Содержание к диссертации
Введение
Глава 1. Особенности и проблемы методов диагностики авиационных ГТД 6
Выводы по главе 27
Глава 2. ИНС в задачах аппроксимации и прогнозирования значений параметров ГТД, регистрируемых в ЭАП 28
2.1. Классификация ИНС по видам и типам 28
2.2. Параметры и особенности функционирования НС 42
Выводы по главе 60
Глава 3. Установление критериев оценки ТС ГТД с использованием диагностических нейромоделей 62
3.1. ГТД с исправным состоянием 62
3.2. ГТД с неисправностью компрессора 66
3.3. ГТД с неисправностью камеры сгорания 74
3.4. ГТД с неисправностью турбины 77
Выводы по главе 82
Глава 4. Разработка алгоритмов программ распознавания и прогнозирования ТС ГТД в условиях ЭАП 83
Выводы по главе 91
Заключение 92
Выводы по работе 92
Список литературы 100
- Классификация ИНС по видам и типам
- Параметры и особенности функционирования НС
- ГТД с неисправностью компрессора
- ГТД с неисправностью турбины
Введение к работе
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:
Анализ существующих методов диагностики авиационных ГТД и выработка направления их дальнейшего совершенствования;
Анализ влияния параметров нейронных сетей на возможности выполнения аппроксимации и прогнозирования зависимостей газодинамических параметров авиационных ГТД от наработки ? и разработка рекомендаций по настройке параметров нейронных сетей;
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;
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;
Разработка алгоритмов практического применения диагностических моделей, базирующихся на нейронных сетях, для распознавания и прогнозирования технического состояния ГТД;
Верификация полученных результатов (практическое применение) на примерах ГТД с заранее известными неисправностями проточной части.
Научная новизна работы состоит в том, что в ней:
Доказана обоснованность применения нейронных сетей в диагностике узлов проточной части авиационных ГТД.
Доказана обоснованность использования динамического подбора значений параметров нейронных сетей при построении применимых в ЭАП диагностических моделей ГТД.
Установлено, что диагностические модели, построенные с применением нейронных сетей, учитывают техническое состояние узлов проточной части авиационных ГТД.
Автор защищает:
Возможность применения нейро-сетевых методов для диагностики узлов проточной части авиационных ГТД в'ЭАП;
Рекомендации по построению и настройке нейронных сетей для выполнения аппроксимации и/или прогнозирования зависимостей газодинамических параметров ГТД от наработки;
Установленные зависимости между техническим состоянием ГТД и поведением диагностических моделей, основанных на нейронных сетях;
Возможность применения в ЭАП разработанных алгоритмов распознавания и/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:
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;
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.
Классификация ИНС по видам и типам
Искусственная нейронная сеть (далее нейронная сеть) - это совокупность вычислительных элементов, соединенных между собой определенным образом для обеспечения взаимодействия. Базовым вычислительным элементом нейронной сети (нейросети, НС) является искусственный нейрон (далее нейрон), схема и связи которого представлены на рис. 2.1. Ь Блок суммиро- Блок нелиней- вания ного преобразования У Входные Синапсы сигналы V. У Дендриты У ОД У у ) к_ -у V Аксон Выходной сигнал Искусственный нейрон преобразования; У-значение выходного вектора.
В более широком смысле, под значением X следует понимать как значение вектора входа в нейросеть (для нейрона входного слоя), так и значение, представляющее собой выходной сигнал нейрона предыдущего слоя (для нейрона всех остальных видов слоев, о которых будет сказано ниже). Сдвиг или смещение Ъ [11] представляет собой пороговое значение, вычитаемое из значения текущего состояния нейрона для удобства расчета и представления функции активации. Сдвиг может принимать как положительное, так и отрицательное значения. По- ложительное значение веса синаптической связи Ж соответствует возбуждающему синапсу, отрицательное значение Ж - тормозящему синапсу, а нулевое значение свидетельствует об отсутствии связи.
