WWW.NET.KNIGI-X.RU
БЕСПЛАТНАЯ  ИНТЕРНЕТ  БИБЛИОТЕКА - Интернет ресурсы
 

«ОФИЦИАЛЬНЫЕ РЕЦЕНЗЕНТЫ: Защита диссертационной работы состоится 2014 года в _ в промоционном совете Института транспорта и связи по адресу: ...»

ДИССЕРТАЦИОННАЯ РАБОТА ПРЕДСТАВЛЕНА

В ИНСТИТУТ ТРАНСПОРТА И СВЯЗИ НА СОИСКАНИЕ

УЧЕНОЙ СТЕПЕНИ ДОКТОРА ИНЖЕНЕРНЫХ НАУК

(Dr. sc. ing.)

ОФИЦИАЛЬНЫЕ РЕЦЕНЗЕНТЫ:

Защита диссертационной работы состоится __ __ 2014 года в _

в промоционном совете Института транспорта и связи по адресу:

Латвия, г. Рига, ул. Ломоносова, 1, ауд.__, тел.+37167100535.

ПОДТВЕРЖДЕНИЕ

Я подтверждаю, что выполнил данную диссертационную работу, которая представлена на рассмотрение в промоционный совет Института транспорта и связи на соискание ученой степени доктора инженерных наук (Dr. sc. ing.). Данная диссертационная работа ранее не представлялась на рассмотрение в другие промоционные советы.

………………… С. Юнусов Диссертационная работа написана на английском языке, состоит из введения, пяти глав, заключения и включает 61 рисунок, 13 таблиц, основной текст содержит 177 страниц, 8 приложений. Список использованной литературы включает 173 наименования.

СОДЕРЖАНИЕ АКТУАЛЬНОСТЬ РАБОТЫ

1.

ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ

2.

СТЕПЕНЬ ИССЛЕДОВАНИЯ ТЕМЫ

3.

МЕТОДОЛОГИЯ И МЕТОДЫ ИССЛЕДОВАНИЯ

4.

НАУЧНАЯ НОВИЗНА РАБОТЫ

5.

ПРАКТИЧЕСКАЯ ЦЕННОСТЬ И РЕАЛИЗАЦИЯ РАБОТЫ......11 6.



АПРОБАЦИЯ РАБОТЫ

7.

СТРУКТУРА РАБОТЫ

8.

ОСНОВНЫЕ ТЕЗИСЫ, ВЫНОСИМЫЕ НА ЗАЩИТУ...............13 9.

ОБЗОР ОСНОВНЫХ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ.........14 10.

10.1. Анализ влияния неисправностей ГТД на безопасность полетов

10.2. Разработка классификации технических состояний двигателя и определение интегрального критерия оценки состояния.17

10.3. Разработка классификации диагностических моделей и методов и выбор их для проведения исследования............23

10.4. Совершенствование диагностической модели проточной части ГТД

10.5. Оценка применимости диагностических матриц для диагностики различных типов ГТД

10.6. Разработка методов регуляризации для устойчивого получения диагностической матрицы

10.7. Разработка методики обучения ИНС для диагностики проточной части ГТД

10.8. Разработка программного модуля в системе мониторинга силовой установки летательного аппарата для автоматизированного формирования и анализа ДМ............54 ЗАКЛЮЧЕНИЕ

ПУБЛИКАЦИИ

АННОТАЦИЯ

Диссертационная работа Сергея Мухамедовича Юнусова «Совершенствование моделей и методов диагностирования проточной части газотурбинного двигателя в системе мониторинга силовой установки летательного аппарата». Научные руководители: хабилитированный доктор инженерных наук, профессор Евгений Александрович Копытов, хабилитированный доктор инженерных наук, профессор Владимир Петрович Лабендик. Консультант – доктор математических наук, профессор Шариф Элбаевич Гусейнов.

Диссертация посвящена разработке новых подходов и методов, направленных на совершенствование диагностирования проточной части газотурбинного двигателя (ГТД). Для диагностики проточной части ГТД выбрана линейная математическая модель на основе метода малых отклонений. Для учета в модели изменений технического состояния (ТС) двигателя в процессе эксплуатации введены компоненты, которые учитывают ухудшение состояния проточной части.

Такие компоненты формируются на основе анализа изменения характеристик компрессора, смещение которых дает диагностическую информацию о ТС проточной части двигателя. Таким образом, полученная математическая модель становится адекватной фактическому состоянию ГТД и предлагается для использования при диагностике проточной части двигателя методом диагностических матриц (ДМ). Опыт использования ДМ показал их эффективность при определении технического состояния двигателя, однако существуют проблемы в получении ДМ для двигателей сложных схем, что обусловило их ограниченное применение на практике. В данной работе разработан метод формирования диагностической матрицы на основе метода регуляризации А. Тихонова, который позволяет получить устойчивое решение для любой схемы ГТД. Полученные модели и методы универсальны и позволяют диагностировать с помощью ДМ проточную часть любого ГТД без всяких ограничений, независимо от режима его работы и внешних условий. В работе предложено использовать ДМ для обучения искусственных нейронных сетей (ИНС), применяемых в наземнобортовых диагностических системах, и разработана методика обучения ИНС на основе ДМ.

Практическим результатом исследования является разработка программного модуля в системе мониторинга ГТД для автоматизированного формирования и анализа ДМ.

1. АКТУАЛЬНОСТЬ РАБОТЫ

Современный авиационный газотурбинный двигатель – это сложный технический объект, воплотивший в себе передовые технологии. С помощью ГТД решаются задачи обеспечения потребной тяги самолета и функционирования самолетных систем.

Характерными особенностями современных авиационных ГТД являются сложность конструкции, наличие рабочих режимов, близких к прочностным и функциональным ограничениям, широкий диапазон высотно-скоростных условий эксплуатации, большое разнообразие установившихся и переходных режимов. Современный ГТД представляет собой сложную нелинейную динамическую систему с взаимным влиянием газодинамических и теплофизических процессов, протекающих в его узлах. Процессы в двигателе могут быть нестационарными по времени и условиям эксплуатации, а для отдельных конструктивных схем имеют переменный характер. Функционирование двигателя происходит при постоянном воздействии внутренних и внешних возмущений, имеющих зачастую случайный характер.

При этом к современным двигателям предъявляются высокие требования по срокам службы, надежности, безопасности полетов и экономичности при минимальных эксплуатационных затратах и трудоемкости обслуживания. Обеспечение высоких требований к надежности и безопасности при относительно низких эксплуатационных расходах невозможно без развитой и современной системы контроля и диагностики.

Основными направлениями обеспечения высокой надежности и безопасности являются:

разработка модели повреждаемости основных деталей, прогнозирующей развитие дефектов до предотказного уровня;

разработка наземно-бортовой системы мониторинга, обеспечивающей эксплуатацию двигателей по техническому состоянию (RCM Reliability Centered Maintenance, CBM+ – Condition Based Maintenance Plus);

использование интеллектуальных технологий систем мониторинга технического состояния авиадвигателей в эксплуатации;

анализ причин отказов авиационных двигателей и разработка конструктивно-технологических мероприятий по их устранению с учетом конструкционных особенностей и схемных решений перспективных двигателей и др.

Для оценки технического состояния ГТД в процессе эксплуатации применяются различные средства и методы диагностики, включая как инструментальные, так и аналитические.

Опыт эксплуатации показывает, что наибольшее число повреждений связано с проточной частью ГТД, т.е. это повреждения компрессора, камеры сгорания, газовой турбины и реактивного сопла.

Инструментальные средства и методы неразрушающего контроля, применяемые для оценки технического состояния проточной части двигателя, являются наиболее информативными и достоверными. Однако их применение возможно только на «холодном», т.е. остановленном двигателе. При этом инспекции выполняются через определенные интервалы времени, поэтому существует вероятность того, что в период между ними могут возникнуть неисправности проточной части критического характера.Поэтому для оценки технического состояния проточной части двигателя необходимо применение не только инструментальных средств, но и аналитических методов диагностирования, которые строятся на анализе термогазодинамических, вибрационных, электростатических и других параметров.

Аналитический подход к оценке технического состояния двигателя строится на диагностических моделях и методах. Проблема, связанная с разработкой и совершенствованием диагностических моделей и методов, актуальна и важна, так как от того, насколько они совершенны, зависит качество диагностирования двигателя в целом. Повышение глубины диагностирования позволяет неисправности и отказы перевести в прогнозируемые, т.е., по сути, речь идет об управлении техническим состоянием двигателя в процессе эксплуатации. За счет повышения глубины диагностирования двигателя стала возможной эксплуатация по техническому состоянию с использованием современных стратегий технического обслуживания, таких как RCM (Reliability Centered Maintenance), CBM+ (Condition Based Maintenance Plus).





