sensor is selected by the criterion of the minimum error of the output parameter calculation.

Keywords: gas turbine engine, rotor, mathematical model of gas temperature sensor, helicopter, neural network.

Введение

Одним из средств повышения качества и надежности управления газотурбинными двигателями (далее - ГТД) является применение в программно-алгоритмическом обеспечении современных цифровых САУ бортовых математических моделей датчиков (далее - ММД) основных параметров ГТД. При ограниченном объеме затрачиваемой вычислительной мощности с помощью таких моделей удается повысить надежность и качество управления ГТД [Гуревич, 2010]. Наиболее сложным, при использовании таких ММД, является обеспечение точности расчета выходного параметра во всей области эксплуатации датчика в реальном масштабе времени при его отказе. Это позволит не только локализовать отказы, но и по возможности устранять их путем восстановления информации [Жернаков, 2007].

В настоящее время работы в этом направлении ведутся в России и за рубежом. Например, в работе [Гуревич, 2010] предложено заменять сигнал от отказавшего датчика самолета сигналом от ММД с учетом 5 последних значений перед его отказом. Использование таких ММД не всегда оправдано: недостаточно полно учитывается динамика изменения параметров полета ВС; не учитываются аппаратные возможности БУР, а именно частота считывания информации; не учитывается информация, поступающая от других датчиков; нет возможности локализовать отказы путем восстановления информации.

Основными направлениями повышения качества процесса обработки информации, поступающей от датчиков (даже при ее частичном отсутствии), являются методы интеллектуального анализа данных, дополняющие и развивающие классические статистические методы, а именно нейронные сети (далее - НС) [Горбань, 1990].

В работе [Жернаков, 2007] представлена комплексная ММД ГТД самолета на основе НС. Входными параметрами такой модели являются: расход топлива, температура и давления воздуха на входе ГТД, что составляет примерно 20% измеряемых параметров, характеризующих состояние ГТД. Данный факт может привести к неправильной идентификации параметров ГТД, особенно при недостатке входной информации.

Таким образом, проведенный выше анализ литературы, показал, что исследования по выбору типов ММД на основе НС, применительно к особенностям эксплуатации вертолетного ГТД, не проводились.

Постановка задачи исследования

Выполняя комплексирование информации, поступающей от БУР, обосновать выбор типа ММД температуры газа за турбиной турбокомпрессора вертолетного ГТД по критерию минимума ошибки вычисления выходного параметра.

В качестве датчика информации о техническом состоянии вертолетного ГТД был выбран датчик температуры газа за турбокомпрессором -

800 О

Э

200

II - Этап нарушения нормальной работы ГТД

Горизонтальный полет

II

III

Этап посадки

и с

Рисунок 1 - Изменение Т4лев, Т

4прв

100 95 ' 90

85 "

-а

&

о

70 '

65 ■ 60

1 1 1 - п не

д 1

1 ^ 1 ' \ Л

1 1 1 1 1 1 1 1 1 1 > % ^ 1 Л

10

20

30

40

I С

Рисунок 2 - Изменение пш ,

На рисунках 1, 2: пнв - обороты НВ;

I

где

20 15 10

5

0

IIII 1- • <-> А А

1 • ,

/ •А ;

4

А

А * , £

600 ;.00 Т4, С

О 200 400

Рисунок 3 - Зависимости = /(Т4) весь полет

0=5 0

А

* / 1 1 1 1

* / г V

д

' / / V 1

> / » 1 1| *

А \

200 400

600

800 Т4, С

Рисунок 4 - Зависимости = /(Т4), этап № 2

Полученные результаты (см. рис.4 и табл. 2) позволяют сделать вывод о том, что для качественного вычисления Т4 по параметрам:

715 1098 1700 53 137

800 1183 1800 47 125

815 1185 7900 45 870

3) Анализ ошибки вычисления параметра Т4, нейросетевой моделью датчика

Определение модельной структуры и архитектуры НСМД является достаточно сложной задачей в силу наличия большой свободы выбора [Горбань, 1990]. Нахождение абсолютно оптимальной структуры НСМД практически невозможно, поэтому для решения поставленной задачи определим структуру НСМД, достаточно близкую к оптимальной.

Основные этапы инженерной методики построения НСМД включают: выбор архитектуры НС; выбор структуры НС; выбор алгоритма ее обучения; анализ точности нейросетевого решения; принятие решения на основе полученных результатов. С учетом того, что функциональная зависимость Т4 = /(

температуры (далее - НСМД).

Гч

г

1

!/ Як—

;

\ н

■

1

« .-4 *

О 200 400 600 800 Т' , С

Рисунок 5 - Зависимости = ХД), этап № 2, при пш = 0

алгоритм обучения НСМД (1 - алгоритм Ньютона; 2 - алгоритм ЬМ Левенберга-Марквардта) не оказывает существенное влияние на вычисления значений Т4 (

120 80 40 0

1 \

» \ ■ \ <

г4"" \

2 ' 1 1

0 200 400 600 ВОО у £

Рисунок 6 Зависимости = /(Т4) от вида функции активации, этап № 2

15 10

Л

/ 2 1

600

800

Т4, с

О 200 400

Рисунок 7 Зависимости = /(Т4) от алгоритма обучения, этап № 2

Тл, С

Рисунок 8 - Зависимости = Г (Т4, К), для всего времени полета

О 200 400 600 S00 Т О

Рисунок 9 - Зависимости = N), этап № 2

20

10

iSv

ч. к ^^ V Л s ч>

ч\ VV

"оо "50 ;.оо 900 9 Т4 , С

Рисунок 10 - Зависимости = ДТ4, Ы), этап № 1

___■ • -»' -ч 1

1

* V t

ТА , с г

ЧгТ

120 80 40 0

700 730 760 790 820

Рисунок 11 - Зависимости = f(T4, N), этап № 1, при птв = 0

4) Анализ ошибки вычисления Т4 - НСМД при отсутствии информации об оборотах НВ. Сравнительный анализ результатов (см. рис. 11, 12) показал, что минимальные значения

