ВІДМОВОСТІЙКИЙ АЛГОРИТМ ІДЕНТИФІКАЦІЇ БОРТОВОЇ МАТЕМАТИЧНОЇ МОДЕЛІ АВІАЦІЙНОГО ДВИГУНА ТВ3-117 В СКЛАДІ ЙОГО СИСТЕМИ АВТОМАТИЧНОГО УПРАВЛІННЯ Текст научной статьи по специальности «Механика и машиностроение»

1НЖЕНЕРН1 НАУКИ

УДК 629.765 https://doi.org/10.35546/kntu2078 -4481.2020.4.1

С.1. ВЛАДОВ

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ОЯСГО 0000-0001-8009-5254 ВС. КОВАЛЬСЬКИЙ

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутршшх справ, м. Кременчук

ОЯСГО 0000-0003-1700-3550 В.Л. ДЯТЛОВ СЬКА

Кременчуцький льотний коледж Харювського нацюнального ушверситету внутршшх справ, м. Кременчук

ОЯСГО 0000-0001-8125-1407 А.А. ЯНЩЬКИЙ

Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук

ОЯСГО 0000-0001-5318-1915 Р.А. ВАКУЛЕНКО

Кременчуцький нацiональний унiверситет iменi Михайла Остроградського, м. Кременчук

ОЯСГО 0000-0002-8845-962Х

В1ДМОВОСТ1ЙКИЙ АЛГОРИТМ 1ДЕНТИФ1КАЩ1 БОРТОВО1 МАТЕМАТИЧНО1 МОДЕЛ1 АВ1АЦ1ЙНОГО ДВИГУНА ТВ3-117 В СКЛАД1 ЙОГО СИСТЕМИ АВТОМАТИЧНОГО УПРАВЛ1ННЯ

Предметом до^дження в статтi е авiацiйний двигун ТВ3-117 та методи контролю i дiагностики його технiчного стану. Мета роботи - розробка вiдмовостiйких алгоритмiв iдентифiкацi'i бортово'1 математичноi моделi авiацiйного двигуна ТВ3-117 в складi його системи автоматичного управлтня в польотних режимах. В статтi виршуються наступнi завдання: обтрунтування доцiльностi використання Калман-фшьтрацИ в системi автоматичного управлтня авiацiйного двигуна ТВ3-117, визначення передавально'1' функци фшьтра Калмана, визначення алгоритму виявлення та локалгзаци вiдмови каналу двоканального датчика, визначення частотних характеристик системи автоматичного управлiння авiацiйного двигуна ТВ3-117, доказ рiвностi одиницi коефiцiента посилення розробленого вiдмовостiйкого блоку фшьтрацИ Використовуються таю методи: методи теорп ймовiрностей i математично'1' статистики, методи нейроiнформатики, методи теорИ iнформацiйних систем та обробки даних. Висновки: Використання автоасоцiативноi нейронно'1' мережi у бортовш системi контролю i дiагностики для До^джено частотнi властивостi системи автоматичного управлтня авiацiйного двигуна ТВ3-117, пiдтверджено i доведено рiвнiсть одиницi коеф^ента посилення розробленого вiдмовостiйкого блоку фыьтраци i вiдсутностi додаткових фазових зсувiв, внесених можливим чистим затзненням, обумовленим особливостями реалгзованих алгоритмiв виявлення вiдмов вимiрювальних каналiв i Калман-фшьтрацИ вхiдноi тформаци бортово'1' вбудовано'1' математично'1' моделi. Доводиться вiдсутнiсть 'х впливу на стшюсть системи автоматичного управлтня авiацiйного двигуна ТВ3-117. Апроба^я розроблених алгоритмiв показала, що середня вiдносна помилка у динамiцi не перевищуе 0,15 %, а в статиц при максимальтй витратi - знижуеться до 0,01 %, що вiдповiдае сучасним вимогам точностi алгоритмiв iдентифiкацi'i по контуру дозувально' голки.