Для диагностики проточной части двигателя широко используется метод диагностики по термогазодинамическим параметрам, так как изменения таких параметров, как давление, температура, расход воздуха, скорость потока, отражают изменения, происходящие в элементах и узлах проточной части двигателя. При этом могут использоваться математические модели (ММ) двигателя разного уровня, которые имеют разный уровень сложности и не всегда могут применяться для решения практических задач диагностики.

Один из способов совершенствования метода диагностики по термогазодинамическим параметрам – применение диагностических матриц (ДМ), которые обладают большим диагностическим потенциалом и позволяют локализовать неисправный узел двигателя.

В инженерной практике диагностическая матрица, как правило, строится по линейной математической модели двигателя, однако существуют проблемы в получении ДМ для двигателей сложных схем, что обусловило их ограниченное применение на практике. Таким образом, становится актуальным совершенствование диагностических моделей и методов с целью использования их в наземно-бортовых комплексах диагностики ГТД.

2. ЦЕЛЬ И ЗАДАЧИ ИССЛЕДОВАНИЯ

Целью настоящей диссертационной работы является совершенствование диагностики проточной части газотурбинного двигателя путем разработки адекватной математической модели двигателя и новых методов устойчивого получения диагностических матриц.

Для реализации поставленной цели необходимо было решить следующие задачи:

1. Провести анализ видов технического состояния ГТД и разработать их классификацию, а также обосновать выбор диагностических параметров и критериев, определяющих техническое состояние двигателя.

2. Обосновать разработку классификации диагностических моделей и методов для контроля и распознавания технического состояния двигателя; определить выбор моделей и методов для исследования.

3. Обосновать совершенствование диагностической модели двигателя с учетом износа проточной части ГТД.

4. Разработать методы устойчивого получения диагностических матриц для двухконтурных двигателей.

5. Провести исследование возможности применения диагностических матриц для обучения искусственной нейронной сети распознаванию технического состояния двигателя.

6. Обосновать разработку программного модуля в системе мониторинга силовой установки летательного аппарата для автоматизированного формирования и анализа ДМ.

3. СТЕПЕНЬ ИССЛЕДОВАНИЯ ТЕМЫ

С середины 50-х годов прошлого столетия наступила эра реактивной авиации, которая характеризуется появлением высокоскоростной авиационной техники и использованием в качестве силовых установок летательных аппаратов газотурбинных двигателей. Задачи обеспечения высокого уровня надежности и безопасности газотурбинных двигателей становятся одними из основных. В это время происходит становление теории надежности. Первые фундаментальные работы в этой области принадлежат Ричарду Барлоу (Richard E. Barlow), Фрэнку Прошану (Frank Proshan), Ушакову И. А. Большой вклад в развитие общей теории надежности внесли также такие ученые, как Гнеденко Б. В., Хинчин А. Я., Ушаков И. А., Герцбах И. Б., Кордонский Х. Б. и др.

Авиационный газотурбинный двигатель – сложный технический объект, поэтому в целях обеспечения его надежности и безопасности требуются регулярные проверки исправности, работоспособности и правильности функционирования его систем, узлов и агрегатов.

Проверка и оценка технического состояния двигателя осуществляется с помощью технической диагностики. Техническая диагностика газотурбинных двигателей базируется на общей теории технической диагностики, и ее развитие неразрывно связано с прогрессом в авиационном двигателестроении и совершенствовании систем эксплуатации ГТД. Техническая диагностика авиационных ГТД, являясь подсистемой общей теории диагностики, имеет самостоятельное научно-техническое направление и активно развивается. Большой вклад в развитие и совершенствование диагностики авиационных ГТД внесли Биргер И. А., Егоров И. В., Сиротин Н. Н., Коровкин Ю. М., Новиков А. С., Пайкин А. Г., Ахмедзянов А. М., Кеба И. В., Машонин О. Ф., Чичков Б. А., Urban L., Volponi A., Luppold R., Czichos H. и др.

Проточная часть ГТД наиболее подвержена повреждениям, поэтому разработка методов диагностики проточной части двигателя занимает важное место в общей диагностике двигателя. Для диагностики проточной части существуют различные методы диагностики, основанные на анализе термогазодинамических, электростатических, виброакустических и др.

параметров. Метод оценки технического состояния двигателя в процессе эксплуатации по термогазодинамическим параметрам, по мнению многих специалистов, является одним из наиболее перспективных. В настоящее время он считается одним из основных методов оценки годности двигателя в процессе серийных контрольно-сдаточных испытаний. Так, для анализа взаимного влияния параметров рабочего процесса двигателя в инженерной практике широко используется метод малых отклонений, исчерпывающее описание которого представлено в работах Черкеза А. Я. Этот метод представляет исходную систему уравнений двигателя в линеаризованном виде. Чем сложнее схема газотурбинного двигателя, тем эффективнее, по сравнению с обычными методами, применение метода малых отклонений в задачах о взаимном влиянии параметров процесса.

Использование метода малых отклонений позволяет выявить такие связи совместной работы элементов двигателя и особенности рабочего процесса, которые трудно уловить при расчете другими методами.

Многочисленные расчеты показали, что диапазон применимости линейных соотношений метода малых отклонений вполне достаточен для решения задач о взаимном влиянии параметров ГТД в пределах их реально возможных изменений. Потому в подавляющем большинстве практических задач о взаимосвязи параметров выполненного двигателя на заданном режиме можно уверенно пользоваться методом малых отклонений для линеаризации уравнений модели двигателя. С помощью метода малых отклонений можно решать задачи диагностирования двигателя, если анализировать зависимость изменения диагностических параметров от отклонений измеряемых параметров.

С помощью метода малых отклонений можно получить диагностические матрицы, которые позволяют произвести оценку технического состояния газовоздушного тракта (ГВТ) двигателя.

Исследования, посвященные применению диагностических матриц для оценки технического состояния ГВТ, отражены в работах Urban L., Volponi A., Ахмедзянова А. М., Тунакова А. П., Дубравского Н. Г., Лабендика В. П., Кузнецова Н. П, Хармац И. Г., Xia D., Wang Y., Weng Sh., Micino M., Li Y.G. и др.

Однако опыт использования диагностических матриц выявил ряд их недостатков. Эти недостатки связаны, во-первых, с неадекватностью математической модели двигателя, т.е. модели, в которой не учитывается ухудшение состояния проточной части двигателя в процессе эксплуатации, вызванное повреждениями элементов ГВТ. Вовторых, для получения ДМ требуется выполнить обращение одной из матриц, что не всегда возможно из-за ее вырожденности. Данная проблема отмечается практически во всех исследованиях, посвященных использованию ДМ, что и дает основание говорить об ограниченном их использовании в диагностике ГТД.

Для решения первой проблемы предлагались различные подходы. Так, в работах Черкеза А. Я. предложено для анализа взаимосвязей между параметрами при смещении характеристики компрессора использовать искусственный прием, который называется расчетом по эквивалентным изменениям. Этот же подход был использован и в исследованиях под руководством Ахмедзянова А. М., однако предложенное в модели двигателя обнуление эквивалентных изменений в характеристиках компрессора привело к ее неадекватности. В другой работе Xia D. и Wang Y. ввели в уравнения компоненты, которые учитывают смещение характеристик компрессора и турбины в целом. Однако во всех предлагаемых подходах есть свои недостатки, которые снижают адекватность оценивания состояния проточной части двигателя при наличии неисправностей в его узлах.

Проблема, связанная с получением обратной матрицы, которая используется для получения ДМ, характерна для двигателей сложных схем, т.е. двухконтурных ГТД, где используется большое число уравнений. В этом случае матрицы получаются сильно разреженными или плохо обусловленными, что делает задачу получения ДМ некорректно поставленной, т.е. нарушающей условия корректности по Ж. Адамару.

Многие исследователи, столкнувшись с этой проблемой, просто констатировали, что получение ДМ не всегда возможно, и стали предлагать альтернативные подходы для получения вариантов ДМ, например, на основе знаковых матриц, т.е. на основе перехода от количественных оценок к качественным. Такой подход позволяет косвенно производить локализацию неисправностей по узлам двигателя, однако без выявления причин этих неисправностей и допустимых величин отклонений параметров вследствие появления этих неисправностей.

В настоящее время широко используют методы диагностики ГТД на основе искусственного интеллекта. Это позволяет оценивать техническое состояние двигателя в условиях недостаточного объема информации и неопределенности. Общие положения по теории искусственного интеллекта представлены в работах Хайкина С. (Simon Haykin), Люгера Д. (George F.Luger), Ханта Е. (Earl B.Hunt) и др.

