CC BY
2
1НФОРМАЦ1ЙН1 ТЕХНОЛОГИ
УДК 629.765 https://doi.org/10.35546/kntu2078-4481.2021.U0
С.1. ВЛАДОВ
Кременчуцький льотний коледж Харювського нацюнального ушверситету внутрiшнiх справ, м. Кременчук
ORCID 0000-0001-8009-5254 В.М. МОСКАЛИК
Кременчуцький льотний коледж Харювського нацiонального унiверситету внутрiшнiх справ, м. Кременчук
ORCID 0000-0003-4916-3102 Н.В. ПОДГОРНИХ
Кременчуцький льотний коледж Харкiвського нацюнального ушверситету внутршшх справ, м. Кременчук
ORCID 0000-0002-1503-6896 О.В. ГУСАРОВА
Кременчуцький льотний коледж Харкiвського нацiонального ушверситету внутршшх справ, м. Кременчук
ORCID 0000-0002-9823-0044 Н.П. НАЗАРЕНКО
Кременчуцький льотний коледж Харкiвського нацiонального унiверситету внутршшх справ, м. Кременчук
ORCID 0000-0001-9745-2430
ВИКОРИСТАННЯ НЕЧ1ТКИХ НЕЙРОННИХ МЕРЕЖ В ЗАДАЧАХ КОНТРОЛЮ I Д1АГНОСТИКИ ТЕХН1ЧНОГО СТАНУ АВ1АЦ1ЙНОГО
ДВИГУНА ТВ3-117 У ПОЛЬОТНИХ РЕЖИМАХ
Предметом до^дження в статтi е авiацiйний двигун ТВ3-117 та методи контролю i дiагностики його техтчного стану. Мета роботи - обтрунтування використання нечiткоi нейронно'1' мережi Ванга-Менделя задля практично'1' реалгзаци нечiтких експертних систем контролю i дiагностики технiчного стану авiацiйних газотурбiнних двигутв, зокрема, ТВ3-117, що трунтуються на використанн нечiткоi логжи. Використовуються так методи: методи теорИ ймовiрностей i математично'1' статистики, методи нейроiнформатики, методи теорИ iнформацiйних систем та обробки даних. Висновки: Результати проведених до^джень показали, що штучнi нейронш мережi i системи з нечiткою логiкою схожi мiж собою, однак, кожна з них мае сво'1' переваги i недолки. Даний висновок був узятий за основу при створенн нечiтких нейронних мереж. Так мережi будують ршення на основi апарату нечт^ логiки, проте функцП приналежностi налаштовуються за допомогою алгоритмiв навчання штучних нейронних мереж. Крiм того, так мережi не тшьки можуть навчатися, а й здатнi враховувати апрiорну iнформацiю. За своею структурою нечiткi нейроннi мережi схожi з багатошаровими мережами, наприклад, з мережею, яка навчаеться за алгоритмом зворотного поширення, але прихованi шари в нечiтких мережах вiдповiдають етапам роботи нечiткоi системи: перший шар виробляе введення нечiткостi, виходячи 1з заданих ознак входiв; другий шар визначае множину нечiтких правил; третт шар виконуе функцт приведення до чiткостi. У кожному 1з зазначених шарiв е набiр параметрiв, настройка яких проводиться так само, як i настройка звичайно'1' нейронно'1' мережi. Нечiтка експертна система, реализована за допомогою нечiткоi нейронно'1' мережi Ванга-Менделя, може бути використана в бортовш системi контролю i дiагностики технiчного стану авiацiйних газотурбiнних двигутв, зокрема вертолiтних - ТВ3-117.
Ключовi слова: авiацiйний двигун, нейронна мережа, експертна система, нечiтка логiка
СИ. ВЛАДОВ
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-8009-5254 В.М. МОСКАЛИК
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0003-4916-3102 Н.В. ПОДГОРНИХ
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0002-1503-6896 О.В. ГУСАРОВА
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0002-9823-0044
Н.П. НАЗАРЕНКО
Кременчугский летный колледж Харьковского национального университета внутренних дел, г. Кременчуг
ORCID 0000-0001-9745-2430
ПРИМЕНЕНИЕ НЕЧЕТКОЙ НЕЙРОННОЙ СЕТИ В ЗАДАЧАХ КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ДВИГАТЕЛЯ
ТВ3-117 В ПОЛЕТНЫХ РЕЖИМАХ
Предметом исследования в статье является авиационный двигатель ТВ3-117 и методы контроля и диагностики его технического состояния. Цель работы - обоснование использования нечеткой нейронной сети Ванга-Менделя для практической реализации нечетких экспертных систем контроля технического состояния авиационных газотурбинных двигателей, в частности, ТВ3-117, основанные на использовании нечеткой логики. Используются следующие методы: методы теории вероятностей и математической статистики, методы нейроинформатики, методы теории информационных систем и обработки данных. Выводы: Результаты проведенных исследований показали, что искусственные нейронные сети и системы с нечеткой логикой схожи между собой, однако, каждая из них имеет свои достоинства и недостатки. Данный вывод был взят за основу при создании нечетких нейронных сетей. Такие сети строят решение на основе аппарата нечеткой логики, однако функции принадлежности настраиваются с помощью алгоритмов обучения искусственных нейронных сетей. Кроме того, такие сети не только могут обучаться, но и способны учитывать априорную информацию. По своей структуре нечеткие нейронные сети схожи с многослойными сетями, например, с сетью, обучающейся по алгоритму обратного распространения, но скрытые слои в нечетких сетях соответствуют этапам работы нечеткой системы: первый слой производит введение нечеткости, исходя из заданных признаков входов; второй слой определяет множество нечетких правил; третий слой выполняет функцию приведения к четкости. В каждом из указанных слоев имеется набор параметров, настройка которых производится так же, как и настройка обычной нейронной сети. Нечеткая экспертная система, реализованная с помощью нечеткой нейронной сети Ванга-Менделя, может быть использована в бортовой системе контроля и диагностики технического состояния авиационных газотурбинных двигателей, в частности вертолетных - ТВ3-117.