Ключовi слова: авiацiйний двигун, нейронна мережа, Калман-фiльтрацiя, виявлення та локалiзацiя вiдмови

СИ. ВЛАДОВ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ОЯСГО 0000-0001-8009-5254 ВС. КОВАЛЬСКИЙ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ОЯСГО 0000-0003-1700-3550 В.Л. ДЯТЛОВСКАЯ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ОЯСГО 0000-0001-8125-1407 А.А. ЯНИЦКИЙ

Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг

ОЯСГО 0000-0001-5318-1915

Р.А. ВАКУЛЕНКО

Кременчугский национальный университет имени Михаила Остроградского, г. Кременчуг

ORCID 0000-0002-8845-962X

ОТКАЗОУСТОЙЧИВЫЙ АЛГОРИТМ ИДЕНТИФИКАЦИИ БОРТОВОЙ МАТЕМАТИЧЕСКОЙ МОДЕЛИ АВИАЦИОННОГО ДВИГАТЕЛЯ ТВ3-117 В СОСТАВЕ ЕГО СИСТЕМЫ АВТОМАТИЧЕСКОГО УПРАВЛЕНИЯ

Предметом исследования в статье является авиационный двигатель ТВ3-117 и методы контроля и диагностики его технического состояния. Цель работы - разработка отказоустойчивых алгоритмов идентификации бортовой математической модели авиационного двигателя ТВ3-117 в составе его системы автоматического управления в полетных режимах. В статье решаются следующие задачи: обоснование целесообразности применения Калман-фильтрации в системе автоматического управления авиационного двигателя ТВ3-117, определение передаточной функции фильтра Калмана, определение алгоритма обнаружения и локализации отказа канала двухканального датчика, определение частотных характеристик системы автоматического управления авиационного двигателя ТВ3-117, доказательство равенства единицы коэффициента усиления разработанного отказоустойчивого блока фильтрации. Выводы: Исследованы частотные характеристики системы автоматического управления авиационного двигателя ТВ3-117, подтверждено и доказано равенство единице коэффициента усиления разработанного отказоустойчивого блока фильтрации и отсутствие дополнительных фазовых сдвигов, вносимых возможным чистым опозданием, обусловленным особенностями реализованных алгоритмов обнаружения отказов измерительных каналов и Калман-фильтрации входящей информации бортовой встроенной математической модели. Приходится отсутствие их влияния на устойчивость системы автоматического управления авиационного двигателя ТВ3-117. Апробация разработанных алгоритмов показала, что средняя относительная ошибка в динамике не превышает 0,15 %, а в статике при максимальном расходе - снижается до 0,01 %, что соответствует современным требованиям точности алгоритмов идентификации по контуру дозировочной иглы.

Ключевые слова: авиационный двигатель, нейронная сеть, Калман-фильтрация, обнаружение и локализация отказов

S.I. VLADOV

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-8009-5254 VS. KOVALSKYI

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0003-1700-3550 V.L. DIATLOVSKA

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-8125-1407 A.A. YANITSKYI

Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk

ORCID 0000-0001-5318-1915 R.A. VAKULENKO

Kremenchuk Mykhailo Ostrohradskyi National University, Kremenchuk

ORCID 0000-0002-8845-962X

FAILURE-TOLERANT IDENTIFICATION ALGORITHM OF THE ON-BOARD MATHEMATICAL MODEL OF TV3-117 AIRCRAFT ENGINE AS A PART OF ITS

AUTOMATIC CONTROL SYSTEM

The subject matter of the article is TV3-117 aircraft engine and methods for monitoring and diagnosing its technical condition. The goal of the work is development of fault-tolerant algorithms for identification of the onboard mathematical model of the TV3-117 aircraft engine as part of its automatic control system in flight modes. The following tasks were solved in the article: recovering of lost information by an auto-associative neural network in case of a single sensor failure, recovering of lost information by an «optimal» autoassociative neural network in case of single sensor failures of the on-board control and diagnostic system, recovering of lost information by an auto-associative neural network and an on-board control and diagnostic

