Совершенствование процесса диагностирования узлов проточной части авиационных ГТД типа ПС-90А в условиях эксплуатации применением нейро-сетевых методов тема диссертации и автореферата по ВАК РФ 05.22.14, кандидат технических наук Раков, Павел Игоревич

  • Раков, Павел Игоревич
  • кандидат технических науккандидат технических наук
  • 2009, Москва
  • Специальность ВАК РФ05.22.14
  • Количество страниц 102
Раков, Павел Игоревич. Совершенствование процесса диагностирования узлов проточной части авиационных ГТД типа ПС-90А в условиях эксплуатации применением нейро-сетевых методов: дис. кандидат технических наук: 05.22.14 - Эксплуатация воздушного транспорта. Москва. 2009. 102 с.

Оглавление диссертации кандидат технических наук Раков, Павел Игоревич

Принятый перечень сокращений и обозначений.

Введение.

Глава 1. Особенности и проблемы методов диагностики авиационных ГТД.

Выводы по главе.

Глава 2. ИНС в задачах аппроксимации и прогнозирования значений параметров ГТД, регистрируемых в ЭАП.

2.1. Классификация ИНС по видам и типам.

2.2. Параметры и особенности функционирования НС.

Выводы по главе.

Глава 3. Установление критериев оценки ТС ГТД с использованием диагностических нейромоделей.

3.1. ГТД с исправным состоянием.

3.2. ГТД с неисправностью компрессора.

3.3. ГТД с неисправностью камеры сгорания.

3.4. ГТД с неисправностью турбины.

Выводы по главе.

Глава 4. Разработка алгоритмов программ распознавания и прогнозирования ТС ГТД в условиях ЭАП.

Выводы по главе.

Рекомендованный список диссертаций по специальности «Эксплуатация воздушного транспорта», 05.22.14 шифр ВАК

Введение диссертации (часть автореферата) на тему «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 параметров; получаемой при использовании методов неразрушающего контроля; приведенной 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.

Похожие диссертационные работы по специальности «Эксплуатация воздушного транспорта», 05.22.14 шифр ВАК

Заключение диссертации по теме «Эксплуатация воздушного транспорта», Раков, Павел Игоревич

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 ГТД; достижение 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; 15000]); 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 НС; повышать количество циклов обучения НС; уменьшать 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 статистики; не требуют статистических выборок больших объемов; в меньшей степени зависят от точности измерения параметров ГТД; не требуют расчета коэффициентов, напрямую влияющих на результаты диагностики; требуют 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 практике; не зависят от частоты возникновения неисправностей; способны 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 ЭВМ; отсутствие универсальной нейронной сети для решения всех задач диагностики ГТД; практическая сложность построения универсальной нейронной сети для решения всех задач диагностики ГТД на современном этапе развития; достаточно высокая трудоемкость настройки параметров нейронных сетей на этапе их разработки;

Список литературы диссертационного исследования кандидат технических наук Раков, Павел Игоревич, 2009 год

1. Барский А.Б. Нейронные сети: распознавание, управление, принятие решений. М.: Финансы и статистика, 2004. — 176 е.: ил. - (Прикладные информационные технологии).

2. Беркинблит М.Б. Нейронные сети: Учеб. пособие. М.: МИРОС и ВЗМШ РАО, 1993.-96 е.: ил.

3. Бермант А.Ф., Араманович И.Г. Краткий курс математического анализа для втузов. М.: Наука, 1967. — 736 е.: ил.

4. Биргер И.А. Техническая диагностика. М.: Машиностроение, 1978. -240 е.: ил. - (Надежность и качество).

5. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление.41. -М.: Мир, 1974.-405 с.

6. Бокс Дж., Дженкинс Г. Анализ временных рядов. Прогноз и управление.42.-М.: Мир, 1974.- 197 с.

7. Брандт 3. Статистические методы анализа наблюдений. М.: Мир, 1975. -312 с.

8. Галушкин А.И. Теория нейронных сетей. Кн.1: Учеб. пособие для вузов / Общая ред. А.И. Галушкина. М.: ИПРЖР, 2000. - 416 е.: ил. - (Нейрокомпьютеры и их применение)

9. Ивченко Г.И., Медведев Ю.И. Математическая статистика: Учеб. пособие для втузов. М.: Высшая школа, 1984. - 248 е.: ил.

10. Кассандрова О.Н., Лебедев В.В. Обработка результатов наблюдений. -М.: Наука, 1970.- 104 с.

11. Клячкин А.Л. Эксплуатационные характеристики авиационных газотурбинных двигателей. М.: Транспорт, 1967. - 196 с.

12. Н.Козлов М.В., Прохоров А.В. Введение в математическую статистику. -М.: Изд-во МГУ, 1987. 264 с.

13. Колмогоров А.Н. Основные понятия теории вероятностей. М.: Наука,1974,- 120 с.

14. Колодочкин В.П. Воздушно-реактивные двигатели сверхзвуковых многорежимных самолетов. -М.: Машиностроение, 1975. 132 с.

15. Комашинский В.И., Смирнов Д.А. Нейронные сети и их применение в системах управления и связи. — М.: Горячая линия Телеком, 2003. - 94 с.

16. Корн Г., Корн Т. Справочник по математике. М.: Наука, 1974. - 832 е.: ил.

17. Крамер Г. Математические методы статистики / Пер. с англ. М.: Мир,1975.-648 с.

18. Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика.-2-е изд. М.: Горячая линия - Телеком, 2002. - 382 е.: ил.

19. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети: Учеб. пособие. М.: Изд-во физико-математической литературы, 2001. — 224 с.

20. Лисичкин В.Т., Соловейчик И.Л. Математика: Учеб. пособие для техникумов. М.: Высшая школа, 1991. - 480 е.: ил.

21. Лозицкий Л.П., Янко А.К., Лапшов В.Ф. Оценка технического состояния авиационных ГТД. — М.: Транспорт, 1982. 160 с.

22. Лю Б. Теория и практика неопределенного программирования / Пер. с англ. М.: БИНОМ. Лаборатория знаний, 205. — 416 е.: ил.

23. Медведев B.C., Потемкин В.Г. Нейронные сети. MATLAB 6. М.: ДИАЛОГ-МИФИ, 2002. - 496 с.

24. Минаев Ю.Н., Филимонова О.Ю., Бенамеур Лиес Методы и алгоритмы решения задач идентификации и прогнозирования в условиях неопределенности в нейросетевом логическом базисе. — М.: Горячая линия Телеком, 2003.-205 е.: ил.

25. Нечаев Ю.Н., Федоров P.M. Теория авиационных газотурбинных двигателей. Ч. 1. М.: Машиностроение, 1977. — 312 с.

26. Нечаев Ю.Н., Федоров P.M. Теория авиационных газотурбинных двигателей. Ч. 2. М.: Машиностроение, 1978. — 336 с.29.0совский С. Нейронные сети для обработки информации / Пер. с польского И.Д. Рудинского. М.: Финансы и статистика, 2004. - 344 е.: ил.

27. Пивоваров В.А. Диагностика летательных аппаратов и авиадвигателей (основы теории и прикладные вопросы). — М.: МГТУ ГА, 1995. 156 е.: Ил. 57, табл. 16, список лит.: 22 наим.

28. Пивоваров В.А. Повреждаемость и диагностирование авиационных конструкций: Учеб. для вузов. -М.: Транспорт, 1994. 207 с.

29. Пивоваров В.А., Машошин О.Ф. Дефектоскопия гражданской авиационной техники: Учеб. пособие для вузов. М.: Транспорт, 1997. - 136 с.

30. Пустыльник И.И. Статистические методы анализа и обработки наблюдений. -М.: Наука, 1968. 288 с.

31. Рутковская Д., Пилиньский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы. — М.: Горячая линия Телеком, 2004.-452 е.: ил.

32. Смирнов В.И. Курс высшей математики. Том 1. М.: Изд-во физико-математической литературы, 1962. 482 с.

33. Смирнов Н.В., Дунин Барковский Н.В. Курс теории вероятностей и математической статистики для технических приложений. - М.: Наука, 1969.-512 с.

34. Смирнов Н.Н., Владимиров Н.И., Черненко Ж.С. и др. Техническая эксплуатация летательных аппаратов. М.: Транспорт, 1990. — 424 с.

35. Терехов В.А., Ефимов Д.В., Тюкин И.Ю. Нейросетевые системы управления: Учеб. пособие для вузов. М.: Высшая школа, 2002. - 183 е.: ил.

36. Феллер В. Введение в теорию вероятностей и ее приложения. Том 1. — М.: Мир, 1964.-500 с.

37. Феллер В. Введение в теорию вероятностей и ее приложения. Том 2. — М.: Мир, 1968.-744 с.

38. Фишер Р.А. Статистические методы для исследователей. -М.: Госстатиз-дат, 1958. 267 е.: ил.

39. Хайкин С. Нейронные сети. Полный курс.-2-е изд. — М.: Вильяме, 2006. -1104 е.: ил.

40. Четыркин Е.М., Калихман И.Л. Вероятность и статистика. — М.: Финансы и статистика, 1982. 319 е.: ил.

41. Шеффе Г. Дисперсный анализ. М.: Наука, 1980. - 512 е.: ил.

42. Щиголев Б.М. Математическая обработка наблюдений. М.: Наука, 1969. - 344 с.

43. Яноши Л. Теория и практика обработки результатов измерений / Пер. с англ. -М.: Мир, 1968. 463 с.

44. Бюллетень № 94148-БЭ-Г о внедрении в эксплуатацию второй очереди наземной автоматизированной системы диагностирования «АСД Диагноз - 90» двигателя ПС-90А на самолете Ил-96-300. - Пермь: ОАО «Авиадвигатель», 1997.

45. ГОСТ 19.701-90 (ИСО 5807-85) Схемы алгоритмов, программ, данных и систем. Условные обозначения и правила выполнения.

46. Двигатель ПС-90А. Методика принятия решений по сигналам о неисправностях двигателя и его систем на самолетах Ил-96-300 и их модификациях. Методика 94-00-807ПМ161-1. Пермь: ОАО «Авиадвигатель», 2005.- 126 с.

47. Двигатель ПС-90А. Руководство по технической эксплуатации 94-0-807 РЭ Книга 1. Пермь: ОАО «Авиадвигатель», 1990.

48. Двигатель ПС-90А. Руководство по технической эксплуатации 94-0-807 РЭ Книга 2. Пермь: ОАО «Авиадвигатель», 1990.

49. Двигатель ПС-90А. Руководство по технической эксплуатации 94-0-807 РЭ Книга 3. Пермь: ОАО «Авиадвигатель», 1990.

Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.