Ключевые слова: авиационный двигатель, нейронная сеть, экспертная система, нечеткая
логика
S.I. VLADOV
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-8009-5254 V.M. MOSKALYK
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0003-4916-3102 N.V. PODHORNYKH
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0002-1503-6896 O.V. HUSAROVA
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0002-9823-0044 N.P. NAZARENKO
Kremenchuk Flight College of Kharkiv National University of Internal Affairs, Kremenchuk
ORCID 0000-0001-9745-2430
APPLICATION OF FUZZY NEURAL NETWORK IN TASKS OF CONTROL AND DIAGNOSTICS OF TV3-117 AIRCRAFT ENGINE TECHNICAL STATE IN FLIGHT
MODES
The subject matter of the article is TV3-117 aircraft engine and methods for monitoring and diagnosing its technical state. The goal of the work is to substantiate the use of the Wang-Mendel fuzzy neural network for the practical implementation of fuzzy expert systems for monitoring the technical state of aircraft gas turbine engines, in particular, TV3-117, based on the use of fuzzy logic. The following methods are used: methods of probability theory and mathematical statistics, methods of neuroinformatics, methods of information systems theory and data processing. Conclusions: The results of the research have shown that artificial neural networks and systems with fuzzy logic are similar to each other, however, each of them has its own advantages and
disadvantages. This conclusion was taken as a basis for creating fuzzy neural networks. Such networks build a solution based on the apparatus of fuzzy logic, however, membership functions are tuned using learning algorithms for artificial neural networks. In addition, such networks can not only learn, but are also able to take into account a priori information. By their structure, fuzzy neural networks are similar to multilayer networks, for example, with a network that learns according to the backpropagation algorithm, but the hidden layers in fuzzy networks correspond to the stages of the fuzzy system: the first layer introduces fuzziness based on the given characteristics of the inputs; the second layer defines a lot offuzzy rules; the third layer has the function of sharpening. Each of these layers has a set of parameters, the setting of which is performed in the same way as setting up a conventional neural network. The fuzzy expert system, implemented using the Wang-Mendel fuzzy neural network, can be used in the on-board system for control and diagnostics the technical state of aircraft gas turbine engines, in particular helicopter ones - TV3-117.
Keywords: aircraft engine, neural network, expert system, fuzzy logic
Постановка проблеми
Розвиток сучасних гДбридних нейронечггких експертних систем (ГННЕС) затребуваний часом. Складний об'ект контролю i дiагностики, наприклад, авiацiйний двигун ТВ3-117, вимагае не менш складного апарату контролю i дiагностики, до яких вiдносяться ГННЕС. ОстаннДм часом даними iнтелектуальним системам выводиться мiсце серед динамiчних експертних систем (ЕС) або ЕС реального часу (ЕС РЧ) [1, 2]. Цд програмш продукти традицiйно дороп: за кордоном вартiсть експертних оболонок-лiдерiв цього напрямку ЕС досягае декДлькох десятков тисяч доларiв. З огляду на цД обставини, бДльшДсть розробникДв ЕС успДшно розвивають власнД програмш продукти, здатнД якДсно i продуктивно вирДшувати частинш задачД, наприклад, в галузД контролю та дДагностики авДацДйних газотурбДнних двигунДв (ГТД).
1снуючД на теперДшнДй час методи i методики контролю i дДагностики ГТД, у тому числД, i ТВ3 -117, вимагають Дстотних доробок, оскДльки новД поколДння авДацДйних двигунДв вимагають якДсно нових Днтелектуальних комп'ютерних технологДй контролю i дДагностики, що грунтуються на теорп експертних систем (ЕС), нейронних мереж (НМ), нечДтко! логДки (НЛ) i генетичних алгоритмах (ГА), здатних врахувати накопичений досвДд попереднДх робДт у цДй областД, а також розвиваючи (узагальнюючи) новД методи i методики !х дослДдження.