Текущее состояние нейрона или выходной сигнал сумматора определяется из следующего равенства: 1=1 где Х1 - значение входного вектора (входной сигнал); IV,- - значение веса синаптической связи. Значение выходного вектора определяется из уравнения: У = Р@), (2.2) где У- значение выхода нейросети; - функция активации (нелинейное преобразование). В общем случае принцип работы нейрона состоит в том, что с учетом текущего состояния нейрон вырабатывает (или не вырабатывает) выходное значение У, которое определяется с учетом функции активации. Нейроны можно разделить на три типа (см. рис. 2.2), в соответствие с функциями, выполняемыми ими в нейросети. Входные нейроны (нейроны входного слоя) принимают данные из внешней среды и определенным образом распределяют их далее по НС (на нейроны скрытого слоя). На промежуточные нейроны (нейроны скрытого слоя) возлагается роль основных участников процесса вычисления. Выходные нейроны (нейроны выходного слоя) передают результаты работы нейросети во внешнюю среду (потребителю).
В зависимости от механизма обработки получаемых данных можно выделить целый ряд математических моделей нейронов (см. рис. 2.3-5) и функций их активации (см. рис. 2.6). В настоящее время существует две группы моделей нейронов, которые принадлежат, соответственно, двум типам НС: классическим и нечетким. Каждая из моделей нейронов обладает рядом присущих ей свойств, однако, имеются и общие черты, к которым можно отнести наличие входного и выходного сигналов, а также блока их обработки.
Персептрон, сигмоидальный нейрон и нейрон типа «адалайн» имеют схожие структуры и отличаются лишь видами функций активации (реакцией нейрона на входной сигнал). Эти модели нейронов могут обучаться только с учителем, то есть требуют наличия входного и соответствующего ему выходного векторов (значений). Персептрон — это модель МакКаллока-Питса с соответствующей стратегией обучения [29]. Нелинейная функция активации персеп- трона - дискретная функция ступенчатого типа (пороговая функция), вследствие чего выходной сигнал нейрона может принимать только два значения 0 или 1 в соответствии с правилом (см. рис. 2.7):
Особенностью правила персептрона является применение для обучения информации только о текущем и ожидаемом значениях выходного сигнала. По причине разрывности нелинейной функции активации персептрона невозможно учитывать информацию об изменении значения Р(8). Эта особенность может привести к тому, что эффективность применения пороговой функции активации окажется достаточно низкой. Устранение данного недостатка возможно только в случае применения непрерывной функции активации. + е где - функция активации (нелинейное преобразование); - результат суммирования; а - параметр, влияющий на форму функции активации (выбирается разработчиком НС).
Для сигмоидальной униполярной функции при уменьшении значения параметра а сигмоид становится более пологим, в пределе при а=0 вырождаясь в горизонтальную линию на уровне Е(8)=0,5, при увеличении а сигмоид приближается к виду функции единичного скачка. Сигмоидальная биполярная функция определяется из выражения: О апКахЯ), (2.5) где а - параметр, влияющий на форму функции активации (выбирается разработчиком НС); - результат суммирования.
Применение непрерывной функции активации нейрона позволяет использовать при обучении градиентные методы. Нейрон данного типа лишен недостатка персептрона, связанного с особенностью функции активации. На практике логистическая функция (функция Б-образного вида) имеет наибольшее распространение [20].
Модель нейрона типа «адалайн» (адаптивный линейный нейрон) имеет знаковую (сигнатурную) функцию активации (см. рис. 2.9), определяемую из условия:
Эта модель нейрона имеет относительно простую практическую реализацию. На практике нейроны данного типа всегда используются группами, образуя слои, называемые «мадалайн» (много «адалайн») [29]. Этой модели нейрона свойственны те же недостатки, связанные с особенностью функции активации, что и персептрону.
Модель нейрона Хебба схожа с моделью нейрона обычной формы (вход - блок обработки - выход). Данный нейрон может обучаться как с учителем, так и без него (т.е. могут иметь только значения входного или выходного векторов). Вес связи нейрона данной модели изменяется пропорционально произведению его входного и выходного сигналов. Применение модели нейрона Хебба может привести к тому, что веса синаптических связей могут принимать произвольно большие значения, т.к. в каждом цикле обучения осуществляется суммирование текущего значения веса и его приращения. Одним из способов стабилизации процесса обучения является учет последнего значения веса, уменьшенного на коэффициент забывания г. Применение больших значений коэффициента забывания г приводит к тому, что нейрон забывает значительную часть того, чему он обучился в прошлом.