Вопросы интеллектуальной диагностики ГТД, связанные с применением ИНС (искусственная нейронная сеть), нечеткой логики, генетических алгоритмов, экспертных систем, освещены в работах Жернакова С. В., Васильева В. И., Ильясова Б. Г., Богуслаева А. В., Субботина С. А., Дубровина В. И., Demirci Seref, Hajiyev Chingiz и др.

Стоит отметить, что во всех этих работах интеллектуальная диагностика рассматривается, в основном, применительно к проточной части двигателя.

4. МЕТОДОЛОГИЯ И МЕТОДЫ ИССЛЕДОВАНИЯ

Методология исследования базируется на использовании теории воздушно-реактивных двигателей, теории контролепригодности, теории распознавания образов, теории множеств, теории графов, теории вероятностей и математической статистики, теории некорректных задач.

Поставленные в диссертационной работе задачи решены с использованием методов математического моделирования, методов системного анализа, методов регуляризации, методов искусственного интеллекта.

5. НАУЧНАЯ НОВИЗНА РАБОТЫ

Научные результаты, полученные в диссертационной работе, состоят в следующем:

1. Разработана классификация технических состояний двигателя, дано описание этих состояний на теоретико-множественном уровне и представлены их взаимные переходы.

2. В качестве интегрального критерия для оценки состояния ГТД предложен коэффициент запаса по тяге двигателя.

3. Предложена система классификаций диагностических моделей и методов по уровням их применимости – для контроля и для распознавания технического состояния ГТД.

4. Предложена модель смещения рабочей точки на характеристике компрессора при ухудшении технического состояния проточной части, обеспечивающая адекватность математической модели двигателя его фактическому состоянию.

5. На основе метода регуляризации А. Тихонова разработан более точный метод регуляризации для устойчивого получения диагностических матриц, что позволит снять все ограничения по применению ДМ.

6. Разработана методика использования диагностических матриц для обучения искусственной нейронной сети распознаванию технического состояния двигателя.

6. ПРАКТИЧЕСКАЯ ЦЕННОСТЬ РАБОТЫ

Практическая ценность диссертационной работы заключается в разработке моделей и методов, которые позволяют усовершенствовать диагностику проточной части ГТД в системе мониторинга силовой установки летательного аппарата.

Полученные результаты исследования позволяют:

формировать адекватные линейные математические модели газотурбинных двигателей, учитывающие ухудшение характеристик узлов и деталей проточной части двигателя;

локализовать неисправности узлов проточной части с помощью диагностических матриц;

устойчиво получать диагностические матрицы ГТД с помощью методов регуляризации для любых схем и режимов работы двигателей;

использовать диагностические матрицы для обучения искусственных нейронных сетей оценке технического состояния узлов ГТД в системе мониторинга;

рассчитывать диагностические матрицы для анализа полетных данных с помощью специального программного модуля в системе мониторинга ГТД.

Разработанные в диссертационной работе модели, методы и алгоритмы пригодны для использования в наземно-бортовых системах диагностики и мониторинга силовых установок летательных аппаратов, что позволяет повысить достоверность оценивания технического состояния двигателя в процессе эксплуатации и снизить количество ошибок первого и второго рода в оценивании состояния двигателя.

7. АПРОБАЦИЯ РАБОТЫ

Результаты, полученные в диссертационной работе, были представлены на 9 научных и научно-практических конференциях, симпозиумах в Германии, Польше, Франции, Хорватии, России, Латвии.

1. The 7th International Conference „Reliability and Statistics in Transport and Communication”, 24–27 October, 2007, Riga, Latvia.

2. The 9th International Conference „Reliability and Statistics in Transport and Communication”, 21–24 October, 2009, Riga, Latvia.

3. The 2nd International Specialized Symposium „Space & Global Security of Humanity”, 05–09 July, 2010, Riga, Latvia.

4. 8th AIMS International Conference on Dynamical Systems, Differential Equations and Applications. 25–28 May, 2010, Dresden, Germany.

5. The 10th International Conference „Reliability and Statistics in Transport and Communication”, 20–23 October, 2010, Riga, Latvia.

Международная научно-техническая конференция

6. III «Авиадвигатели XXI века», 30.11.2010–03.12.2010, Москва, Россия.

7. 25th European Confernce on Modelling and Simulation, 07–10 June, 2011, Krakow, Poland.

8. International Conference „Stastiscal Models and Method for Reliability and Survival Analysis and Their Validation”, 04–06 July, 2012, Bordeaux, France.

9. WSEAS/NAUN International Conference, 25–27 June, 2013, Dubrovnik, Croatia.

8. СТРУКТУРА РАБОТЫ

Работа состоит из введения, пяти глав, заключения и 8 приложений. Содержит 177 страниц, 61 рисунок, 13 таблиц. Список использованной литературы и информационных источников включает 177 наименований.

Во введении рассмотрена актуальность темы диссертационной работы, представлены объект и предмет исследования, сформулированы цель и задачи исследования, показаны новизна и практическая ценность полученных результатов.

В первой главе рассмотрены характерные неисправности авиационного газотурбинного двигателя, влияющие на общую безопасность полетов, и требования по надежности, предъявляемые к ГТД.

Определены основные задачи технической диагностики ГТД для обеспечения безопасности полетов и ее роль в обеспечении современных стратегий технического обслуживания. Дана краткая характеристика основных задач системы мониторинга силовых установок летательных аппаратов (СУЛА).

Дан обзор существующих подходов к организации систем мониторинга двигателя с использованием современных информационных и телекоммуникационных технологий.

Во второй главе диссертации газотурбинный двигатель рассматривается как объект диагностики, для которого уточнена классификация его технических состояний в процессе эксплуатации и схема возможных переходов из одного состояния в другое. Дано теоретикомножественное описание возможных технических состояний двигателя, проанализированы методы выбора диагностических параметров и критериев, введены интегральный параметр и критерий для оценки технического состояния на основе тяги двигателя.

В третьей главе рассмотрены подходы, направленные на совершенствование диагностических моделей двигателя. Предложен новый подход к классификации диагностических моделей и методов, а также новый способ учета в математической модели износа проточной части двигателя. Показано применение диагностических матриц для локализации неисправностей двигателя и для обучения нейронных сетей; рассмотрена проблема ограниченного использования диагностических матриц для двигателей сложных схем.

В четвертой главе представлены разработанные автором новые методы устойчивого получения диагностических матриц на основе метода регуляризации А. Тихонова. Разработанные методы отличаются от классических методов регуляризации и имеют лучшие показатели по точности и эффективности, что подтверждено численными экспериментами на тестовых примерах.

В пятой главе диссертации на основе анализа существующих систем мониторинга ГТД предложена информационная модель системы мониторинга двигателя и разработан программный модуль, позволяющий строить диагностические матрицы для любого режима работы ГТД.

<

9. ОСНОВНЫЕ ТЕЗИСЫ, ВЫНОСИМЫЕ НА ЗАЩИТУ

1. В предложенной классификации технических состояний ГТД введено понятие критического работоспособного состояния, которое определяет принятие решений в экстремальных ситуациях.

2. В качестве интегрального критерия оценки технического состояния ГТД предложен коэффициент запаса по тяге двигателя, который учитывает изменения всех параметров проточной части.

3. Для получения адекватной ЛММ двигателя предложен способ введения в уравнения математической модели ГТД членов, описывающих изменение характеристик компрессора при его повреждениях, таким образом контролируется ухудшение состояния проточной части двигателя в процессе эксплуатации.

4. В предложенной в диссертации классификации диагностические модели и методы разделены на уровни контроля и распознавания технического состояния, что позволяет упростить процедуру их выбора для целей диагностирования.

5. Для задач распознавания технического состояния проточной части двигателя с помощью нейронных сетей предложено формировать обучающие выборки с использованием диагностических матриц, что актуально при отсутствии статистических данных по неисправностям ГТД.

6. Для устойчивого получения диагностических матриц предложено использовать методы регуляризации А. Тихонова, которые усовершенствованы и повышают точность решения матричных уравнений.

10. ОБЗОР ОСНОВНЫХ РЕЗУЛЬТАТОВ ИССЛЕДОВАНИЯ

10.1. Анализ влияния неисправностей ГТД на безопасность полетов Анализ статистики по летным происшествиям в различных странах и авиакомпаниях за последние несколько лет показывает, что число летных происшествий по причине отказов узлов и агрегатов силовых установок летательных аппаратов составляет значительную долю среди всех остальных отказов авиационной техники (рис. 1) и оказывает значительное влияние на общую безопасность полетов.