У сучасних ГТД, у тому числД, ТВ3-117, однДею Дз головних задач е контроль i дДагностика його параметрДв. Загальна кДлькДсть контрольованих (дДагностованих) параметрДв може досягати декДлька сот. У цих умовах використання нечДтких ЕС е актуальною задачею, оскДльки при рДвних обчислювальних можливостях по вДдношенню з чДткими ЕС вони дозволяють охопити бДльший спектр розв'язуваних задач.
Аналiз останшх дослiджень i публжацш
Серед комплексних задач, що Дстотно пДдвищують ефектившсть контролю i дДагностики техшчного стану ГТД, у тому числД, ТВ3-117, i елементДв систем автоматичного регулювання, необхДдно розв'язати низку задач, спрямованих на усунення перешкод для ДдентифДкацп техшчного стану авДацДйного двигуна. ЦД питания пов'язанД:
- з несправнДстю датчикДв первинно! шформацп, що може викликати помилковД спрацьовування системи контролю ГТД i значно знизити ймовДрнДсть ДдентифДкацп вДдмови. Для правильного функцюнування системи контролю техшчного стану ГТД необхДдно вДдокремлювати (класифДкувати) вДдхилення, викликанД змДною характеристик силово! установки, вДд вДдхилень вимДрюваних параметрДв, пов'язаних з несправнДстю датчикДв, тобто необхДдно паралельно здДйснювати ДдентифДкацДю стану двигуна, параметрДв його газоповДтряного тракту i системи вимДрювань з одночасною ДдентифДкацДею програми регулювання [3, 4];
- з труднощами видДлення вДдмов елементДв двигуна i вДдмов датчикДв при вДдмовах двигуна (у тому числД i його пДдсистем), що призводить до малих вДдхилень термогазодинамДчних параметрДв (наприклад, при прогарД окремих лопаток турбДни), порДвняно з випадковими похибками у вимДрювальних каналах [3-6];
- з труднощами автоматичного отримання i видДлення необхДдно! достовДрно! шформацп при кожному польотД на сталих i перехДдних режимах роботи (отримання незалежних вимДрювань пДсля кожного переходу двигуна на новий сталий режим, чДткий подДл перехДдних i сталих режимДв), що необхДдно для пДдвищення достовДрностД контролю i дДагностики стану двигуна i елементДв системи автоматичного управлДння (САУ) безпосередньо в польотД при малих вДдхиленнях вДд передбачуваного еталона вимДрюваних параметрДв [3-7].
Формулювання мети дослiджень
ЕС контролю i дДагностики техшчного стану ГТД, що грунтуються на нечитай логДцД, вДдомД та реалДзованД у працях Васильева В.1., Жернакова С.В., Снчева С.В. тощо [8-11]. Але оболонки даних
систем налаштоваш лише на стендову дiагностику ГТД (причому лише для класу турбореактивних двигунiв) й жодним чином не налаштоваш для застосування в умовах льотно! експлуатацп повиряного судна, у тому числi, вертольоту.
Осшльки в умовах льотно! експлуатацп повiтряного судна (вертольоту) не е можливою реалiзацiя будь-яко! з жодних експертних систем у будь-якш iз реалiзованих оболонок [8-11] та засобами МайаЪ, пропонуеться здiйснювати практичну реалiзацiю нечпко! експертно! системи з використанням нечпко! нейронно! мережi Ванга-Менделя, що грунтуеться на системi нечiткого виведення Такап-Сугено-Канга [12].
Метою дано! роботи е обгрунтування принципу нечигсо! логiки iз використанням нечiтких нейронних мереж та практична реалiзацiя нечигсо! експертно! системи контролю i дiагностики технiчного стану ГТД, зокрема ТВ3-117, в умовах льотно! експлуатацп повиряного судна (вертольоту).
Обгрунтування принципу нечпкоТ логжи iз використанням нечiтких нейронних мереж
Модель, що грунтуеться на основi нечигсо! логiки, яка на тепершнш час використовуеться в рiзних видах систем, у тому числ^ в ЕС контролю i дiагностики технiчного стану ГТД, е базою знань, побудована як множина нечигсих правил виду:
П, якщо х е А1, то у е Б1; П2, якщо х е А2 ,то у е Б2;
(1)
Пп, якщо х е Ап ,то у е Бп.
де х i у - вхвдш i вихiдна змшна вiдповiдно, а А i В - функци приналежностi [13].
