Разработка метода получения данных для обучения нейронных сетей диагностированию газотурбинных двигателей, газоперекачивающих агрегатов

Abstract

The application of neural networks is one of promising ways to improve efficiency when diagnosing aviation gas turbine engines and gas pumping units. In order to start functioning of such network, it should be trained first using the pre-defined training sets. These data should fully characterize work of the object in a wide range of operating modes and at various technical states of the diagnosticated assemblies. In addition, it is necessary to have a similar data set to monitor quality of the neural network learning. To train the network to recognize faults of one type, a set of 20‒200 or more training examples is required. Obtaining such information in operation or in full-scale tests is a rather long or costly process. A method for acquisition of training and control data sets was proposed. The sets are intended to train static neural networks recognizing single and multiple faults of the elements of air-gas channels of gas turbine engines and gas pumping units. The method enables obtaining sets of working process parameters describing operation of objects at various technical states of an air-gas channel, effect of measurement errors and object functioning in a wide range of modes and external conditions. Composition of the pumped gas is additionally taken into account for gas pumping units. To obtain the required parameters, a mathematical model of the working process of the object of the second level of complexity was used. The sets characterize work of operable objects and objects with significant malfunctions in spools of compressors and turbines and in a combustion chamber and for the case of a gas pumping unit, in its supercharger. Two variants of formation of sets were considered: using the measured parameters of the working process; deviations of the measured parameters from their reference values and the parameters used as regime parameters in the mathematical model of the working process. For the second variant, check of expediency of including the regime parameters in the sets was made. It has been shown that regime parameters can be excluded from data sets in some cases.

Одним з перспективних шляхів підвищення ефективності діагностування авіаційних газотурбінних двигунів і газоперекачувальних агрегатів є використання нейронних мереж. Для того, щоб така мережа почала працювати, її необхідно попередньо навчити, використовуючи заздалегідь підготовлені навчальні приклади. Ці дані повинні повно характеризувати роботу об'єкта в широкому діапазоні режимів роботи та при різному технічному стані вузлів, що діагностуються. Крім того, необхідно мати аналогічний набір даних для контролю якості навчання нейронної мережі. Для якісного навчання мережі розпізнанню одного типу несправностей необхідно мати набір, що містить 20–200 і більш навчальних прикладів. Одержання такої інформації в експлуатації або при стендових випробуваннях є досить тривалим або дорогим процесом. Розроблено метод одержання навчального і контрольного наборів даних. Набори призначені для навчання статичної нейронної мережі розпізнаванню одиночних і множинних несправностей елементів проточної частини газотурбінного двигуна й газоперекачувального агрегату. Метод дозволяє одержувати набори параметрів робочого процесу, що характеризують роботу об'єкта з різним технічним станом проточної частини, вплив помилок виміру та функціонування об'єкта в широкому діапазоні режимів і зовнішніх умов. Для газоперекачувального агрегату додатково враховується склад газу, що перекачується. Для одержання необхідних параметрів використовується математична модель робочого процесу об'єкта другого рівня складності. Набори характеризують роботу справних об'єктів і об'єктів, що мають значні несправності каскадів компресорів, турбін і камери згоряння, а у випадку газоперекачувального агрегату, і його нагнітача. Розглянуто два варіанти формування наборів: з використанням вимірюваних параметрів робочого процесу; з використанням відхилень вимірюваних параметрів від еталонних значень та параметрів, які використано як режимні у математичній моделі робочого процесу. Для другого варіанту проведено перевірку доцільності включення режимних параметрів до складу наборів. Показано, що в ряді випадків режимні параметри можуть бути виключені з наборів даних

Одним из перспективных путей повышения эффективности диагностирования авиационных газотурбинных двигателей и газоперекачивающих агрегатов является использование нейронных сетей. Для того, что бы такая сеть начала работать, ее необходимо предварительно обучить, используя заранее подготовленные обучающие примеры. Эти данные должны полно характеризовать работу объекта в широком диапазоне режимов работы и при разном техническом состоянии диагностируемых узлов. Кроме того необходимо иметь аналогичный набор данных для контроля качества обучения нейронной сети. Для качественного обучения сети распознанию одного типа неисправностей необходим набор, содержащий 20–200 и более учебных примеров. Получение такой информации в эксплуатации или при натурных испытаниях является довольно длительным или дорогостоящим процессом. Предложен метод получения учебного и контрольного наборов данных. Наборы предназначены для обучения статической нейронной сети распознаванию одиночных и множественных неисправностей элементов проточной части газотурбинного двигателя и газоперекачивающего агрегата. Метод позволяет получать наборы параметров рабочего процесса, описывающие работу объекта с разным техническим состоянием проточной части, влияние ошибок измерения и функционирование объекта в широком диапазоне режимов и внешних условий. Для газоперекачивающего агрегата дополнительно учитывается состав перекачиваемого газа. Для получения требуемых параметров используется математическая модель рабочего процесса объекта второго уровня сложности. Наборы характеризуют работу исправных объектов и объектов, имеющих существенные неисправности каскадов компрессоров, турбин и камеры сгорания, а, в случае газоперекачивающего агрегата, и его нагнетателя. Рассмотрены два варианта формирования наборов: с использованием измеряемых параметров рабочего процесса; с использованием отклонений измеряемых параметров от их эталонных значений и параметров, используемых как режимные в математической модели рабочего процесса. Для второго варианта проведена проверка целесообразности включения режимных параметров в состав наборов. Показано, что, в ряде случаев, режимные параметры могут быть исключены из наборов данных