Причины, по которым возникают неисправности и отказы в двигателе, различные, среди них выделяют в основном конструктивно-производственные недостатки, нарушения правил эксплуатации и случайные причины, например, попадание птиц в двигатель.

Рис. 1. Типы летных происшествий, произошедших с гражданскими летательными аппаратами в США (2007–2009 гг.) Анализ отказов авиатехники показал, что основными причинами являются конструктивно-производственные недостатки. Инциденты, вызванные конструктивно-производственными недостатками (КПН), в 2008 году составили 67% от всех инцидентов, происшедших из-за отказов авиатехники, при этом из-за недостатков технической эксплуатации – всего 17%. Ниже на диаграмме (рис. 2) показано распределение КПН по системам самолета Ту-204 с двигателем ПС-90А.

Рис. 2. Диаграмма распределения инцидентов по системам самолета Ту-204 из-за КПН (двигатель ПС-90А) Конструктивная особенность газотурбинного двигателя такова, что проточная часть двигателя: больше всего подвержена целому ряду повреждений и неисправностей, которые в конечном счете приводят к возникновению отказов и досрочным съемам двигателя (рис. 3). По данным различных источников, на неисправности и отказы проточной части двигателя приходится от 35 до 90% всех неисправностей двигателя.

Рис. 3.

Распределение повреждений элементов конструкции ГТД по газовоздушному тракту:

1 – трещины на лопатках вентилятора; 2 – повреждения дисков; 3 – трещины в силовых стойках корпуса; 4 – повреждения от изгибной деформации вала; 5 – прогар СА; 6 – наклеп по бандажным полкам лопаток турбины; 7 – разрушение лопаток турбины; 8 – перегрев газосборника;

9 – трещины на жаровой трубе; 10 – разрушение рабочих лопаток компрессора; 11 – разрушение подшипника; 12 – повышенные колебания рабочих лопаток; 13 – трещины на лопатках направляющих аппаратов Для оценки состояния ГВТ широко применяются оптиковизуальные инструментальные средства, однако проверки осуществляются через определенные интервалы времени, что может привести к пропуску критического состояния какого-либо элемента проточной части. Поэтому для оценки состояния проточной части двигателя используются и аналитические методы, позволяющие определять не только текущее состояние, но и прогнозировать будущее.

Таким образом, для обеспечения безопасности полетов и надежности двигателя требуются совершенные методы и средства контроля и диагностики ГТД. Доказательством важности развития перспективных средств диагностирования является крупное целевое финансирование фирм и научных учреждений, специализирующихся на разработке новых методов контроля и прогнозирования технического состояния двигателя (рис. 4).

Рис. 4. Программы по разработке новых методов диагностирования технического состояния ГТД К числу известных программ, связанных с технической диагностикой в области авиационного двигателестроения, относятся проекты „Prognosis”, The Integrated High Performance Turbine Engine Technology (IHPTET), Versatile Affordable Advanced Turbine Engine (VAATE), High Cycle Fatigue Program (HCFP) и др.

Разработка классификации технических состояний 10.2.

двигателя и определение интегрального критерия оценки состояния ГТД как объект диагностики может находиться в различных технических состояниях. По результатам диагностирования двигатель относят к тому или иному техническому состоянию, поэтому необходимо знать, как классифицируются технические состояния двигателя в процессе эксплуатации.

В диссертации предложена классификация технических состояний двигателя, исходя из его функциональности. В процессе эксплуатации ГТД подвергается воздействию широкого спектра различных факторов конструктивно-производственного и эксплуатационного характера, что приводит к изменению значений характеристик и параметров двигателя во времени и его функциональности соответственно (рис. 5).

Рис. 5. Изменение функциональности двигателя в процессе его эксплуатации Степень функциональности двигателя напрямую зависит от его технического состояния. Для того чтобы по результатам диагностирования распознавать, в каком техническом состоянии находится ГТД, в работе выделены основные классы технического состояния двигателя и описаны на теоретико-множественном уровне. На рис. 6 представлены классы возможных технических состояний в виде диаграммы Эйлера-Вена.

–  –  –

Рис. 7. Когнитивно-графическая схема переходов двигателя в эксплуатации из одного состояния в другое: 1 – накопление повреждений; 2 – восстановление работоспособности под управляющим воздействием; 3 – восстановление работоспособности в эксплуатации; 4 – выработка назначенного ресурса, экономическая или техническая нецелесообразность; 5 – полная потеря функциональности; 6 – возможные переходы из предельного состояния

–  –  –

Из уравнения (1) следует, что удельная тяга двигателя зависит от работы цикла (параметры TГ* и ) скорости VП и высоты полета (внешние условия), от степени двухконтурности m, распределения энергии между контурами x и от потерь в узлах, которые характеризуются потерями КПД при сжатии сж, расширении р и гидравлических потерях II. Ниже приведена табл. 1 с характерными неисправностями газовоздушного тракта (ГВТ) двигателя, в которой показана связь неисправности ГВТ с параметрами инструментального состояния и математической модели двигателя.

Таблица 1. Характерные неисправности газовоздушного тракта двигателя

–  –  –

В качестве критерия технического состояния двигателя в работе введен коэффициент запаса по тяге двигателя Rрасп Rпотр K R.

Rпотр На самолетах Airbus и Boeing существует практика взлета при пониженном уровне тяги, т.е., по сути, располагаемая тяга двигателя R расп снижается до уровня потребной Rпотр. Существует два способа уменьшения тяги: ступенчатый перевод на нижнюю ступень (derate) и имитация температуры наружного воздуха (assumed temperatura). Согласно нормам, тяга не может быть уменьшена более чем на 25%.

Например, для двигателя CFM-56-3 имеется 4 уровня тяги: 18,5; 20; 22 и 23 тысяч фунтов соответственно. Тогда максимальное значение коэффициента запаса по тяге на взлете будет составлять

–  –  –

Рис. 8. Диапазоны коэффициента запаса тяги для взлетного режима

10.3. Разработка классификации диагностических моделей и методов и выбор их для проведения исследования Диагностическая модель, как и все модели, описывает или представляет в формализованном виде основные свойства объекта диагностирования на основе законов, которым он подчиняется, и функциональных связей, присущих составляющим его частям, и т.д. Диагностическая модель или ее части исследуется теоретическими или практическими методами (метод натурных испытаний), которые позволяют получить представление о техническом состоянии двигателя и его частей, т.е. поставить диагноз. Анализ существующих классификаций диагностических моделей и методов показал, что единого подхода нет и существуют различные точки зрения в отношении классификации диагностических моделей и методов. В работе предложено все модели и методы разделить на два класса или уровня – модели/методы контроля технического состояния и модели/методы распознавания технического состояния (рис. 9). Таким образом, данная классификация четко определяет, с какой целью будет использоваться диагностическая модель или метод в системе диагностики двигателя.

Рис. 9. Классификация диагностических моделей и методов

Модели контроля технического состояния – это модели, которые формируют исходный (первичный) вектор диагностических параметров и признаков. К таким параметрам относятся, как правило, параметры, измеряемые в процессе эксплуатации прямым или косвенным путем, например, давление, температура, расход топлива, частоты вращения роторов, вибрация и др. Основная цель данных моделей и методов – предупреждение или оповещение летного и технического состава о превышении допустимых значений параметров. К этим моделям относятся структурно-функциональные и феноменологические модели, которые могут исследоваться методами первого и второго уровня.

Модели распознавания технического состояния предназначены для распознавания дефектов и повреждений на ранней стадии их развития, а также для локализации места неисправности. Эти модели позволяют наблюдать за развитием неисправности до критического состояния.

Для моделирования процессов, происходящих в двигателе, была выбрана математическая модель первого уровня, представляемая в виде системы нелинейных уравнений. Эта система описывает рабочий процесс и совместную работу узлов двигателя и связывает параметры двигателя с параметрами его узлов и входными воздействиями (внешние условия и режимы работы). Для линеаризации системы нелинейных уравнений был использован метод малых отклонений, в результате была получена линейная математическая модель (ЛММ) для исследования технического состояния двигателя.

Диагностика проточной части двигателя (GPA), предложенная Л. Урбаном (L.Urban) в начале 70-х годов прошлого столетия, строилась на исследовании ЛММ, в которой выделялись измеряемые (независимые) и расчетные (зависимые) параметры, затем строились матрицы по коэффициентам измеряемых и расчетных параметров.