Нечеткий логiчний висновок формуеться у калька крок1в:
- введения нечiткостi: на цьому етапi функцi! приналежностi застосовуються до фактичних значень вх1дних змшних;
- логiчний висновок: обчислюеться значення iстинностi для передумов кожного правила i застосовуеться до виводiв кожного правила. Це призводить до одше! непевно! пiдмножинi, що буде призначена кожнiй змiннiй висновку для кожного правила;
- композищя: нечiткi тдмножини, призначенi кожною змiнною виведення, об'еднують в одну множину для вах змiнних виведення;
- приведення до чигсосп: використовуеться у випадках, коли необхщно перетворити нечiткий набiр висновшв в чiтке число.
На цих принципах побудована велика шльюсть мереж, у данш роботi розглядаеться одна з них -мережа Ванга-Менделя (рис. 1).
»1 = *?>(*)
I
Рис. 1. Структура мережi Ванга-Менделя [13]
Структура тако! мереж1 е чотиришарова нейронна мережа, в якш перший шар виконуе фазифжаци вхвдних змшних, другий - агрегування значень активаци умови, третш - агрегування М правил виведення (перший нейрон) 1 генерацш нормал1зованого сигналу (другий нейрон), тод1 вихщний шар, що складаеться з одного нейрона, здшснюе нормал1зацш, формуючи вихщний сигнал [13].
У цш мереж1 перший 1 третш шар е параметричними: перший шар мютить параметр1в
функцп Гауса, а третш - М параметр1в w^.
Вихщний сигнал мереж1 Ванга-Менделя визначаеться ввдповщно до виразу:
М
Е ^ Пм- (х-)
у (- ) = ^-; (2)
Е П м- (--)
,=1 -=
де - ваговий коефщент; ц-(х-) - функщя Гауса з параметрами математичного очжування, яке визначае центр с- { параметрами розкиду, яш визначаються середшм квадратичним вщхиленням й-,
М- (х
-ч (х-) =---1-тт - функц1я Гауса.
1+(- с-)
Задача мереж1 полягае у побудов1 такого воображения пар даних (х, й), щоб очжуване значения, в1дпов1дне до вхщного вектору х, формувалося вихщною функщею у(х).
Навчання нечтгких мереж, також як 1 класичних мереж, може проводитися за алгоритмом з учителем, що базуеться на м1тм1зацл цшьово! функцп, що задаеться з використанням евклщово! норми як
е=\Е{у(х(,))-й(,))2; (3)
де р - к1льк1сть навчальних пар (х, й).
Для навчання нечггко! нейронно! мереж1 застосовують алгоритм, що включае послщовне чергування наступних крок1в:
- для фжсованих значень параметр1в с- { й- першого шару обчислюються значення параметр1в третього шару мереж1;
- при зафжсованих значеннях параметр1в третього шару уточнюються параметри с- { й-першого шару мереж1.
Отже, на першому етат для К навчальних виб1рок <Хк, йк>, к = 1, 2, ... К, отримуемо систему К лшшних р1внянь РУ • Ж = Б, де Ж - вектор, складений з лшшних коефщенпв Б - вектор еталонних
П м- ( хк )
в1дпов1дей мереж1, РУк = ——-. Кшьшсть рядк1в К матриц РУ значно бшьша к1льк1сть И
' е п м- (хк)
1=1 -=1
стовпщв. Розв'язання ща системи лшшних алгебра!чних р1внянь може бути отримано за один крок в такий споаб: Ж = РУ+ • Б, де РУ+ - псевдообернена матриця для матриц РУ.
На другому етат фжсуються значення коефщенпв полшом1в третього шару 1 здшснюеться уточнення (зазвичай багаторазове) коефщенпв функцп Гаусса для першого шару мереж1 стандартним
дрк дрк
методом градаента: ск+1 = ск - У--, йк+1 = - ^--, де к - номер чергового циклу навчання, Ус -
" " с дск 4 4 дйк
1 Ь 2
швидк1сть навчання для коефщенпв с-, Уй - швидшсть навчання для коефщенпв й-, Е — — Е(у - у") -
2 I—1
помилка мереж1, де Ь - загальна кшьшсть навчальних виб1рок, у, - вих1д мереж1 Ванга-Менделя для дано! виб1рки, у" - еталонне значення виходу мереж1 Ванга-Менделя [13, 14].
дЕ дЕ
Пох1дн1 - 1- обчислюються в1дпов1дно до вираз1в:
дс- дй-
д—е (у,- у,, дс; —е (у,- у,, д (4)
и
Похвдт i обчислюються вiдповiдно до виразiв:
dey ddtj
dy_ de,.
2• (х, -eij)'• ПЪ (X)• Z(wj -wj-1 )■• ПЪ (х,)
V j
Zn* ( -, )
2 ( ^ 2-(х-dj) Пъ(х,)- Z(wj-j)-ПЪ(х)
dy / V j ,
dd,.,.
Zn* ( - )
V j i
(5)
(6)
де Hij(xj) - функщя Гауса.