Параметры и особенности функционирования НС
Влияние функции активации нейронов на величину ошибки обучения НС и качество аппроксимации ФЗ оценивалось с применением следующих НС:
Здесь фигурные скобки указывают на применение нейронов с гиперболической тангенциальной функцией активации. Остальные параметры НС идентичны. На основании данных графика (см. рис. 2.27) был сделан вывод, что значения ошибок обучения для НС-1, -2 и 3 достаточно близки. Как следует из графика, обучение НС-1 окончилось после 12 циклов в связи с достижением максимального значения параметра, свидетельствующего о точной сходимости алгоритма обучения. Данные рис. 2.28 свидетельствуют о том, что НС-1 (на всем интервале) и НС-3 (до значений 1500 часов) продемонстрировали крайне низкую точность отслеживания параметра. Этого нельзя сказать о НС-2, показавшей способность выполнять аппроксимацию ФЗ с удовлетворительным качеством на всем интервале наработки. В связи с этим был сделан вывод, что применение сигмои- дальной функции активации нейронов позволит выполнять аппроксимацию ФЗ с удовлетворительным качеством на всем интервале наработки. Рассмотренный пример позволяет сделать еще один вывод: оценивать качество аппроксимации ФЗ по одной лишь величине ошибки обучения крайне затруднительно. Сравнение величин ошибок обучения может дать представление о том, насколько отдельные выходные значения приблизились к значениям целей.
Наличие графического представления разницы между значениями статистических данных и выходными значениями НС более информативно с точки зрения сравнения результатов обучения. Таким образом, для анализа возможностей НС по выполнению аппроксимации (прогнозирования) ФЗ необходимо построение аппроксимирующих (прогнозирующих) кривых.
При создании и настройке НС одним из ответственных этапов является выбор алгоритма обучения. Для наглядности результатов, полученных при использовании различных алгоритмов обучения, было бы уместно принять все остальные параметры НС за постоянные. Однако применение для одной и той же НС различных алгоритмов обучения не позволяет в полной мере судить о том, как тот или иной алгоритм влияет на качество аппроксимации или прогнозирования ФЗ. Дело заключается в том, что некоторые параметры НС очень тесно связаны между собой. Примером такой взаимосвязи может служить тот факт, что ряд НС, обученных по некоторым алгоритмам, показывает неудовлетворительные результаты аппроксимации ФЗ при недостаточном количестве нейронов и слоев в НС. Определение необходимого (для удовлетворительного решения задачи) количества нейронов и слоев в НС, использующей определенный алгоритм обучения, является задачей, в некоторой степени, эмпирической. Априорное увеличение числа нейронов в НС позволит в большинстве случаев избежать вышеописанной ситуации. Однако такое увеличение может привести к резкому росту (в 2 и более раз) времени обучения НС по другим алгоритмам, или может привести к тому, что возможностей электронно-вычислительной машины (ЭВМ) окажется недостаточно. Для оценки влияния алгоритмов обучения на качество выполнения аппроксимации ФЗ были рассмотрены несколько типов статических НС, которые отличаются друг от друга топологией и количеством циклов обучения. Это позволит более точно оценить совместное влияние параметров НС и алгоритма обучения на качество решения задачи. Основные характеристики рассматриваемых НС подбирались так, чтобы уровень результатов выполнения задачи был примерно равным.
Качество выполненного обучения в некоторой степени можно оценить по абсолютным величинам ошибок обучения (см. рис. 2.29). В результате применения рассмотренных нейросетей (за исключением НС-2-5) были получены схожие величины ошибок обучения. Наименьшей величины ошибки обучения удалось достичь, применяя алгоритм А-11 (см. табл. 2.1). Однако даже при снижении величины ошибки не исключена вероятность возникновения эффекта переобучения НС [25]. Это может негативно отразиться на качестве аппроксимации и прогнозирования ФЗ. Эффект переобучения может иметь следующие последствия: — возрастание величины ошибки обучения, т.е. увеличение разницы между значениями целей и выходными значениями нейросети; — так называемое «заучивание» нейросетью обучающей выборки, что в дальнейшем делает НС не пригодной для применения на другой группе статистических данных.