Диагностическая матрица, или матрица неисправностей (Fault Coefficient Matrix – FCM), получалась перемножением обратной матрицы, построенной по коэффициентам расчетных параметров, на матрицу, построенную по коэффициентам при измеряемых параметрах. Впоследствии к методу, предложенному Урбаном, добавились другие методы диагностики проточной части двигателя: на основе искусственных нейронных сетей, генетических алгоритмов, нечеткой логики, экспертных систем и др. Сравнительный анализ этих методов и алгоритмов был сделан в работе Link C. Jaw (рис. 10).

Рис. 10. Вычислительные свойства диагностических алгоритмов для диагностики проточной части двигателя В рамках данной работы для исследования состояния проточной части двигателя были выбраны следующие модели и методы, представленные на рис. 11.

–  –  –

10.4. Совершенствование диагностической модели проточной части ГТД В рамках данной работы для диагностики проточной части двигателя была разработана с использованием метода малых отклонений ЛММ для двухконтурного турбореактивного двигателя (ТРДД) с раздельным истечением потоков (рис. 12).

Рис. 12.

Схема ТРДД с раздельным истечением потоков из контуров:

1 – входное устройство; 2 – вентилятор; 3 – компрессор; 4 – сопло наружного контура; 5 – камера сгорания; 6 – турбина компрессора; 7 – турбина вентилятора;

8 – сопло внутреннего контура; н, в, вн, к, г, тн, с1, с2, т – контрольные сечения проточной части двигателя Выбор данного типа двигателя обоснован тем, что это основной тип ТРДД, применяемый на самолетах гражданской авиации.

В процессе эксплуатации двигателя происходит ухудшение характеристик компрессора, камеры сгорания и турбины. Наиболее чувствительными к изменениям проточной части двигателя оказываются характеристики компрессора, что приводит к их смещению.

Смещение характеристики может быть вызвано рядом факторов, среди которых износ поверхностей проточной части, повреждение уплотнений, эрозия, загрязнение, обледенение деталей проточной части и др. При этом происходит смещение всей сетки характеристики компрессора (рис. 13), что подтверждено экспериментальными исследованиями.

Смещение сетки характеристики компрессора приводит и к сдвигу линии рабочих режимов (ЛРР) и вместе с ней рабочей точки на заданном режиме. При этом двигатель находится в работоспособном состоянии, однако нарушается непосредственная связь между тягой и частотами вращения роторов двигателя.

Рис. 13. Характеристики компрессора с нормальной и ухудшенной проточной частью двигателя Для того чтобы учитывать ухудшение проточной части двигателя в процессе эксплуатации, в данной работе предложен способ коррекции уравнений характеристик компрессора, которые учитывают ухудшение проточной части компрессора в процессе эксплуатации.

Из результатов исследований следует, что при изменении состояния проточной части компрессора его напорная характеристика эквидистантно смещается вдоль линии рабочих режимов (0-1) на величину Gв 01 по горизонтали и на к 01 по вертикали (рис. 14).

* Рис. 14. Модель смещения характеристики компрессора при ухудшении состояния проточной части двигателя Кроме смещения напорной характеристики, происходит и смещение ЛРР в направлении 1-2 и, соответственно, рабочей точки так, что суммарное изменение расхода воздуха и степени повышения давления составляют Gв пр и к соответственно, а КПД компрессора *

–  –  –

Таким образом, введенные в математическую модель добавочные элементы, учитывающие ухудшение технического состояния проточной части двигателя, позволяют получить динамическую модель, которая отражает эволюцию изменения характеристик двигателя в процессе его эксплуатации.

–  –  –

Метод анализа состояния проточной части (GPA) двигателя на основе диагностических матриц, впервые предложенный Л.Урбаном в 1972 году, не потерял своей актуальности, и в настоящее время продолжаются исследования с целью еще более широкого применения данного метода на практике.

Все полезные для практики особенности и свойства ДМ вытекают из анализа математической модели ГТД. В рамках данной диссертации проведена проверка работоспособности ДМ для разных типов ГТД с учетом введения в ЛММ дополнительных компонентов, учитывающих сдвиг характеристик компрессора.

Проверка работоспособности ДМ для одновального ТРД.

Конструктивная схема данного типа двигателя является наиболее простой по сравнению с другими схемами (рис. 15).

–  –  –

духа Gв, которые затем подставляются в матрицу коэффициентов влияния (МКВ – ICM (Influence Coeficient Matrix)). В результате получаются новые отклонения измеряемых параметров, которые подставляются в ДМ. Доказательством работоспособности ДМ является равенство расчетных отклонений диагностических параметров и заданных. МКВ и ДМ строятся на основе одной и той же разработанной ЛММ и рассчитываются по следующим формулам.

Матрица коэффициентов влияния:

ICM A1B, где A – матрица, построенная по коэффициентам зависимых параметров, B – матрица, построенная по коэффициентам независимых параметров.

Диагностическая матрица DM A1B, где A – матрица, построенная по коэффициентам расчетных параметров, B – матрица, построенная по коэффициентам измеряемых параметров.

В диссертации МКВ сначала рассчитывалась для ЛММ без учета дополнительных компонентов, которые характеризуют смещение характеристики компрессора (табл. 2). Для учета смещения характеристики компрессора использовался метод расчета эквивалентных изменений, предложенный Черкезом А. Я.

–  –  –

С помощью МКВ моделировалась неисправность компрессора, для этого использовалось изменение положения характеристики компрессора при его регулировании (рис. 15) и переход рабочей точки из положения 0 в положение 1.

Рис. 17. Смещение характеристики ТРД в результате регулирования компрессора Количественные изменения степени повышения давления, расхода воздуха и КПД компрессора составили соответственно (см. рис.

17):

K 6%, Gв 4%, K 3,7%.

* * В диссертационной работе для имитации неисправности компрессора эти значения были взяты с обратным знаком. При использовании метода эквивалентных изменений смещение характеристики компрессора по K представлялось как сочетание изменений потерь *

–  –  –

Смещение характеристики компрессора привело не только к изменению отклонений измеряемых параметров, но и к отклонению располагаемой тяги двигателя, которое составило R 1,47 4 0,34 2 0,57 0,35 6,36%.

Таким образом, коэффициент запаса по тяге R снизился примерно на 0,064, что свидетельствует о неисправном техническом состоянии двигателя, но при этом работоспособном и некритическом.

При построении ДМ в ЛММ одновального ТРД были введены компоненты сдвига характеристик компрессора. Результирующая ДМ (табл. 3) представляет собой совокупность вектора отклонений измеряемых GT, TT*, TK, K и вектора отклонений диагностических * *

–  –  –

Таким образом, доказана работоспособность ДМ. В работе показано также и моделирование неисправности турбины.

Так, снижение КПД турбины на 1% и увеличение проходного сечения соплового аппарата (СА) на 1,5% привело к следующим отклонениям измеряемых параметров:

GT 4,95%, TT* 2,75%, TK 0,08%, pK 0,35%.

* *

–  –  –

ствует заданным параметрам моделирования неисправности турбины.

В работе отмечено, что произвольное смещение характеристики компрессора при использовании метода эквивалентных изменений формально заменено на сочетание эквивалентных изменений вх и кс, которые в действительности остаются неизменными, т.е.

вх кс 0. Поэтому в работе Ахмедзянова А.

и Тунакова А. исключение из ДМ кс и вх привело к неверной постановке диагноза, т.е. вместо действительно неисправного компрессора ДМ определяла турбину как неисправную. Таким образом, метод эквивалентных изменений пригоден лишь для ручного моделирования неисправностей проточной части двигателя, поэтому использовать его для решения задач автоматизированного диагностирования нецелесообразно.

Предложенный в работе подход учета произвольного смещения характеристик компрессора позволяет достоверно оценивать состояние проточной части двигателя.

Проверка работоспособности ДМ для турбовального двигателя. Особенностью данного типа двигателя является то, что он двухвальный и имеет свободную турбину, которая с турбиной компрессора связана только газодинамически (рис. 18).

Рис. 18. Конструктивная схема турбовального двигателя В качестве турбовального двигателя рассматривался двигатель ТВ7-117С. Глубина диагностирования газовоздушного тракта для данного двигателя связана с количеством газодинамических параметров, регистрируемых в полете.

К числу таких параметров относятся:

полная температура T1* и давление воздуха p1 на входе в *

–  –  –

С помощью полученной ДМ проверялась локализация неисправностей проточной части двигателя. Полученные результаты доказали работоспособность ДМ для данного типа двигателя. Однако при получении ДМ с использованием TK и температуры на срезе сопла TC* * определитель матрицы А оказался равным нулю, что, соответственно, исключило получение ДМ. Таким образом, для данного типа двигателя ДМ работоспособна при определенном сочетании измеряемых параметров, а не при любом.