system from the gas temperature registration sensor in front of the turbine compressor in case of failure. The following methods used are - substantiation of expediency of Kalman-filtration use in TV3-117 aircraft engine automatic control system, determination of Kalman filter transfer function, determination of algorithm of detection and localization of channel failure of two-channel sensor, determination of frequency characteristics of TV3-117 aircraft engine automatic control system, proof of equality of unit coefficient fault-tolerant filter unit. Conclusions: The frequency properties of the automatic control system of the aircraft engine TV3-117 are investigated, the equality of the unit of the gain of the developed fault-tolerant filtering unit and the absence of additional phase shifts introduced by the possible net delay due to the peculiarities of the implemented algorithms mathematical model. The absence of their influence on the stability of aircraft engine TV3-117 automatic control system is proved. Approbation of the developed algorithms showed that the average relative error in dynamics does not exceed 0.15 %, and in statics at the maximum expense - decreases to 0.01 % that corresponds to modern requirements of accuracy of algorithms of identification on a contour of dosing needle.

Keywords: aircraft engine, neural network, Kalman filtering, failure detection and localization

Постановка проблеми

На тепершнш час апаратне представления цифровых систем управлшня авiацiйних газотурбшних двигушв (САУ ГТД), в тому числ^ i вертолпних (наприклад, ТВ3-117), визначаеться у виглядi двоканально! (дубльовано!) схеми. Вимога подальшого тдвищення надшносп системи виконуеться шляхом не апаратного (троювання, квадрирування), а алгорштшчного резервування. З щею метою в САУ ГТД ТВ3-117 вбудовуеться математична модель двигуна, що дозволяе виконувати не тшьки функцп визначення вщмов шформацшних каналiв, а й замщення шформацп вщмовили каиалiв. Бортова вбудована математична модель двигуна (БВММ ГТД) належить до особливого класу моделей в силу специфiчних вимог до не!: надшна робота у реальному масштабi часу (а, отже, високою швидкодiею, осшльки частота видачi ршення складае 50 Гц), обмежений обсяг пам'яп (обсяг складае близько 100 кБ) при збереженш досить високих вимог до точносп вщображення у статищ i динамiцi у великому дiапазонi режимiв роботи, польотних умов i станiв двигуна [1, 2]. При цьому важливою умовою виконання вимог точностi е забезпечення коректносп керуючого сигналу на входi БВММ, що досягаеться щентифшащею несправностi шформацшних каналiв.

Аналiз останшх дослiджень i публiкацiй

На наш час генеральним напрямом пiдвищения надiйностi цифрових систем автоматичного управлшня авiацiйними ГТД у тому числ^ i авiацiйного ГТД ТВ3-117, е створення алгорштшчно! надмiрностi шформаци за допомогою БВММ ГТД [3]. Актуальною задачею сучасних цифрових систем САУ ГТД е забезпечення вщмовостшкосп алгоритмiв [4]. Зокрема, виникае проблема щентифшацп БВММ ГТД [5], в тому числ^ i авiацiйного ГТД ТВ3-117, з подальшим замщенням некоректно! шформацп.

Формулювання мети дослвджень

Метою дано! роботи е аналiз точностi розроблених алгоритмiв щентифшацп вхщних iнформацiйних поток1в ВММ ГТД ТВ3-117, що грунтуються на методах Калман-фшьтрацл [6-8] iз вбудованою логiкою виявлення ввдмови вимiрювального каналу.

Викладення основного матерiалу дослiдження

Оск1льки одною iз прiоритетних задач САУ ГТД ТВ3-117 е забезпечення стабшьносп параметрiв роботи двигуна шляхом коректного дозування подачi палива (витрати палива - GT) в камеру згоряння, для забезпечення надшносп вхщно1 шформаци БВММ ГТД ТВ3-117 проводиться фшьтращя вх1дних шформацшних потоков [6-8], для чого будуеться вiдмовостiйкий блок фшьтрацп, що включае математичну модель каналу дозувально1 голки голки (ДГ). Математична модель ДГ дозволяе отримати розрахунковi данi щодо витрати палива за заданим значениям положення поршня ДГ X3^. Вихщним

сигналом моделi ДГ е прогнозоване (модельне) значення положення поршня - x^. При цьому передавальна функщя ДГ мае вигляд:

ътзад .