По результатам обучения были построены графики, приведенные на рис.2.30-35. Из данных, приведенных на графиках (см. рис. 2.30-34) следует: — ряд значений выходов НС лежит за границами максимальных/минимальных значений статистических данных (НС-1, -6-10); — кривые, построенные с применением НС-1, -6-10 (см. рис. 2.30, 2.32-34) имеют достаточно высокий уровень точности отслеживания параметра; — кривые, построенные с применением НС-2 -5 (см. рис. 2.30-32) имеют достаточно низкий уровень точности отслеживания параметра;
Это свидетельствует об отсутствии оптимального соотношения между выбранным алгоритмом обучения, топологией НС и количеством циклов обучения. Следствием такого рода неоптимальности параметров НС является неудовле творительное качество аппроксимации (и как следствие - прогнозирования) ФЗ. Работу НС-11 (см. рис. 2.35) следует считать удовлетворительной, т.к. вышеуказанные недостатки здесь отсутствуют.
По результатам анализа работы нейросетей были сделаны следующие выводы: - применение алгоритмов А-2-5 (см. табл. 2.1) потребовало увеличения числа нейронов и слоев в НС. Также потребовалось в 15 раз увеличить количество циклов обучения НС; - несмотря на значительно меньшее количество нейронов, нейросети НС- 11 потребовалось столько же времени на обучение, сколько и остальным НС. Это свидетельствует о ресурсоемкости алгоритма А-11.
Таким образом, применение алгоритма А-11 (см. табл. 2.1) в сочетании с рассмотренной топологией НС и количеством циклов обучения позволяет выполнять аппроксимацию ФЗ с удовлетворительным качеством.
ГТД с неисправностью компрессора
Диагностические НМ ГТД-148, -161, -230, -251, -332 и -356 (см. рис. 3.6,7) представлены графиком-схемой С-4 (см. рис. 3.9а). По данным графика имеем следующую последовательность изменения параметра Рт/Рвх (далее просто параметра):
1. На участке 1-2 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд. Участок 1-2 может отсутствовать;
2. На участке 2-3 наблюдается резкое падение параметра до уровня минимального значения за весь период наблюдения. Угол наклона участка к оси абсцисс может несколько отличаться от изображенного на схеме;
3. Участок 3-4 характеризуется резким повышением параметра до уровня точки 2. Угол наклона участка к оси абсцисс может несколько отличаться от изображенного на схеме. Положение точки 4 в проекции на ось ординат может отличаться от положения точки 2;
4. На участке 4-5 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд. Диагностические НМ ГТД-147, -236 и -352 (см. рис. 3.8) представлены графиком-схемой С-5 (см. рис. 3.96). По данным графика имеем следующую последовательность изменения параметра Рт/Рвх (далее просто параметра):
1. На участке 1-2 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд. Участок 1-2 может отсутствовать;
2. Изменение параметра на участке 2-3-4-5 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Точка 2 в проекции на ось ординат находится выше точки 5;
3. На участке 5-6 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд;
4. Изменение параметра на участке 6-7-8-9 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Взаимное расположение точек 6 и 9 в проекции на ось ординат может отличаться от изображенного на схеме;
Графики-схемы состояния ГТД с неисправностью компрессора: а) график-схема состояния С-6; б) график-схема состояния С- Диагностические НМ ГТД-236 и -352 (см. рис. 3.10) представлены графиком-схемой С-6 (см. рис. 3.12а). По данным графика имеем следующую последовательность изменения значений параметра Рквд (далее просто параметра):
1. На участке 1-2 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд;
2. Изменение параметра на участке 2-3-4 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Точка 2 в проекции на ось ординат находится выше точки 4;
3. На участке 4-5 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд;
4. Изменение параметра на участке 5-6-7 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме;
5. На участке 7-8 параметр практически не изменяется, либо может иметь положительный или отрицательный тренд.
