Совершенствование процесса диагностирования узлов проточной части авиационных ГТД типа ПС-90А в условиях эксплуатации применением нейро-сетевых методов

Актуальность темы

исследования. В настоящее время оценка технического состояния авиационных газотурбинных двигателей (ГТД) в эксплуатационных авиапредприятиях (ЭАП) осуществляется по информации: от штатных средств измерения и регистрации параметровполучаемой при использовании методов неразрушающего контроляприведенной в карточках учета неисправностей авиационной техники. Существующие на современном этапе развития методы технической диагностики авиационных ГТД, использующие регрессионные модели, дисперсионный анализ и различные методы сглаживания, хотя и имеют достаточно высокую степень совершенства, но не лишены ряда недостатков. Среди недостатков следует выделить необходимость применения статистических выборок больших объемов, корректировки статистических показателей при поступлении новых данных и др. Так, например, по располагаемой статистике количество неисправностей компрессора близко к количеству неисправностей турбины ГТД, что повышает вероятность принятия ошибочного решения в случае применения вероятностных методов диагностики. Подробнее анализ существующих методов диагностики ГТД представлен в 1-й главе.

Направление построения и использования моделей, основанных на нейронных сетях, нашло развитие применительно к наземным установкам. Характерной особенностью авиационных ГТД является значительно более широкий диапазон регистрируемых диагностических параметров и режимов эксплуатации. Представляется обоснованным проведение исследований, которые позволили бы получить научные и практические результаты использования нейро-сетевых методов диагностики применительно к авиационным ГТД. Целью работы является выработка критериев диагностирования узлов проточной части авиационных ГТД с применением нейронных сетей. Задачами работы являются:

1. Анализ существующих методов диагностики авиационных ГТД и выработка направления их дальнейшего совершенствования;

2. Анализ влияния параметров нейронных сетей на возможности выполнения аппроксимации и прогнозирования зависимостей газодинамических параметров авиационных ГТД от наработки t и разработка рекомендаций по настройке параметров нейронных сетей;

3. Применение нейронных сетей для построения аппроксимирующих и прогнозирующих кривых состояния ГТД, являющихся графическим представлением диагностических моделей ГТД. Под диагностическими моделями ГТД следует понимать модели термогазодинамических процессов, протекающих в ГТД;

4. Установление зависимостей между известными неисправностями узлов проточной части ГТД и поведением кривых состояния ГТД, с последующим построением графиков-схем состояния ГТД, пригодных для применения в ЭАП;

5. Разработка алгоритмов практического применения диагностических моделей, базирующихся на нейронных сетях, для распознавания и прогнозирования технического состояния ГТД;

6. Верификация полученных результатов (практическое применение) на примерах ГТД с заранее известными неисправностями проточной части.

Научная новизна работы состоит в том, что в ней:

1. Доказана обоснованность применения нейронных сетей в диагностике узлов проточной части авиационных ГТД.

2. Доказана обоснованность использования динамического подбора значений параметров нейронных сетей при построении применимых в ЭАП диагностических моделей ГТД.

3. Установлено, что диагностические модели, построенные с применением нейронных сетей, учитывают техническое состояние узлов проточной части авиационных ГТД.

Автор защищает:

1. Возможность применения нейро-сетевых методов для диагностики узлов проточной части авиационных ГТД в’ЭАП;

2. Рекомендации по построению и настройке нейронных сетей для выполнения аппроксимации и/или прогнозирования зависимостей газодинамических параметров ГТД от наработки;

3. Установленные зависимости между техническим состоянием ГТД и поведением диагностических моделей, основанных на нейронных сетях;

4. Возможность применения в ЭАП разработанных алгоритмов распознавания pi/или прогнозирования технического состояния узлов проточной части авиационных ГТД с применением нейро-сетевых методов.

Достоверность результатов подтверждается способностью разработанных диагностических моделей, основанных на нейронных сетях, выполнять распознавание и/или прогнозирование технического состояния узлов проточной части авиационных ГТД.

Практическая ценность работы заключается в том, что ее результаты позволяют:

1. Повысить достоверность распознавания и прогнозирования технического состояния узлов проточной части авиационных ГТД типа ПС-90А в ЭАП путем анализа кривых состояния диагностируемого ГТД и графиков-схем состояния ГТД с известными неисправностями по разработанным алгоритмам практического применения;

2. Сократить экономические затраты на проведение диагностических работ за счет локализации неисправностей проточной части авиационных ГТД.

Результаты работы реализованы в качестве дополнительного метода контроля технического состояния узлов проточной части ГТД типа ПС-90А в службе обработки полетной информации и автоматизированных систем диагностики авиационных двигателей АТЦ ОАО «Аэрофлот — Российские авиалинии». Основное содержание работы изложено в 7 статьях, представленных в изданиях, включенных в перечень ВАК РФ для опубликования основных научных результатов диссертаций, а также в 9 докладах МНТК.

ВЫВОДЫ ПО РАБОТЕ.

1. Поставленная цель работы достигается выработкой критерия диагностирования узлов проточной части авиационных ГТД, которым является соответствие графического представления диагностической модели, построенной с применением нейронных сетей, одному из разработанных графиков-схем исправного или неисправного состояния ГТД.

2. Нейро-сетевые методы применимы в ЭАП для технической диагностики узлов проточной части авиационных ГТД.