W„r (p ) = = ——. (1)

Xщ. 0,1p +1 v y

З огляду на, що САУ авiацiйного двигуна ТВ3 -117 працюе в умовах перешкод, як в каналi моделi (обумовлених ll неточнiстю), так i в каналi вимiрювання (обумовлених похибкою датчиков), для забезпечення надшносп iдентифiкацil керуючого сигналу GT на виходi моделi ДГ пiдключений рекурсивний фiльтр Калмана, основною властивiстю якого е його здатнiсть до адаптацп - самокорекцil в процесi фшьтрацп даних. Алгоритми самокорекцil будуються на визначенш в поточний момент tk оптимального коефщента Калмана (Kk) в результата розв'язання задачi мiнiмiзацil математичного

очжування квадрата помилки шентифшэваного параметра min M (e2k+1 ) з урахуванням оптимально!

оцшки в попереднiй момент. Коефiцieнт Калмана задае розподiл ycix спiввiдношення модельно! i вимiряноl складових в оптимальному значенш iдентифiкованого Хщ-. Алгоритм Калман-фшьтрацп [8-11] включае обчислення на кожному крощ:

, , at (M (el ) + ai )

M (eL ) = k .У ) + f ); (2)

it ik

M (el ) + af a M ( el ) + a

Kk+1 \ ri 2\ 2 2

M (ek )+a2 aI

(3)

Хдгы = Kk+11ДГы + (1 - Kk+1) (Х°ДГк + AX Г ). (4)

де M (el+l) - мшмальне значения математичного очiкyвання квадрата помилки; - похибки моделi

opt

i датчика; Kk+1 - коефiцiент Калмана; , a - дисперсп моделi i датчика; X дгк - оптимальна оцшка шентифжовано! величини перемiщення поршня; zk - показання датчика перемщення поршня; Xдгк = XAt - прирiст перемiщення поршня, отриманий на (k + 1)-му крощ за допомогою розроблено! математично! моделi ДГ.

Спiльне розв'язання диференцiальних рiвнянь (3)-(4) дозволило визначити передавальну функщю фiльтра Калмана:

WKp) = 1. (5)

Можливють використання алгоритму Калман-фшьтрацп для розв'язання дано! задачi обумовлена нормальним розподшом випадкових величин i ергодичнiстю випадкових процесiв в каналах управлшня i вимiрювання, доведеними на основi статистично! обробки даних льотних та/або натурних випробувань ГТД [12] ТВ3-117.

Яшсть фшьтрацл багато в чому визначаеться валiднiстю використовуваних в обчисленнях вимiрювань перемiщення поршня ДГ. Реалiзоване на практицi апаратне резервування передбачае дублювання вимiрювань за допомогою двоканально! системи датчиков. У зв'язку з цим актуальною задачею е забезпечення надшно! щентифжацп несправних шформацшних каналiв, для чого пропонуеться в алгоритми Калман-фшьтрацп включати додаткову лопку виявлення та локалiзацil вiдмови (ВЛВ) каналу датчика, що забезпечуе тдвищення надiйностi [8].

Несправностi датчика е так званими «м'якими» вщмовами, що характеризуются вiдносно невеликим розходженням мiж iстинним i вимiряним значеннями, тому !х важко виявити за допомогою звичайно! перевiрки робочого дiапазонy. У данш роботi пропонуеться для оцшки точносп вимiрювання групи датчиков використовувати банки фшътрв Калмана [5], що дозволяють генерувати вектор (матрицю-стовпець) вадхилень [6-8]:

i

г1 = \opt - z'mv; (6)

г

де для 1-датчика: е1 - помилка оцшки, xopt - оптимальш оцiнка (на виходi вiдповiдного фшьтра Калмана), z^v - вимiряне значення перемiщення поршня.

Для шентифжацп вщмови датчиков обчислюеться матриця зважених сум квадрапв вiдхилень WSSR (Weighted Sum of the Squares of Residuals), яку називають також ознакою або сигнатурою вщмови [13, 14], за допомогою матричного рiвняння:

W1 (г1) г1

WSSR1 =-^-; (7)

21

де матриця 2 = d1ag ^ с'

Вектор о' становить стандартш (паспортш) вщхилення /-датчика i нормуе вектор вiдхилень. Матриця скалярних вагових коефщенпв Wr включае параметри iнженерно! настройки, як1 вибираються таким чином, щоб рiвень елементiв матрицi WSSR не перевищував заданого порогового значения в сташ, коли всi датчики справш.