160

120

S0

40

0

700 730 ? Т4, С 790 820

Рисунок 12 - Зависимости = /(Т4, Ы), этап № 2, при пнв= 0

На рисунке 13 представлены гистограммы минимальных значений ошибок вычисления Т4 - ММД и НСМД для различных этапов полета вертолета. Анализ полученных гистограмм показал, что:

- ММД, построенные на основе регрессионного анализа работают лучше на всех этапах полета, чем НСМД (отличия в ошибке вычисления значений Т4, для этапа: № 1 - в 50 раз; № 2 - в 10 раз);

- при неполноте поступающей информации, выигрыш так же имеют ММД, разница в ошибке вычисления относительно НСМД, составляет примерно 14 %.

13.0В

ММД НСМД

□ .17

8.81

- 15

10.38

1А .,45

| 18.75

, %

Рисунок 13 - Гистограммы минимальных значений ошибок вычисления Т4:

1 - ММД (1) и НСМД (И = 48), этап № 2, при пнв = 0;

2 - ММД (1) и НСМД (И = 24), этап № 1, при пнв = 0;

3 - ММД (1) и НСМД (И = 12), этап № 2;

4 - ММД (2) и НСМД (И = 48) этап № 1;

5 - ММД (1) и НСМД (И = 12) весь полет

Заключение

Таким образом, полученные результаты исследований показывают, что: - для построения ММД температуры Т4, целесообразно использовать параметры: ГТД, НВ и полета вертолета, такие как:

для вычисления температуры Т4 на этапе горизонтального полета целесообразно использовать ММД типа (2);

- значение средней ошибки вычисления НСМД температуры Т4, имеет слабую зависимость от структуры и алгоритма обучения НС;

- ММД температуры Т4 на основе регрессионного анализа данных являются более робастными к исходным данным по отношению к аналогичным НСМД.

Библиографический список

1. Гимадиев А. Г. Системы автоматического регулирования авиационных ГТД: учеб. пособие / А. Г. Гимадиев, Е. В. Шахматов, В. П. Шорин. Куйбышев: Куйбыш. авиац. ин-т, 1990. 122 с.

2. Горбань А. Н. Обучение нейронных сетей. М.: СП «ПараГраф», 1990. 159 с.

3. Гуревич С. О. Системы автоматического управления авиационными газотурбинными двигателями. М.: ТОРУС ПРЕСС, 2010. 264 с.

4. Жернаков С. В. Особенности бортовой реализации нейросетевых алгоритмов контроля и диагностики авиационных двигателей // Автоматизация и современные технологии. 2007. № 2. С. 25-32.

5. Санько А. А. Методика распознавания нарушений нормальной работы авиационного двигателя по его параметрам и параметрам несущего винта с использованием регрессионного анализа / А. А. Санько, А. А. Шейников, С. Н. Романенок // Вестник ВАРБ. 2018. № 2. С. 54-61.

References

1. Gimadiev А. G. (1990). Automatic control systems for aviation gas turbine engines. Textbook / А. G. Gimadiev, E. V. Shakhmatov, V. P. Shorin. Kuibyshev: Kuibysh. aviats. in-t., 1990. 122 p. (in Russian)

2. Gorban A. N. (1990). Training of neural networks. Moscow: JV "Paragraph", 1990. 159 p. (in Russian)

3. Gurevich S. O. (2010). Automatic control systems for aviation gas turbine engines. Мoscow: TORUS PRESS, 2010. 264 p. (in Russian).

4. Zhernakov S. V. (2007). Features of onboard realization of neural network algorithms of control and diagnostics of aircraft engines // Automation and modern technologies. 2007. № 2. P. 25-32. (in Russian)

5. San'ko A.A, Shejnikov A.A, Romanenko S. N. (2018). The method of recognition of violations of normal operation of the aircraft engine on its parameters and parameters of the rotor using regression analysis // Bulletin of the ARB. 2018. № 2. P. 54-61. (in Russian)

УДК 004. 588 ББК 74.5

С. А. Ходацкий Иркутск, Россия Ю. А. Караваев Иркутск, Россия

ВЛИЯНИЕ ВИБРАЦИЙ РОТОРА ГТД НА ТЕХНИЧЕСКОЕ СОСТОЯНИЕ

МЕЖВАЛЬНОГО ПОДШИПНИКА

Значительное число досрочных съемов авиадвигателей с эксплуатации связано с отказами межвальных подшипников. Возможными причинами таких отказов являются нарушения условий их смазки и охлаждения. В статье приведены результаты экспериментальных исследований по оценке влияния снижения производительности маслопровода при изгибных колебаниях ротора на тепловое состояние межвального подшипника.

При работе ТРДД, вследствие неуравновешенности ротора, его вал совершает изгибные колебания. В этом случае, маслопровод, размещенный внутри вала двигателя, также будет совершать изгибные колебания, что может стать одной из причин снижения расхода масла через маслопровод при значительном уровне вибраций. При этом рабочая температура межвального подшипника может существенно возрасти.

Ключевые слова: авиационный двигатель, межвальный подшипник, виброскорость, температура подшипника, параметры масляной системы ГТД.