3. Нейро-сетевые методы диагностики авиационных ГТД лишены недостатков, свойственных вероятностным и ряду детерминистских методов. В частности, нейро-сетевые методы в меньшей степени зависят от точности измерения параметров работы ГТД, не требуют расчета коэффициентов, напрямую влияющих на результаты диагностики, и не зависят от частоты возникновения неисправностей.

4. Нейронные сети способны выполнять аппроксимацию и прогнозирование зависимостей газодинамических параметров авиационных ГТД от наработки с удовлетворительным качеством, т. е. качеством, обеспечивающим: слабое влияние погрешностей измерения параметров ГТДдостижение уровня точности, позволяющего отслеживать характер изменения рассматриваемых параметров ГТД.

5. Для достижения удовлетворительного качества аппроксимации зависимостей газодинамических параметров авиационных ГТД от наработки с применением радиально-базисных нейронных сетей параметр влияния значимости значений входов Р следует задавать из условия, что наработке 8155 часов соответствует значение параметра Р, равное 400.

6. Нейронным сетям с сигмоидальной функцией активации нейронов скрытых слоев достижению удовлетворительного качества аппроксимации ФЗ способствует: увеличение числа нейронов и слоев в НС (например, НС с 7 слоями по 15 нейронов в слое является достаточно мощной и не требует от ЭВМ очень высокой производительности) — увеличение количества циклов обучения (например, для НС с 7 слоями по 15 нейронов в слое и алгоритмом обучения Левенберга-Марквардта можно принять число циклов равным 100) — увеличение значения параметра регуляризации R, позволяющего избежать явления переобучения нейронной сети. Изменять значение параметра регуляризации R рекомендуется в диапазоне [0,9- 1].

Условия повышения качества прогнозирования ФЗ по некоторым пунктам вступают в противоречие с вышеуказанными рекомендациями и включают в себя: расширение допустимых границ значений входов (например, в 7 раз со смещением в сторону увеличения наработки, т. е. при диапазоне статистики [0- 3000] часов, границу можно принять [-7000- 15 000]) — уменьшение значения параметра регуляризации R. Изменять значение параметра регуляризации R рекомендуется в диапазоне [0,9- 1].

Таким образом, условия повышения качества аппроксимации и прогнозирования зависимостей газодинамических параметров авиационных ГТД от наработки требуют применения динамического подбора значений параметров нейронных сетей с сигмоидальной функцией активации нейронов скрытых слоев.

7. Применение динамического подбора параметров позволяет выполнять прогнозирование зависимостей газодинамических параметров авиационных ГТД от наработки с удовлетворительным качеством на период равный 25% от величины имеющейся наработки двигателя.

8. В рассмотренных примерах был установлен факт влияния соотношения числа нейронов в НС и величины выборки статистических данных на качество аппроксимации и прогнозирования ФЗ. При обработке больших объемов статистических данных для достижения удовлетворительного качества аппроксимации и прогнозирования ФЗ необходимо: повышать количество нейронов и слоев в НСповышать количество циклов обучения НСуменьшать число нейронов с линейным преобразованием сигнала.

9. Установлено, что диагностические модели, построенные с применением нейронных сетей, учитывают техническое состояние (как исправное, так и неисправное) узлов проточной части авиационных ГТД.

10.Доказана применимость зависимостей Pm/Pex=f (t) и Tmnd=f (t) (а также PKed=f (t) и Ticed=f (t) для компрессора) для оценки технического состояния компрессора, камеры сгорания и турбины ГТД.

11. Доказано, что отсутствие нулевого или достаточно пологого тренда, а также отсутствие малой амплитуды изменения значений параметра Рт/Рвх не являются признаками неисправного состояния ГТД.

12.Доказана применимость диагностических алгоритмов, использующих разработанные графики-схемы состояний ГТД, для распознавания и прогнозирования технического состояния узлов проточной части ГТД в ЭАП.

13.Применение нейро-сетевых методов позволит повысить достоверность и экономичность распознавания и прогнозирования технического состояния узлов проточной части ГТД в ЭАП.

14.Адекватность предложенных диагностических критериев оценки ТС ГТД подтверждается на практических примерах.

15.Доказана перспективность применения нейро-сетевых методов для диагностики ГТД по комплексному анализу всей имеющейся в эксплуатации информации.

ЗАКЛЮЧЕНИЕ

.

В сравнении с применяемыми в настоящее время методами диагностики авиационных ГТД, положительные характеристики нейро-сетевых методов заключаются в том, что они: не требуют корректировки статистических данных при поступлении новой статистикине требуют статистических выборок больших объемовв меньшей степени зависят от точности измерения параметров ГТДне требуют расчета коэффициентов, напрямую влияющих на результаты диагностикитребуют наличия только статистических данных по изменению параметров ГТД от наработки (эти данные собираются штатной аппаратурой регистрации параметров в условиях эксплуатации ГТД) — эффективны при работе с нелинейными функциональными зависимостями, наиболее часто встречающимися на практикене зависят от частоты возникновения неисправностейспособны достаточно точно локализовать неисправность (с точностью до узла) проточной части ГТД.

К отрицательным характеристикам нейро-сетевых методов следует отнести: достаточно высокие требования к вычислительным возможностям ЭВМотсутствие универсальной нейронной сети для решения всех задач диагностики ГТДпрактическая сложность построения универсальной нейронной сети для решения всех задач диагностики ГТД на современном этапе развитиядостаточно высокая трудоемкость настройки параметров нейронных сетей на этапе их разработки;