Якщо Wr - одинична матриця i дотримуеться рiвнiсть е' = О вiдповiдний елемент матриц WSSR дорiвнюе числу вимiрювальних канал1в у данiй групi. Для випадку е' Ф о' застосовна спрощена формула:

М5Ж — У^. (8)

а

Варто зазначити, що для одного каналу двоканального датчика також е справедливим вираз (8). Тому чим менше сигнатура ввдмови, тим менше ймовiрнiсть вiдмови датчика.

У данш роботi сигнал сигнатури вщмови виробляеться на основi порiвняння поточного

вимiрювания обох каналiв 2дп (I = 1, 2) i оптимально! оцiнки величини перемiщення поршня xlpt на попередньому кроцi за допомогою алгоритму ВЛВ каналiв вимiрювання, вбудованого в алгоритм Калман-фшьтраци.

Для виявлення вiдмови каналу одного датчика вщповщний йому WSSR порiвнюеться з граничним значенням, величина якого вибираеться шляхом експертно! оцiнки на основi статистично! обробки експериментальних даних для iндивiдуального двигуна. Також слiд ураховувати, що мала величина порогового значення може призвести до помилкових спрацьовувань, значна - до зменшення чутливостi системи до вщмов. У роботах [15, 16] рекомендуеться вибирати сигнатуру вiдмови в дiапазонi 1,5...2. У данiй робот використовуеться порiг, що дорiвнюе двом. Алгоритм виявлення та локалiзацi! вщмови каналу датчика ходу поршня проiлюстрований в табл. 1.

Таблиця 1

Алгоритм виявлення та локалiзащT вiдмови каналу двоканального датчика [6]_

WSSR^ WSSR2 Ситуащя На вихiд надходить

< 2 < 2 Обидва канали справнi Ввдфшьтроване (по Калману) вимiрювания каналу з найменшим WSSR

< 2 > 2 Вiдмова другого каналу Вiдфiльтроване (по Калману) вимiрювання першого каналу

> 2 < 2 Вщмова першого каналу Ввдфшьтроване (по Калману) вимiрювання другого каналу

> 2 > 2 Обидва канали ввдмовили Модельне значення перемiщения поршня х

З виходу вщмовостшкого блоку фшьтрацп (з вбудованим алгоритмом ВЛВ) сигнал ходу поршня надходить на диференцшний клапан (регулятор перепаду тиску), математична модель якого будуеться на спiввiдношениях:

— От + АОт; (9)

% — 7с- >; (10)

де 7 = 0,05 с, а залежносп АОт = .ДАДт), С — / (ХДГ) задаються у виглядi експериментальних таблиць.

Вихвдним параметром диференщального клапана е витрата палива Ст, який надходить на вх1д л1ншно! адаптивно! бортово! моделi (надал1 - ЬЛББМ) [3] авiацiйного двигуна ТВ3-117.

Результата i обговорення Результати моделювання випадкiв, коли обидва вимiрювальних канали двоканального датчика перемщення поршня справш (вихщним сигналом виявлення та локал1защ! ввдмови береться сигнал з датчика з меншим i при несправносп другого каналу, що настав у момент часу / = 2,1 с (вихвдним

сигналом виявлення та локалiзацi! вiдмови береться сигнал зi справного датчика), у пакет Matlab з подальшою обробкою в пакет MathCAD, наведенi на рис. 1.

л, мы

6,0

О 0.66 1.32 1.98 2.64 3,30

Рис. 1. Результати моделювання в середовищi МаШЬ (з подальшою обробкою в пакет МаШСЛБ) ситуацш, коли обидва вимiрювальних капали двоканального датчика справнi i за несправност другого каналу (1 - модельне значення; 2, 3 - вишрювання першого i другого каналу; 4 - вихмний

сигнал) [6]

Важливим показником надшносп системи е Н стшшсть, що визначаеться видом частотних характеристик систем. Результати моделювання в середовищ1 Ма1ЬаЬ логарифм1чних амплиудо- 1 фазочастотних характеристик (ЛАЧХ 1 ЛФЧХ) з'еднання елеменпв, що включае фшьтр Калмана з вбудованим блоком ВЛВ 1 диференщйний клапан (регулятор перепаду тиску), наведен на рис. 2. На вх1д послщовного з'еднання елеменпв подаеться сигнал Хдг з виходу математично! модел1 ДГ, на виход1 -сигнал витрати иалива От.