Осшльки в низцi етатв етап уточнення napaMeTpiB функцiï Гауса мае багато меншу швидшсть збiжностi, то в ходi навчання реaлiзaцiю етапу 1, як правило, супроводжуе реaлiзaцiя дек1лькох етaпiв 2.
Часто потрiбно знайти «ршення» системи, яка ршень (у звичайному сенсi) не мае. Виходом i3 ситуaцiï е знаходження таких значень невiдомих пaрaметрiв, що всi умови системи виконуються «в деяк1й мiрi».
Матриця A+ називаеться псевдооберненою матрицею для матрищ A, якщо AA+A = A. Звщси вiдрaзу випливае, що якщо матриця A мае розмiр m*n, то псевдообернена матриця A+ мае розмiр n*m.
Наведемо iнший тдхвд до визначення цього поняття, що часто зустрiчaеться у лiтерaтурi. Спочатку введемо поняття псевдоршення системи рiвнянь. Нехай нам дана система рiвнянь
A • х = b
(7)
де A - матриця розмiру m*n, b - вектор з m елеменпв. Будь-який розв'язок цiеï системи е також i розв'язком системи
AT • A • х = AT • b.
(8)
Псевдоршення системи (7) називаеться розв'язок системи (8) з мшмальною нормою серед вах стовпщв, що мають мiнiмaльну нев'язку (норма вектору дорiвнюе квадратному кореню з суми квадрапв компонент вектору, а нев'язкою розв'язку системи (7) називаеться норма вектору A • х - b).
Псевдообернена матриця для матрищ A розмiру m*n називаеться матриця A+, стовпщ яко1' -псевдоршення систем виду A • х = e,,
До унiверсaльних способiв знаходження псевдообернено1' мaтрицi вщносяться рекурентнi алгоритми Гревiля i Фадеева. У данш роботi наведемо алгоритм Грев^ для псевдообернення матриць.
Нехай дана матриця A e Rmm i ak - ïï k-й стовпець, k = 1...N. Нехай Ak - матриця, складена з k перших стовпцiв мaтрицi A, тобто a = (a a ••• a). При k = 1 Ai = ai, а при k = 2...N -
A = ( A-i ak ), An = a. Матриця A+ e Rmin може бути обчислена за допомогою рекурентного алгоритму: 1. Iнiцiалiзацiя:
A =
0,якщо a
JT
a.
, шакше
a,
(9)
2. Цикл по k = 2...N:
A+ =
A-i •(1 - ak • f )k h
(10)
де I - одинична матриця порядку m,
2
2
2
А =
с1.ск =(I - Ак- • л^ )•
-£к * 0;
•( л;-1 )т • ли
(11)
1 * лк+-1 • ак
ц2 'к
с = 0.
2
с
к
а
к
Отримана на останньому крощ матриця л* i е псевдообернена матриця, яка е шуканим рiшенням.
Принцип нечетко! логiки досить давно використовуеться для розв'язання задач, де вихвдш данi е слабо формалiзованими або ж ненадiйними. Основними перевагами мереж з такою структурою е:
- зручшсть подання шформацп: опис постановки задачi i умов проводиться на мовi близьк1й до природньо!;
- унiверсальнiсть: згiдно з теоремою про нечетку апроксимацш будь-яка математична модель може бути апроксимована системою, побудованою на нечiткiй логщц
- ефективнiсть: низка теорем, подiбних теорем про повноту для штучних нейронних мереж, показують високу ефектившсть роботи таких мереж.
Однак, тако! оргашзаци нейронних мереж притаманна i низка недолiкiв:
- початковий набiр нечiтких правил формуеться людиною, що не завжди е об'ективним, а iнодi неповним або навiть суперечливим;
- вид i параметри даних, що пов'язують вхiд i вихвд, також визначаються суб'ективно i не завжди вщображають дiйснiсть.
Кожен тип архетектури iнтелектуальних систем мае сво! особливостi в частинi навчання мереж!, обробки даних i обчислення кшцевого результату, що дозволяе використовувати одт типи архiтектур для розв'язання задач, до яких не можна застосувати шш. Так, наприклад, застосування штучних нейронних мереж в задачах з розтзнавання образiв мае широке використання, однак, пояснити принцип роботи мереж досить складно. Мереж! можуть самостшно отримувати данi i обробляти !х, однак, процес навчання мереж досить довгий, кр!м того, аналiз отримано! в концевому тдсумку мереж1 досить складний. При цьому, введення в нейронну мережу будь-яко! заздалегiдь достов!рно! шформацп неможливий [13].
Розглядаючи системи, побудоваш на нечiткiй лопщ, можна стверджувати зворотне - данi, одержуваш на виход! таких систем, легш в розумшш, однак, так1 системи не можуть самостшно отримувати шформащю, яку можна використовувати в подальшому при формуванш вихвдних даних.