Диагностические НМ ГТД-271, -276, -344 и -356 (см. рис. 3.11) представлены графиком-схемой С-7 (см. рис. 3.126). По данным графика имеем следующую последовательность изменения значений параметра Тквд (далее просто параметра):
1. На участке 1-2 параметр практически не изменяется, либо может иметь небольшой положительный или отрицательный тренд. Участок 1-2 может отсутствовать;
2. Изменение параметра на участке 2-3-4-5 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Точка 2 в проекции на ось ординат находится выше точки 5;
3. Изменение параметра на участке 5-6-7 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме;
4. На участке 7-8 параметр практически не изменяется, либо может иметь положительный или отрицательный тренд. Участок 7-8 может отсутствовать.
Диагностические НМ ГТД-134, -271, -276, -281, -309, -340, -344 и -356 (см. рис. 3.13,14) представлены графиком-схемой С-8 (см. рис. 3.15). По данным графика имеем следующую последовательность изменения значений параметра Ттнд (далее просто параметра):
1. Изменение параметра на участке 1-2-3-4 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Точка 4 в проекции на ось ординат находится выше точки 1;
2. Изменение параметра на участке 4-5-6 имеет форму «уступа». Степень крутизны участка 5-6 может несколько отличаться от изображенной на схеме. Положение точки 6 относительно точки 1 в проекции на ось ординат может отличаться от изображенного на схеме;
3. Изменение параметра на участке 6-7-8 имеет вид «горки», степень крутизны которой может несколько отличаться от изображенной на схеме. Положение точки 8 относительно точки 6 в проекции на ось ординат может отличаться от изображенного на схеме;
4. На участке 8-9 параметр практически не изменяется, либо может иметь положительный или отрицательный тренд.
Нейромодели ГТД-236 и -352 имеют особенность, связанную с тем, что для параметров Рт/Рвх и Рквд кривые состояния имеют высокую степень сходства (см. рис. 3.8,10). Аналогичную особенность, но для параметров Тквд (см. рис. 3.11) и Ттнд (см. рис. 3.13) имеет нейромодель ГТД-356. Эти особенности является положительными, т.к. сходство в поведениях моделей для разных параметров одного состояния ГТД упрощает процесс анализа и способствует снижению вероятности принятия ошибочного решения. Рассмотренные примеры свидетельствуют о наличии связи между ТС ГТД с неисправностями компрессора и поведением диагностических НМ. Это утверждение справедливо, по крайней мере, для моделей ГТД, построенных с применением следующих зависимостей: — Рт/Рвх=№)\ — Рквд М; — Тквд=Ш — Ттнд=/(
ГТД с неисправностью турбины
Оценка адекватности критериев нейро-сетевых методов выполнялась с применением разработанных для ЭАП алгоритмов практического применения. Такой подход позволяет: - выполнить проверку обоснованности утверждений, приведенных в предыдущих главах; - выполнить оценку применимости нейро-сетевых методов в условиях эксплуатации авиационных ГТД.
Алгоритм распознавания ТС ГТД (см. рис. 4.1,2) включает следующие основные этапы: 1. Получение данных с бортовых накопителей и приведение к стандартным атмосферным условиям (САУ) и режиму работы ГТД (блоки №2,3); 2. Подготовка статистических данных для формирования верифицированной выборки (блоки №4,5). Массив данных входа обучающей выборки имеет вид матрицы-строки, где каждый элемент — это значение наработки ГТД. Массив данных целей имеет те же характеристики, но каждый элемент — это значение параметра ГТД; 3. Построение нейросети. Здесь предварительно назначается параметр Р и выполняется построение радиально-базисной нейросети (блоки №6,7); 4. Выбор оптимальных значений параметров НС. На этом этапе выполняется настройка значения параметра Р для обеспечения удовлетворительного качества выполнения задачи аппроксимации ФЗ (блоки №7-12); 5. Построение диагностической модели исследуемого ГТД (блок №13). Здесь выполняется построение по полученным на выходе из РБНС данным кривой состояния (та же ФЗ); 6. Анализ ТС ГТД по диагностической модели. Этап включает выявление на модели ГТД характерных признаков и последующий анализ модели с применением разработанных графиков-схем состояний ГТД (блоки №14,15). По результатам анализа может быть сделан вывод об установлении ТС ГТД. В этом случае выдается заключения о техническом состоянии, на основании которого ГТД либо допускается к дальнейшей эксплуатации, либо может быть назначен осмотр (например, оптико- визуальный) неисправного узла проточной части ГТД на предмет соответствия требованиям Руководства по технической эксплуатации (РТЭ). По результатам выполненного осмотра, ГТД либо допускается, либо снимается с дальнейшей эксплуатации (блоки №16-24).