а) б)

Рис. 2. ЛАЧХ (а) i ЛФЧХ (б) частини блоку введення шформаци в ЬЛБЕМ, отримаш в MatLab

(аналогiчно як у [8])

Отримаш в результат! модельного експерименту ЛАЧХ ! ЛФЧХ вщповщають класичному апер!одично! ланки першого порядку з параметрами (аналопчно як у [8]):

- коефщент тдсилення визначаеться з 20^к = 46 дБ ! дор!внюе к ~ 200;

- пост!йна часу Т2 = — = 0,05 с;

- нахил ЛАЧХ при ю > ю\ дор!внюе -20 дБ/дек;

- частота зр!зу визначаеться з Ь(а) и 201§

к

Та

V зР

к

= 0 ! дор!внюе азр = — и 4 • 103 рад/с ;

- фаза на всьому д!апазош частот зм!нюеться в!д 0 до -90°;

- величина фази на частот! зр!зу дзр = -агС£ (Т1азр) и -90°.

Передавальна функщя розглянутого з'еднання елеменпв зб!гаеться з функц!ею передач! диференщального клапана (регулятора перепаду тиску):

(11)

у ' хж (р) 0,05 р + 1

Це п!дтверджуе правильн!сть аналпичних перетворень, що дозволили обчислити передавальну функщю фшьтра Калмана у вигляд! (5). Кр!м того, результати модельного експерименту дозволяють стверджувати, що

^влв(р) = 1. (12)

Загальна передавальна функщя вщмовостшкого блоку введення вхщно! шформацп ЬЛББМ авiацiйного двигуна ТВ3-117 дорiвнюe:

г (р ) = -1---20^. (13)

х ' 0,1 р +1 0,05р +1

Оскшьки коренi характеристичного рiвняння розглянутого блоку введення р: = -10 с-1, р2 = -20 с-1 - дшсш i негативнi, вiн е аперiодичною ланкою другого порядку (аналопчно як у [8]). ЛАЧХ i ЛФЧХ вiдмовостiйкого блоку введення шформацп представлеш на рис. 3.

Параметри вiдмовостiйкого блоку введення шформацп:

- коефщент пiдсилення визначаеться з 20^к = 46 дБ i дорiвнюе к ~ 200;

- постшш часу: Г2 = — = 0,05 с; Г2 = — = 0,1с;

со2 (

- нахил ЛАЧХ при ю1 < ю < ю2 дорiвнюе -20 дБ/дек, при ю > ю2 дорiвнюе -40 дБ/дек.

а) б)

Рис. 3. ЛАЧХ (а) i ЛФЧХ (б) вiдмовостiйкого блоку введення вхвдноТ шформацп LABEM

(аналогiчно як у [8])

Слщ зазначити, що розглянутий блок охоплений через САУ зворотним зв'язком, що пiдвищуе його запас стшкосп [8].

частота зрiзу визначаеться з Ь (юзр) я 20lg

( к ^

к

= 0 i дорiвнюе юзр =-« 200 рад/с ;

Т1Т2

Т{Г2(р ,

- фаза на всьому дiапазонi частот змiнюеться вiд 0 до -180°;

- величина фази на частой зрiзу 6зр = -arctg ((т^() + arctg (Т2юзр)) я -180°.

Важливим результатом проведеного дослiдження частотних властивостей е доказ рiвностi одиницi коефщента посилення розробленого вiдмовостiйкого блоку фшьтрацп i вiдсутностi додаткових фазових зрушень, внесених можливим чистим запiзненням, обумовленим особливостями реалiзованих алгоритмiв виявлення вщмов вимiрювальних каналiв i Калман-фшьтрацп вхвдно1 шформацп ЬЛББМ [8]. Тим самим доводиться вщсутшсть 1х впливу на стшшсть САУ авiацiйного двигуна ТВ3-117.