Перспективи використання нейронноТ мережi Ванга-Менделя для реа. мзацм експертноТ системи д1агностики техшчного стану ав1ац1йних двигун1в
Для розв'язку задач! локал!зацц несправних модул!в проточно! частини ав!ацшного двигуна ТВ3-117 використовуеться метод д!агностичних матриць [8-11, 15], який встановлюе зв'язки м!ж вщхиленнями вим!рюваних термогазодинам!чних параметр!в робочого процесу ! вщхиленнями розрахункових конструктивних параметр!в стану вузл!в двигуна (табл. 1). Перший рядок дано! матриц! -еталонний стан двигуна, що мгститъ нульов! елементи. Ус! наступш рядки - вщхилення ввд еталонного стану внаслщок прояву дефекту.
Таблиця 1
Фрагмент д1агностично~1 матриц! параметр1в ав1ац1йного двигуна ТВ3-117 _
Вим1ряш шструментальни м методом Обчислеш за допомогою математично! модел1 Стан
Термогазодинам1чш показники Показники витрат
Птк Тг Пев АТК АРК АР* АТтК АРтК АОв АОт
0 0 0 0 0 Еталон
0,18 -0,23 0,21 я'к (1%)
Адаптащя даагностично! матриц! в експертну базу знань здшснюеться у вигляд! продукцш, а на лопчному р!вш самий верхнш рядок матриц! - атрибути експертно! бази знань, а наступш рядки -значения атрибупв. Анал1з дано! д!агностично! матриц! показуе, що внесення дефекту в конкретний
вузол двигуна ^мггащя на компонентам математичнш моделi в процесi розв'язку «прямо!» задач дiагностики, призводить до гстотно! змiни дек1лькох параметрiв в рядку. Проводячи порядкову оцiнку змши параметрiв двигуна на виникнення в ньому того чи iншого дефекту, можна побудувати таблицю, з одного боку характеризуе змiну поведiнки кожного окремо взятого параметра, а з шшого мiнiмiзуe к1льк1сть штатних датчиков (видiляються найбiльш iстотнi) (табл. 2). Знак «м^с» в рядках матриц показуе тенденцiю до зменшення значения вимiрюваного параметра, а знак «плюс» до його збшьшення [8-11].
Таблиця 2
Фрагмент формування бази нечпких правил на основi дiагностично'l' матрищ 117
Вимiрянi iнструментальним методом Обчислеш за допомогою математично! моделi Стан
Термогазодинамiчнi показники Показники витрат
Птк Тг Пев дт; др* др* ДТтК ДР*к ДОв дог
0 0 0 0 0 Еталон
— — + я'к (1%)
У табл. 3 наведено фрагмент бази нечггких правил та вщповщш тнгшстичт змшш: LN (Large Negative) - дуже мале; MN (Middle Negative) - невелике; Z (Zero) - близько нуля; МР (Middle Positive) -середне; LP (Large Positive) - дуже велика. Функцп принадлежностей лшгвютичних змшних Тн, TK, РГ i Ptk наведено на рис. 2.
Таблиця 3
Фрагмент формування бази нечпких правил на ochobï дiагностично'l матрицi 117_
№ Атрибута i ïx значення Результат
1 ЯКЩО (ДТя = MN ) А(Д^ = г)л(др = МР)А(ДРж = Z ) ТО il =^к
2 Y2 = -
МАГЯ), И{М2), ^(APf), iu(APtk)
LN
ATH, AT2, APr, AP
Г,
TK
-5 -3 -10 1 3 5
Рис. 2. Функци приналежност лiнгвiстичних змiнних Th, Tk, Рг i Ptk
У наведеному приклащ для рядка, що символiзуe зниження ступеню пiдвищення тиску у KOMnpecopi на 1 %, за рис. 2 можна знайти: ^z(ATh) = 0,97, ^mn(ATh) = 0,03, ^z(ATk) = 0,92, ^mn(ATk) = 0,08, ßz(APr) = 0,86, ^mn(APf) = 0,14, ^Iz(APtk) = 0,89, ¡Ump(APtk) = 0,11.
Використовуючи базу нечiтких правил ЕС, а також операцiю перетину нечiтких множин,
отримаемо: min(ц2 (ДТЯ ) & pz{bTK ) & pz (Др ) & pz (ДРЖ )) = min(0,97 &0,92& 0,86 & 0,89) = 0,86. Це
означае, що достовiрнiсть прийняття ршення (коефiцiент впевненостi) щодо справностi компресора складае 0,86. Данi величини говорять про те, що е деяка (невелика) ймовiрнiсть наявносп дефекту в компресор^ що може вiдповiдати конструктивному дефекту, зумовленого зниженням зазору в компресорi порiвняно iз заданим за техшчними умовами, що, у свою чергу, знизило стутнь пiдвищення тиску в компресорi на 1 %.
Дана база нечггких правил легко реалiзовуеться за допомогою нейронно! мережi Ванга-Менделя (рис. 1), що вiдрiзняеться простотою з обчислювально! точки зору i великою чутливютю до змш вхiдних змiнних, де реалiзований гращентний метод оптимiзацiï фронтального типу.