Проверка работоспособности ДМ для двухконтурного двигателя. Двухконтурный двигатель стал основным типом двигателя для самолетов как гражданской, так и военной авиации благодаря своим высоким характеристикам. Конструктивная схема этого типа двигателя самая сложная по сравнению с другими типами ГТД (рис. 19).

Рис. 19. Конструктивная схема двухконтурного двигателя

Сложность конструкции ТРДД, соответственно, требует большего числа уравнений в математической модели двигателя, а для диагностики – и большего числа измеряемых параметров. Как правило, матрицы А и В оказываются сильно разреженными или плохо обусловленными. В диссертационной работе разработанная ЛММ для ТРДД с раздельными контурами использовалась для построения матриц А и В (табл. 5 и 6) с целью получения ДМ.

После расчета значений коэффициентов матрицы А по параметрам двигателя CFM-56 на расчетном режиме работы получение обратной матрицы A1 оказалось невозможным из-за близости определителя матрицы к нулю. Расчет выполнялся в пакете Matlab, и полученный результат представлен на рис. 20.

Таблица 5. Матрица А по коэффициентам расчетных параметров ТРДД Таблица 6.

Матрица В по коэффициентам измеряемых параметров ТРДД Рис. 20. Результат обращения матрицы А в пакете Matlab Таким образом, для двигателей сложных схем, например, двухконтурных и двухвальных, при наличии большого числа измеряемых и расчетных параметров, как правило, не удается устойчиво получать ДМ. Решению данной проблемы посвящен раздел 10.6.

10.6. Разработка методов регуляризации для устойчивого получения диагностической матрицы Проблема нахождения диагностической матрицы ГТД относится к классу некорректно поставленных задач, и для ее решения в диссертационной работе использовались методы теории некорректных задач. Методы решения некорректных задач были предложены в работах А. Н. Тихонова, М. М. Лаврентьева, В. К. Иванова, Р. С. Филлипса и др.

Подход, предложенный в диссертации для устойчивого получения диагностической матрицы ГТД, базируется на методе регуляризации А. Тихонова. Однако данный подход имеет принципиальное отличие от классического подхода А. Тихонова при выборе параметра регуляризации в функционале Тихонова M z, u.

Получение диагностической матрицы – это есть решение операторного уравнения первого рода, Az u, где оператор A : Z U является заданным линейным ограниченным оператором, Z и U являются гильбертовыми пространствами, z Z является искомым элементом, u U является заданным элементом.

В данной работе исследовалось устойчивое обращение оператора A в конечномерном пространстве, т.е. когда оператор A : Z U является конечномерным оператором (т.е. матрицей); Z n.

В основе метода регуляризации А. Тихонова лежат фундаментальные понятия регуляризирующего оператора и параметра регуляризации.

Для определения регуляризирующего оператора в работе был разработан соответствующий алгоритм. Предложенный алгоритм для построения регуляризирующего оператора включает следующие шаги.

Шаг 0. Формируется расчетно-идентификационная матрица А по ЛММ двигателя размером m n, где m n или m n.

Шаг 1. Составляется произвольный вектор u размером m1 и система линейных алгебраических уравнений (СЛАУ) Az u, (5) где z является искомым вектор-решением задачи.

Шаг 2. В системе (5) матрица A и правая часть u возмущаются, и формируется следующее условие:

–  –  –

A * hT из вещественных чисел, то Ah.

Таким образом, необходимо найти такое значение, которое не было бы заниженным, ведь иначе устойчивость уравнения (8) и его решения будут слишком незначительно отличаться от исходных для уравнения (7), однако в то же время завышенная оценка может сильно исказить уравнение (8), сделав решение устойчивым, но при этом потеряв большую часть полезной исходной информации.

Из графика (рис. 21) следует, что необходимо найти точку баланса между устойчивостью решения z и его удаленности от истинного решения z. Нахождение подобных решений отражено в работах Тихонова А., Арсенина В., Bauer F., Lukas V., Kojdecki M. и др., где излагаются различные по классификации и по степени точности способы как выбора оптимального и/или квазиоптимального параметра регуляризации h,, так и оценивания погрешности znormal z регуляризованного решения z. При этом основопола

–  –  –

го уравнения (7) в явном виде не входит в классический метод регуляризации Тихонова, хотя при этом во всех различных вариациях метода невязки, в том числе и в обобщенном принципе невязки, используется именно погрешность правой части u, а не погрешность правой части u, которая, как очевидно из (9), зависит не только от, h

–  –  –

10.7. Разработка методики обучения ИНС для диагностики проточной части ГТД Опыт эксплуатации авиационных ГТД показывает, что оценка их состояния требует комплексного применения методов и средств диагностирования, а также обобщения всей располагаемой диагностической информации для принятия правильного и своевременного решения. Методы контроля и диагностики двигателя, относящиеся к так называемым классическим, плохо справляются с задачами диагностики при наличии неопределенности. Поэтому возникла необходимость привлечения для контроля и диагностики ГТД интеллектуальных методов и технологий и, в частности, искусственных нейронных сетей (ИНС), которые хорошо работают в условиях неопределенности.

Как показывают исследования в работах Васильева В. И., Ильясова Б. Г., Жернакова С. В., Demirici S., Hajiyev Ch. и др., построение систем диагностики с использованием ИНС актуально и перспективно, так как нейронные сети обладают такими свойствами, как обучаемость, универсальность и способность аппроксимировать любые вычисляемые функции. При этом нейронные сети по данным измерений параметров ГТД в процессе эксплуатации позволяют определить его состояние в текущий момент времени, выявить соответствие его параметров техническим требованиям, что позволяет в последующем выработать рекомендации по дальнейшему техническому обслуживанию.

Математическая модель ГТД как объекта диагностики, которая исследуется ИНС, представлена в следующем виде:

–  –  –

наблюдения выходных параметров модели; C * – матрица наблюдений модели; A* – вектор параметров модели ГТД; H * – вектор погрешностей вычисления.

Тогда состояние ГТД определяется значением вектора параметров A*, значения которого могут меняться в зависимости от того, в каком техническом состоянии находится двигатель. Все возможные состояния ГТД можно представить как r 1 областей (классов) S0,, Sr. Нахождение вектора X * в S 0 определяется как событие, соответствующее исправному состоянию ГТД. При любом из возможных отказов в работе ГТД вектор X * принадлежит одной из областей S1,, Sr, что рассматривается как событие, связанное с неисправным S0 состоянием ГТД S ; 1,,r.

Задача диагностирования состояния ГТД с помощью ИНС заключается в том, чтобы установить соответствие между координатами вектора наблюдений Z * и пространства состояний S, 1,, r и на основании наблюдаемых реализаций U и Z * оценить принадлежность вектора X * состояний ГТД области S S0, т.е. определить, к какому из классов неисправных состояний относится состояние исследуемого ГТД.

В диссертационной работе с помощью диагностической матрицы моделировались неисправности узлов двигателя, при этом создавались различные наборы обучающих выборок, на которых проводилось обучение искусственных нейронных сетей качественной диагностике.

Разработанная методика обучения ИНС для решения задач диагностики авиадвигателей включает следующие шаги:

Шаг 1. Определение набора измеряемых параметров и классов технических состояний двигателя и диапазонов отклонений диагностических параметров. К измеряемым параметрам могут быть отнесены параметры, которые измеряются прямым или косвенным путем.

Возможные классы технических состояний были определены в параграфе 10.2.

Шаг 2. Формирование обучающей и тестовой выборок. Для формирования обучающих и тестовых выборок использовалась следующая формула M C D 1, T где М – вектор измеряемых параметров, С – вектор расчетных параметров, D – диагностическая матрица.

Шаг 3. Выбор топологии нейронной сети. На основе анализа различных топологий в данной работе использовались двухслойная искусственная нейронная сеть (ДИНС) и самоорганизующаяся карта (СОК).

Шаг 4. Задание параметров сети. Определение количества скрытых или выходных нейронов. В пакете STATISTICA Neural Networks 5.5., который использовался для экспериментов, этот шаг выполняется автоматически.

Шаг 5. Выбор алгоритма обучения и его параметров. В данной работе для обучения ДИНС использовался алгоритм обратного распространения ошибки.

Шаг 6. Обучение. Проверяется величина ошибки ИНС, анализируется сходимость алгоритма и делается вывод о правильности выбора топологии сети и ее параметров.

Шаг 7. Верификация и анализ результатов. Проверяется полученная сеть на тестовой выборке, определяется наличие эффекта переобучения и оценивается качество полученной сети.

В работе обучение ИНС с помощью ДМ (табл. 8) проводилось для турбовинтового двигателя PW125B, имеющего трехвальную схему со свободной турбиной (рис. 22).