Висновки

Важливим результатом проведеного у робот дослщження частотних властивостей е тдтвердження [8] i доведення рiвностi одиницi коефiцiента посилення розробленого вщмовостшкого блоку фшьтрацп i вiдсутностi додаткових фазових зсувiв, внесених можливим чистим затзненням, обумовленим особливостями реалiзованих алгорштшв виявлення вiдмов вимiрювальних каналiв i Калман-фшьтраци вхщно! шформацп БВММ. Тим самим доводиться вщсутшсть 1х впливу на стшшсть САУ ГТД ТВ3-117.

Апробащя розроблених алгорштшв показала, що середня вiдносна помилка у динамщ не перевищуе 0,15 %, а в статищ при максимальнiй витрап - знижуеться до 0,01 %, що вщповщае сучасним вимогам точносп алгоритмiв щентифжацп по контуру ДГ.

Список luiKopiiciaiioi л^ератури

1. Ntantis E. L., Li Y. G. The impact of measurement noise in GPA diagnostics analysis of a gas turbine engine. International Journal of Turbo & Jet Engine. 2013. Vol. 30 (4). P. 401-408.

2. Liu X., Shi J., Qi Y., Yuan Y. Design for aircraft engine multi-objective controllers with switching characteristics. Chinese Journal of Aeronautics. 2014. Vol. 27. Issue 5. P. 1097-1110.

3. Шдвищення надшносп системи автоматичного управлшня авiацiйного двигуна ТВ3-117 з використанням його бортово! нейромережево! моделi / Владов С. I., Шмельов Ю. М., Сюра А. С., Янщький А. А., Пономаренко А. В. BicHUK Кременчуцького нацюнального yuieepcumemy iMem Михаила Остроградського. 2020. Вип. 2/2020 (121). С. 91-96.

4. Panov V. Auto-tuning of real-time dynamic gas turbine models. Proceedings of ASME Turbo Expo 2014: Turbine Technical Conference and Exposition, June 16-20, 2014. 2014. 10 p.

5. A study on practical condition monitoring system for 2-spool Turbofan Engine using artificial intelligent algorithms / Kong Ch., Kang M., Koh S., Park G. American Institute of Aeronautics and Astronautics,

2013. 9 p.

6. Vladov S. Algorithms for diagnostic and parameter of failures of channels of measurement of TV3-117 aircraft engine automatic control system in flight modes based of neural network technologies. Proceedings of the National Aviation University. 2020. No. 3 (84). P. 27-37.

7. Кузнецова Т. А., Августинович В. Г., Губарев Е. А. Алгоритмы диагностики и парирования отказов каналов измерения системы автоматического управления авиационным двигателем. Вестник Пермского национального исследовательского политехнического университета. 2015. № 16. С. 5-14.

8. Кузнецова Т. А., Губарев Е. А. Отказоустойчивые алгоритмы идентификации входной информации бортовой математической модели в составе системы автоматического управления авиационного двигателя. Фундаментальные исследования. 2015. № 6-1. С. 39-43.

9. Kuznetsova T., Gubarev E., Likhacheva Iu. The optimal filtering algorithms in tasks of automatic control aircraft engine parameters identification. Information-measuring and Control Systems. 2014. Vol. 12. No. 9. P. 12-20.

10. Haykin S. Neural Networks and Learning Machines (Third Edition), New York, Prentice Hall, 2009. 936 р.

11. Haykin S. Neural networks: full course, Moscow, Williams, 2006. 1104 p.

12. Kuznetsova T., Avgustinovich V., Iakushev A. The statistical analysis of processes in aircraft engine control systems with on-board mathematical models. Scientific and Technical Volga region Bulletin.

2014. No. 35. P. 236-238.

13. Kobayashi T., Simon D. L. Application of a bank of Kalman filters for aircraft engine fault diagnostics. Proceedings of ASME Turbo Expo 2003. 2003. 10 p.