Висновки
Результати проведених дослщжень показали, що штучнi нейроннi мереж! i системи з нечеткою логiкою схож! мiж собою, однак, кожна з них мае сво! переваги i недолiки. Даний висновок був узятий за основу при створенш нечетких нейронних мереж. Так! мереж! будують рiшення на основ! апарату нечетко! лопки, проте функцп приналежност! налаштовуються за допомогою алгоритшв навчання штучних нейронних мереж, викладеним, наприклад, у [16]. Кр!м того, так1 мереж! не тшьки можуть навчатися, а й здатш враховувати апрiорну шформацш. За своею структурою нечiтк! нейронш мереж! схож! з багатошаровими мережами, наприклад, з мережею, яка навчаеться за алгоритмом зворотного поширення, але приховаш шари в нечетких мережах вщповщають етапам роботи нечетко! системи: перший шар виробляе введения нечеткосп, виходячи !з заданих ознак вход!в; другий шар визначае безл!ч нечетких правил; третш шар виконуе функцш приведення до ч!ткост!. У кожшй !з зазначених шар!в е наб!р параметр!в, настройка яких проводиться так само, як i настройка звичайно! нейронно! мереж!.
Список використаноТ летератури
1. Intelligent Control Systems / Vassilyev S. N., Kelina A. Yu, Kudinov Y. I., Pashchenko F. F. Procedía Computer Science. 2017. Vol. 103. Рр. 623-628.
2. Prokhorov D. V. Intelligent Control Systems Using Computational Intelligence. IEEE Transactions on Neural Networks. 2007. Vol. 18. Issue 2. Pp. 611-612.
3. Тармаев А. А. Обоснование способа идентификации и парирования характерных отказов и неисправностей аппаратуры автоматики двухдвигательной вертолетной силовой установки. Авиационная промышленность. 1999. № 1. С. 46-50.
4. Применение методов нечеткой кластеризации при решении задач диагностики авиационных двигателей / Афанасьевская В. Е., Радивоненко О. С., Соколов А. Ю., Угрюмов М. Л. Авиационно-космическая техника и технология. 2010. № 8 (75). С. 128-132.
5. Жернаков С. В. Интеллектуальный мониторинг и диагностика параметров газотурбинного двигателя гибридными экспертными системами. Автоматизация и современные технологии. 2001. № 12. С. 16-22.
6. Муслухов И. И., Жернаков С. В. Моделирование газодинамического тракта авиационного двигателя в бортовых условиях. Моделирование неравновесных систем 2006 : Сборник материалов всероссийского научного семинара, Красноярск, 2006. С. 75-76.
7. Жернаков С. В. Комбинированная диагностика и контроль параметров ГТД нейронечеткой гибридной экспертной системой. Радiоелектронiка, iнформатика, управлiння. 2000. № 2. С. 55-67.
8. £нчев С. В., Товкач С. С. Д!агностування техшчного стану ав!ацшних двигушв на основ! нечетко! лопки. Науковий вкникХерсонсько'1' державноiморськоi академи. 2013. № 1 (8). С. 216-224.
9. Васильев В. И., Жернаков С. В. Контроль и диагностика технического состояния авиационного двигателя на основе экспертных систем. Вестник УГАТУ. 2007. Т. 9. № 4 (22). С. 11-23.
10. Жернаков С. В., Равилов Р. Ф. Контроль и диагностика технического состояния авиационного двигателя на основе экспертной системы C-Priz. Вестник УГАТУ. 2012. Т. 16. № 6 (51). С. 3-11.
11. Жернаков C. B. Комплексная диагностика и контроль параметров ГТД в условиях неопределенности на базе нечеткой экспертной системы TILLShell 3+. Информационные технологии. 2000. № 8. С. 36-43.
12. Михайленко В. С., Харченко Р. Ю. Использование нечеткого алгоритма Такаги-Сугено в адаптивных системах управления сложными объектами. Штучний iнтелект. 2011. № 2. С. 53-59.
13. Мищенко В. А., Коробкин А. А. Принципы нечеткой логики на примере нечетких нейронных сетей. Современные проблемы науки и образования. 2012. № 1. [Електронний ресурс]. - Режим доступу: https://www.science-education.ru/ru/article/view?id=5321 (дата звернення: 25.02.2021)
14. Mrowczynska M. Approximation abilities of neuro-fuzzy networks. Geodesy and Cartography. 2010. Vol. 59. № 1. Pp. 13-27.
15. Жернаков C. B. Параметрическая диагностика ГТД на базе гибридной нечеткой экспертной системы. Вестник Пермского государственного технического университета. Аэрокосмическая техника. 2000. № 5. С. 39-45.