Таблица 8. Диагностическая матрица двигателя PW 125B

–  –  –

КВД 0.19 0 -0.091 0 0 1.068 -3.533 3.533 0 ТВД 0 0 -1.334 0 -1.325 -1.325 3.054 -2.504 1.325

–  –  –

0 0 0.583 -1 0 0 1.799 -0.061 0 Диагностическая матрица двигателя PW125B строилась для стендового варианта испытания двигателя с расширенным числом измеряемых параметров. Техническое состояние узлов двигателя определяется следующими диагностическими параметрами: GКНД и КНД – состояние компрессора низкого давления; GКВД и КВД – состояние компрессора высокого давления; ТВД и FТВД – состояние турбины высокого давления; ТНД и FТНД – состояние турбины низкого давления; – состоянием камеры сгорания.

Рис. 22. Конструктивная схема двигателя PW 125B

Состояние каждого из таких узлов, как компрессоры и турбины, характеризуется двумя диагностическими параметрами, между которыми существуют определенные функциональные связи. Поэтому для того, чтобы обучающая и тестовая выборки были адекватные, эти связи необходимо учитывать. Ниже на рис. 23 показаны области значений диагностических параметров для компрессора и турбины в зависимости от видов технического состояния, которые были определены в параграфе 10.2.

а) б) Рис. 23. Области значений диагностических параметров для формирования обучающей и тестовой выборок: а) компрессор, б) турбина Области допустимых значений диагностических параметров разграничены прямыми линиями, что является в данном случае упрощением. Однако данный подход позволяет довольно просто записать ограничения при формировании значений.

Обучение ИНС локализации неисправностей в таких узлах двигателя, как компрессор высокого давления (КВД), компрессор низкого давления (КНД), турбина низкого давления (ТНД), турбина высокого давления (ТВД), выполнялось с помощью пакета Statistica Neural Network 5.5. Для обучения распознаванию четырех технических состояний согласно предложенной классификации были введены следующие обозначения: первая цифра в номере группы означает узел (1

– КНД, 2 – КВД, 3 – ТВД, 4 – ТНД); вторая – вид состояния узла (0 – исправное, 1 – работоспособное некритическое, 2 – критическое (предотказное), 3 – неработоспособное (отказ)).

По результатам обучения ИНС были отобраны 10 сетей (табл. 9), и из них выбрана лучшая сеть №10, структура которой представлена на рис. 24.

Таблица 9. ДИНС для определения технического состояния узла двигателя Топология

–  –  –

ДИНС 1 4 5 0.882 0.

888 0.878 ДИНС 2 4 15 0.975 0.968 0.97 ДИНС 3 4 12 0.979 0.976 0.978 ДИНС 4 4 14 0.978 0.966 0.978 ДИНС 5 4 15 0.977 0.968 0.976 ДИНС 6 4 15 0.953 0.946 0.934 ДИНС 7 4 15 0.981 0.974 0.978 ДИНС 8 4 15 0.979 0.982 0.978 ДИНС 9 4 12 0.975 0.972 0.976 ДИНС 10 4 14 0.983 0.978 0.986 Рис. 24. ДИНС для определения технического состояния узлов двигателя Для решения практических задач диагностирования, основанных на нейросетевых подходах, используют самоорганизующиеся карты Кохенена. Алгоритм функционирования самообучающихся карт (Self Organizing Maps – SOM) представляет один из вариантов кластеризации многомерных векторов.

Таблица 10. Диагностические карты технического состояния узлов двигателя

–  –  –

Неработоспособное Для лучшего визуального восприятия информации, содержащейся в картах Кохенена, производится их раскраска или разметка.

Раскрашенные карты называются диагностическими. В работе с помощью программы Viscovery Somine, используя обучающие выборки, были получены диагностические карты технического состояния узлов двигателя PW125 (табл. 10).

10.8. Разработка программного модуля в системе мониторинга силовой установки летательного аппарата для автоматизированного формирования и анализа ДМ Практическая реализация концептуальных требований к системе мониторинга ГТД осуществляется посредством создания аппаратнопрограммного комплекса наземно-бортовых средств контроля и диагностики на основе информационной системы мониторинга двигателя.

Информационная система мониторинга ГТД позволяет формировать диагностические решения о техническом состоянии двигателей на основе комплексного анализа данных о параметрах двигателя, регистрируемых как в полете, так и на земле в процессе технического обслуживания самолетов.

Система мониторинга технического состояния ГТД, являясь неотъемлемой частью CBM, зачастую разрабатывается под конкретный двигатель, что ограничивает использование средств контроля и диагностики для обеспечения СВМ. Поэтому организацией MIMOSA (Machinery Information Management Open System Alliance) был разработан открытый стандарт открытой архитектуры систем обслуживания по техническому состоянию OSA-CBM (Open System Architecture for Condition Based Maintenance). Данная архитектура содержит семь уровней, каждый из которых выполняет определенную задачу в системе мониторинга (рис. 25).

Рис. 25. Схема OSA-CBM Эти семь уровней в общей системе мониторинга ГТД распределяются между бортовой и наземной системами мониторинга. Бортовая система мониторинга охватывает, как правило, первые три уровня, т.е. Data Acquisition, Signal Processing, Condition Monitor, а наземная система мониторинга – следующие три: Health Assessment, Prognostics, Decision Support (рис. 26).

Рис. 26. Распределение уровней архитектуры OSA-CBM между бортовой и наземной системами мониторинга ГТД Данные уровни имеют и определенные сроки срочности (timescale of urgency) в системе мониторинга. Очевидно, что бортовая система мониторинга предназначена для сбора полетных данных, обработки сигналов, контроля параметров и выдачи предупреждений о превышении допустимых значений параметров. Наземная система мониторинга предназначена для оценки и прогноза технического состояния ГТД, а также для принятия решения о дальнейших действиях, связанных с техническим обслуживанием двигателя.

В рамках диссертационной работы предложена информационная модель общей системы мониторинга ГТД, разработанная на основе методологии IDEF (рис. 27). В данной модели для учета и регистрации всей информации по двигателю в процессе его жизненного цикла введен «Электронный формуляр двигателя», который реализован программными средствами и выполняет функции базы данных.

Полетные данные, регистрируемые в формуляре, используются для анализа технического состояния двигателя. Анализ выполняется с помощью разработанного программного модуля, который строит диагностические матрицы для любого режима работы двигателя и любой заданной точки полета.

Для анализа полетной информации использовались файлы, сгенерированные в симуляторе C-MAPSS (Commercial Modular AeroPropulsion System Simulator), который разработан NASA (National Aeronautics and Space Administration) для двухконтурного двигателя.

Рис. 27. Функциональная модель системы мониторинга ГТД Значения полетных параметров записаны в файле с интервалом в 1 секунду. В разработанном электронном формуляре (рис. 28) предусмотрена возможность отметить моменты полета (параметр Bad flight), для которых необходимо построить диагностические матрицы.

Рис. 28. Регистрация полетной информации в электронном формуляре Результаты построения ДМ выводятся в специальном окне программного модуля (рис. 29). Таким образом, ДМ можно построить на конкретный момент времени, когда возникла неисправность или отказ двигателя. В программе предусмотрена возможность создания истории ДМ и проведение тренд-анализа по диагностическим параметрам.

Рис. 29. Программное окно для вывода значений построенной ДМ Разработанный программный модуль является частью общей системы мониторинга ГТД, который может расширяться путем добавления в него новых диагностических алгоритмов и методов.

ЗАКЛЮЧЕНИЕ

Основные результаты проведенных исследований сформулированы в виде следующих выводов:

1. Предложено классифицировать технические состояния двигателя, исходя из его функциональности. Дано теоретическое описание возможных технических состояний в процессе эксплуатации на теоретико-множественном уровне и разработана схема переходов двигателя из одного состояния в другое с учетом воздействия различных факторов.

2. Для оценки технического состояния двигателя предложен интегральный критерий – коэффициент запаса по тяге. Данный критерий учитывает изменения всех параметров, характеризующих состояние проточной части двигателя. Интервалы изменения данного критерия определяют вид технического состояния ГТД согласно предложенной классификации технических состояний.

3. Предложен способ введение в уравнения математической модели ГТД членов, описывающих изменение характеристик компрессора при его повреждениях, что позволяет учесть ухудшение состояния проточной части двигателя в процессе его эксплуатации.

Разработана классификация диагностических моделей и методов путем разделения их на уровни контроля и распознавания технического состояния, что позволяет упростить процедуру их выбора для целей диагностирования.