14. Kobayashi T., Simon D. L. Aircraft Engine On-Line Diagnostics Through Dual-Channel Sensor Measurements: Development of Baseline System. Proceedings of ASME Turbo-Expo 2008, June 09-13, 2008. 2008. 13 p.

15. Borguet S., Leonard O. A sensor-fault-tolerant diagnosis tool based on a quadratic programming approach. Proceedings of ASME Turbo Expo 2007. 2007. 10 p.

16. Kobayashi T., Simon D. L. Integration of on-line and off-line diagnostic algorithms for aircraft engine health management. Proceedings of ASME Turbo Expo 2007. 2007. 11 p.

References

1. Ntantis, E. L., Li, Y. G. (2013), "The impact of measurement noise in GPA diagnostics analysis of a gas turbine engine", International Journal of Turbo & Jet Engine, vol. 30 (4), pp. 401-408.

2. Liu, X., Shi, J., Qi, Y., Yuan, Y. (2014), "Design for aircraft engine multi-objective controllers with switching characteristics. Chinese Journal of Aeronautics", vol. 27, issue 5, pp. 1097-1110.

3. Vladov, S., Shmelov, Yu., Siora, A., Yanitskyi, A., Ponomarenko, A. (2020), "Improving the reliability of TV3-117 aircraft engine automatic control system using its on-board neural network model", Transactions of Kremenchuk Mykhailo Ostrohradskyi National University, issue 2/2020 (121), pp. 91 -96.

4. Panov, V. (2014), "Auto-tuning of real-time dynamic gas turbine models", Proceedings of ASME Turbo Expo 2014: Turbine Technical Conference and Exposition, June 16-20, 2014, 10 p.

5. Kong, Ch., Kang, M., Koh, S., Park, G. (2013), "A study on practical condition monitoring system for 2-spool Turbofan Engine using artificial intelligent algorithms", American Institute of Aeronautics and Astronautics, 9 p.

6. Vladov, S. (2020), "Algorithms for diagnostic and parameter of failures of channels of measurement of TV3-117 aircraft engine automatic control system in flight modes based of neural network technologies", Proceedings of the National Aviation University, no. 3 (84), pp. 27-37.

7. Kuznetsova, T., Avgustinovich, V., Gubarev, E. (2015), "Algorithms for diagnosing and diagnostic and parameter of failures of measurement channels of aircraft engine automatic control system", Bulletin of the

Perm National Research Polytechnic University, no. 16, pp. 5-14.

8. Kuznetsova, T., Gubarev, E. (2015), "Fault-tolerant algorithms for identifying input information of an onboard mathematical model as part of aircraft engine automatic control system", Basic research, no. 6-1, pp. 39-43.

9. Kuznetsova, T., Gubarev, E., Likhacheva, Iu. (2014), "The optimal filtering algorithms in tasks of automatic control aircraft engine parameters identification", Information-measuring and Control Systems, vol. 12, no. 9. pp. 12-20.

10. Haykin, S. (2009), Neural Networks and Learning Machines (Third Edition), New York, Prentice Hall, 936 p.

11. Haykin, S. (2006), Neural networks: full course, Moscow, Williams, 1104 p.

12. Kuznetsova, T., Avgustinovich, V., Iakushev, A. (2014), "The statistical analysis of processes in aircraft engine control systems with on-board mathematical models", Scientific and Technical Volga region Bulletin, no. 35. pp. 236-238.

13. Kobayashi, T., Simon, D. L. (2003), "Application of a bank of Kalman filters for aircraft engine fault diagnostics", Proceedings of ASME Turbo Expo 2003, 10 p.

14. Kobayashi, T., Simon, D. L. (2008), "Aircraft Engine On -Line Diagnostics Through Dual-Channel Sensor Measurements: Development of Baseline System", Proceedings of ASME Turbo-Expo 2008, June 09-13, 2008, 13 p.

15. Borguet, S., Leonard, O. (2007), "A sensor-fault-tolerant diagnosis tool based on a quadratic programming approach", Proceedings of ASME Turbo Expo 2007, 10 p.

16. Kobayashi, T., Simon, D. L. (2007), "Integration of on-line and off-line diagnostic algorithms for aircraft engine health management", Proceedings of ASME Turbo Expo 2007, 11 p.