Алгоритм прогнозирования ТС ГТД (см. рис. 4.3-6) включает следующие основные этапы:
1. Подготовка статистических данных для формирования обучающей верифицированной выборки (блоки №2-5). Массив данных входа обучающей выборки имеет вид матрицы-строки и составляет часть от всего временного ряда, где каждый элемент — это значение наработки ГТД. Массив данных целей имеет те же характеристики, но каждый элемент — это значение параметра ГТД;
2. Создание нейросети. Здесь назначаются предварительные параметры и выполняется построение НС с 8-функцией (блоки №6-13);
3. Обучение НС. На этом этапе выполняется настройка значений параметров НС для обеспечения удовлетворительного качества выполнения задачи аппроксимации и/или прогнозирования ФЗ с учетом особенностей, указанных в примечаниях №1-4. Здесь следует помнить о наличии противоречий в требованиях к построению оптимальной НС для решения задач аппроксимации и прогнозирования ФЗ с применением НС с Э-функцией (блоки №14-41).
Массив данных входа контрольной выборки имеет вид матрицы-строки и составляет часть временного ряда, не вошедшую в обучающую выборку. Примечание №1: — блок № 19 выполняется в том случае, если выполнение блока № 18 не приводит к снижению точности аппроксимации ФЗ; — блок № 20 выполняется в том случае, если выполнение блоков № 18,19 не приводит к снижению точности аппроксимации ФЗ. Примечание №2: — блок № 23 выполняется в том случае, если выполнение блока № 22 не приводит к повышению точности аппроксимации ФЗ; — блок № 24 выполняется в том случае, если выполнение блоков № 22,23 не приводит к повышению точности аппроксимации ФЗ.
Примечание №3: — блок № 32 выполняется в том случае, если выполнение блоков № 29 и 30 не приводит к снижению точности прогнозирования ФЗ; — блок № 33 выполняется в том случае, если выполнение блоков № 29, 30 и 32 не приводит к снижению точности прогнозирования ФЗ.
Примечание №4: — блок № 39 выполняется в том случае, если выполнение блоков № 36 и 37 не приводит к повышению точности прогнозирования ФЗ; — блок № 40 выполняется в том случае, если выполнение блоков № 36, 37 и 39 не приводит к повышению точности прогнозирования ФЗ; — подготовка данных (в том числе и прогнозных) для применения в алгоритме распознавания ТС ГТД (блоки №42,43); — выполнение распознавания ТС ГТД с учетом особенностей, указанных в примечании №5.Примечание №5: алгоритм, начиная с блока № 6, полностью совпадают с этапами алгоритма распознавания ТС ГТД (см. рис. 4.1,2). Данными блока № 4 являются значения объединенного массива входов обучающей и контрольной выборок. А данными блока № 5 являются значения объединенного массива выходов нейросети при использовании обучающей и контрольной выборок.
Полученные в работе результаты нашли практическое применение в качестве дополнительного метода контроля ТС узлов проточной части ГТД в лаборатории диагностики АТЦ ОАО «Аэрофлот».
ВЫВОДЫ ПО ГЛАВЕ
1. Доказана применимость диагностических алгоритмов, использующих разработанные графики-схемы состояний ГТД, для распознавания и прогнозирования технического состояния узлов проточной части ГТД.
2. Реализация высокой степени унификации разработанных алгоритмов (алгоритм распознавания является составной частью алгоритма прогнозирования) позволяет применять их в условиях ЭАП.