Разработана ЛММ для двухконтурного ТРД с раздельным истечением потоков на основе метода малых отклонений, которая учитывает изменения состояния проточной части двигателя в процессе его эксплуатации. Данная модель разработана для диагностирования проточной части двигателя с помощью диагностических матриц.

Исследовано применение диагностических матриц для различных схем двигателя и выявлено их ограниченное применение для двигателей сложных схем. Причина такого ограничения связана с тем, что исходные матрицы получаются плохо обусловленными из-за большого числа уравнений в модели, что ведет к невозможности устойчивого получения диагностической матрицы.

Для устойчивого получения диагностических матриц использовались методы регуляризации А. Тихонова, которые были усовершенствованы, что повысило точность решения матричных уравнений. Разработанные алгоритмы и методы регуляризации позволяют устойчиво получать ДМ для любых схем двигателя и режима его работы, таким образом, все ограничения по использованию ДМ сняты.

Предложена методика обучения ИНС распознаванию технического состояния узлов ГТД с помощью ДМ.

Разработана информационная модель общей системы мониторинга ГТД, в соответствии с которой разработан электронный

Похожие работы:

«Монаков А.В., Иванишин В.А. Поддержка стандарта OpenMP 4.0 для архитектуры NVIDIA PTX в компиляторе GCC. Труды ИСП РАН, том 28, вып. 4, 2016, стр. 169-182. Поддержка стандарта OpenMP 4.0 для архитектуры NVIDIA PTX в компиляторе GCC1 А.В. Монаков amonakov@ispras.ru В.А. Иванишин vlad@ispras.ru Институт системного программировани...»

«ЕНЕРГЕТИЧНІ ТА ТЕПЛОТЕХНІЧНІ ПРОЦЕСИ Й УСТАТКУВАННЯ УДК 536.27 А. А. ШЕВЕЛЕВ, канд. техн. наук; проф. НТУ "ХПИ"; С. Ю. АБДУЛЛИН, аспирант НТУ "ХПИ" ЭФФЕКТИВНЫЙ МЕТОД АНАЛИЗА ДИНАМИКИ ДВУХХОДОВОГО ПЛАСТИНЧАТОГО ТЕ...»

«Содержание Лента термоусаживающаяся радиационно-модифицированная "ДРЛ-Л" ТУ 2245-008-05336443-2013 4 Лента радиационно-сшитая мастичная "ДОНРАД-ГАЗ" ТУ 2245-009-05336443-2013 10 Комплект манжеты термоусаживающейся "ГЕФЕСТ-РН" ТУ 2245-...»

«Спутниковая система слежения за мобильными объектами "Вояджер" Глава 23 Датчики расхода топлива Санкт-Петербург 23. Датчики расхода топлива 23.1. Проточный датчик уровня топлива "ДРТ-5.2" 23.1.2 Установка п...»

«Большаков Леонид Наумович По следам Оренбургской зимы: книга поисков ОТ АВТОРА Эта книга пять лет моей жизни. Она недописана, как не закончены и разыскания. Я уверен: настойчивый поиск всегда ведет к находкам. И хочется надеяться, что своей работой мне удастся внести что-то новое в прочтение важных ст...»

«www.karat.nt-rt.ru : kat@nt-rt.ru || www.karat.nt-rt.ru : +7(7172)727-132 : (8182)63-90-72 : (4722)40-23-64 : (4832)59-03-52 : (423)249-28-31 : (844)278-03-48 : (8172)26-41-59 : (473)20...»

«ФЕДЕРАЛЬНОЕ АГЕНТСТВО СВЯЗИ Федеральное государственное образовательное бюджетное учреждение высшего профессионального образования "Санкт – Петербургский государственный университет телекоммуникаций им. проф. М.А. Бонч-Бруеви...»

«ков 2015" [Электронный ресурс]. Режим доступа: http://np-profi.ru/kalendar-meropriyatii/16-09-2015-vikonferentsiya-upravlenie-problemnymi-kreditami-i-zalogovym-imushchestvom-praktika-bankov-2015.html УДК 336.71 ДЕЯТЕЛЬНОСТЬ Н ЕБА Н К О В С КИ Х П ЛА ТЕЖ Н Ы Х АГЕНТОВ Н А РЫ Н КЕ БЕЗН А Л И ЧН Ы Х ПЕРЕВ...»

«Известия высших учебных заведений. Поволжский регион ГЕОЛОГИЯ УДК 556.01 Н. П. Шерстюк АКТИВИЗАЦИЯ ГИПЕРГЕННЫХ ПРОЦЕССОВ В ВОДНЫХ ОБЪЕКТАХ РАЙОНОВ ДОБЫЧИ ПОЛЕЗНЫХ ИСКОПАЕМЫХ (НА ПРИМЕРЕ КРИВОРОЖСКОГО ЖЕЛЕЗОРУДНОГО БАССЕЙНА) Аннотация. Актуальность и цели. В результате активной добычи и обогащения железных руд в...»

«Муниципальное бюджетное общеобразовательное учреждение муниципального образования город Краснодар средняя общеобразовательная школа № 77 Российская Федерация, 350921 город Краснодар, посёлок Белозёрный, 17/1, ОКПО 41328623 ОГРН 1032306427570 ИНН 2311037960 КПП 231101001 тел...»

«Что нового в Cast-Designer V6.2 Основные улучшения Cast-Designer V6.2 Благодаря новым технологиям и методам расчета решатель стал более точным и быстрым. Также теперь многопоточный решатель становится стандартным. Он поддерживает как одноядерные, так и многоядерные сист...»

«Упражнения "Кубок ФВСР по Снайпингу 2016" (краткое описание) Участникам соревнования будут предложены упражнения со стрельбой из устойчивых и неустойчивых положений, по движущимся мишеням; упражнения с изменением позиции выстрела. Будет возможность проверить себя в умении измерять дистанции до мишеней сеткой прицел...»

«Программа 7Кmodem.EXE Инструкция Ред. от 02.11.2007 Программа 7Кmodem.EXE www.7kt.ru Оглавление Программа 7Кmodem.EXE Подключения Настройка программы Работа с программой ПРИЛОЖЕНИЕ 1. Настройка GSM-модема ПРИЛОЖЕНИЕ 5. Перехват звонков для подключения к вычислителю 7КТ.12 (встроенный м...»

«Varia аЛександр  казанкОв У "последних времен": восприятие времени жителями российской провинции в первой половине ХХ века Alexander Kazankov The “Last Times”: the Perception of Time by Res...»

«0401353 КАТАЛОГ ПРОДУКЦИ В "';"' р 33331© 1-МОС73 v 1.20-W * И HI "О "(VWM Уважаемые Господа! АО ЛЭМЗ представляет Вам каталог продукции, который призван облегчить и ускорить процессы делового сотрудничества. Мы надеемся, что Вас заинтересуют наши предложения, и будем рады ответи...»

«УДК 541.136 Н. И. Глоба, член-корреспондент НАН Украины В. Д. Присяжный, В. Н. Никитенко, B. C. Кублановский Электролитические сплавы олово никель как анодные материалы литий-ионных аккумуляторов Методами потенциодинамического и...»

«БУНТ САМУРАЕВ. Реж. МАСАКИ КОБАЯСИ. Япония. 1967 г. 121 минута. В ролях: Тосиро Мифунэ, Тацуя Накадай. Категория: 0. (Hi-Fi ) Д ВЫСОКИЕ КАБЛУКИ (Takones lejanos). Реж. ПЕДРО АЛЬМОДОВАР. 2. Испания. 1991 г. 115 минут. В ролях: Виктория Абриль, Мариса Паредес, Мигель Босе. Призы: премия “Сезар” за лучший иностранный фильм 1992 года. Кат...»

«Мухамедов Рашит Алимович, Селеев Сергей Сергеевич ДЕЯТЕЛЬНОСТЬ СИМБИРСКОГО (УЛЬЯНОВСКОГО) ОБЩЕСТВА ВЗАИМНОГО КРЕДИТА В ПЕРИОД НЭПА В статье рассмотрена деятельность Симбирского (Ульяновского) общества взаимного кредита...»

«Анкета многоквартирного дома обл. Московская, г. Домодедово, мкр. Авиационный, ул. Ильюшина, д. 20 Форма 2. Сведения о многоквартирном доме, управление которым осуществляет управляющая организация, товарищество, кооператив (заполняе...»

«НАУКА И СОВРЕМЕННОСТЬ – 2012 селя и определить оптимальный для нас вариант (моделирование и описание различных возможных ситуаций также были выполнены в данной работе). Задача определения объектов на изображениях является очень...»








 
2017 www.ne.knigi-x.ru - «Бесплатная электронная библиотека - электронные матриалы»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.