16. Владов С. I., Шмельова Т. Ф., Шмельов Ю. М. Контроль i даагностика техшчного стану ав!ацшного двигуна ТВ3-117 у польотних режимах за допомогою нейромережевих технологш : монограф!я. Кременчук : ПП Щербатих А. В., 2020. 200 с.
References
1. Intelligent Control Systems / Vassilyev S. N., Kelina A. Yu, Kudinov Y. I., Pashchenko F. F.
Procedía Computer Science. 2017. Vol. 103. Pp. 623-628.
2. Prokhorov D. V. Intelligent Control Systems Using Computational Intelligence. IEEE Transactions on Neural Networks. 2007. Vol. 18. Issue 2. Pp. 611-612.
3. Tarmayev A. A. Obosnovaniye sposoba identifikatsii i parirovaniya kharakternykh otkazov i neispravnostey apparatury avtomatiki dvukhdvigatel'noy vertoletnoy silovoy ustanovki. Aviatsionnaya promyshlennost'. 1999. № 1. pp. 46-50.
4. Primeneniye metodov nechetkoy klasterizatsii pri reshenii zadach diagnostiki aviatsionnykh dvigateley / Afanas'yevskaya V. Ye., Radivonenko O. S., Sokolov A. YU., Ugryumov M. L. Aviatsionno-kosmicheskaya tekhnika i tekhnologiya. 2010. № 8 (75). pp. 128-132.
5. Zhernakov S. V. Intellektual'nyy monitoring i diagnostika parametrov gazoturbinnogo dvigatelya gibridnymi ekspertnymi sistemami. Avtomatizatsiya i sovremennyye tekhnologii. 2001. № 12. pp. 16-22.
6. Muslukhov I. I., Zhernakov S. V. Modelirovaniye gazodinamicheskogo trakta aviatsionnogo dvigatelya v bortovykh usloviyakh. Modelirovaniye neravnovesnykh sistem 2006 : Sbornik materialov vserossiyskogo nauchnogo seminara, Krasnoyarsk, 2006. pp. 75-76.
7. Zhernakov S. V. Kombinirovannaya diagnostika i kontrol' parametrov GTD neyronechetkoy gibridnoy ekspertnoy sistemoy. Radioyelektronika, informatika, upravlinnya. 2000. № 2. pp. 55-67.
8. Enchev S. V., Tovkach S. S. Diagnostuvannya tekhnichnogo stanu aviatsiynikh dviguniv na osnovi nechitkoi logiki. Naukoviy visnik Khersons'koiderzhavnoimors'koiakademii. 2013. № 1 (8). pp. 216-224.
9. Vasil'yev V. I., Zhernakov S. V. Kontrol' i diagnostika tekhnicheskogo sostoyaniya aviatsionnogo dvigatelya na osnove ekspertnykh sistem. Vestnik UGATU. 2007. T. 9. № 4 (22). pp. 11-23.
10. Zhernakov S. V., Ravilov R. F. Kontrol' i diagnostika tekhnicheskogo sostoyaniya aviatsionnogo dvigatelya na osnove ekspertnoy sistemy C-Priz. Vestnik UGATU. 2012. T. 16. № 6 (51). pp. 3-11.
11. Zhernakov C. B. Kompleksnaya diagnostika i kontrol' parametrov GTD v usloviyakh neopredelennosti na baze nechetkoy ekspertnoy sistemy TILLShell 3+. Informatsionnyye tekhnologii. 2000. № 8. pp. 36-43.
12. Mikhaylenko V. S., Kharchenko R. YU. Ispol'zovaniye nechetkogo algoritma Takagi-Sugeno v adaptivnykh sistemakh upravleniya slozhnymi ob"yektami. Shtuchniy intelekt. 2011. № 2. pp. 53-59.
13. Mishchenko V. A., Korobkin A. A. Printsipy nechetkoy logiki na primere nechetkikh neyronnykh setey. Sovremennyye problemy nauki i obrazovaniya. 2012. № 1. [Yelektronniy resurs]. - Rezhim dostupu: https://www.science-education.ru/ru/article/view?id=5321 (data zvernennya: 25.02.2021)
14. Mrowczynska M. Approximation abilities of neuro-fuzzy networks. Geodesy and Cartography. 2010. Vol. 59. № 1. Pp. 13-27.
15. Zhernakov C. B. Parametricheskaya diagnostika GTD na baze gibridnoy nechetkoy ekspertnoy sistemy. Vestnik Permskogo gosudarstvennogo tekhnicheskogo universiteta. Aerokosmicheskaya tekhnika. 2000. № 5. pp. 39-45.
16. Vladov S. !., Shmel'ova T. F., Shmel'ov YU. M. Kontrol' i diagnostika tekhnichnogo stanu aviatsiynogo dviguna TV3-117 u pol'otnikh rezhimakh za dopomogoyu neyromerezhevikh tekhnologiy : monografiya. Kremenchuk : PP Shcherbatikh A. V., 2020. 200 p.
