Содержание к диссертации
Введение
Глава 1. Анализ современного состояния проблемы бортового контроля измеряемых параметров авиационного двигателя 12
1.1 Анализ существующих бортовых алгоритмов контроля измеряемых параметров ГТД 12
1.2 Постановка задачи идентификации бортовой математической модели ГТД 19
1.3 Анализ существующих методов идентификации математической модели ГТД 24
1.4 Постановка задачи идентификации математической модели ГТД в нейросетевом базисе 42
1.5 Результаты и выводы по первой главе 47
Глава 2. Разработка системных моделей для решения задачи контроля параметров авиационного двигателя в условиях бортовой реализации 50
2.1 Применение технологий системного моделирования на этапе проектирования бортовой интеллектуальной системы контроля параметров авиационного двигателя 50
2.2 Применение технологий системного моделирования для процесса контроля измеряемых параметров авиационного ГТД 65
2.3 Результаты и выводы по второй главе 75
Глава 3. Реализация бортовых алгоритмов контроля измеряемых параметров ГТД на основе нейронных сетей и методики идентификации НС-моделей ГТД 76
3.1 Идентификация динамической многорсжимиой прямой нейросстсвой модели ГТД 76
3.2 Идентификация обратной динамической многорежимной нейросстсвой модели ГТД в условиях бортовой реализации 89
3.3 Применение автоассоциативных нейронных сетей для восстановления потерянной информации в условиях бортовой реализации 94
3.4 Алгоритмы блока контроля измеряемых параметров авиационного ГТД 101
3.5 Результаты и выводы по третьей главе 114
Глава 4. Программная реализация нейросетевой бортовой интеллектуальной системы контроля измеряемых параметров авиационного ГТД «Бортнейро» 116
4.1 Структура программного комплекса ГТД «Борт-Нсйро» 116
4.2 Методика работы с программным комплексом «БортПейро» 118
4.3 Модификация алгоритма обучения Лсвенбсрга-Марквардта для бортовой реализации 126
4.4 Адаптация пейросетевых моделей авиациоииосо ГТД в условиях эксплуатации 129
4.5 Результаты и выводы по четвертой главе 136
Заключении 140
Список используемых источников 141
Приложение А 152
Приложение Б 153
Приложение В 156
Приложение Г 15К
- Анализ существующих методов идентификации математической модели ГТД
- Применение технологий системного моделирования для процесса контроля измеряемых параметров авиационного ГТД
- Алгоритмы блока контроля измеряемых параметров авиационного ГТД
- Методика работы с программным комплексом «БортПейро»
Введение к работе
Актуальность работа
Развитие современной авиационной транспортной системы привело к повышению нагрузки на авиационный газотурбинный двигатель (ГТД) и на его основные узлы, что негативно сказалось на безопасности полетов В условиях повышенной нагрузки на узлы и агрегаты ГТД повышение безопасности его функционирования достигается на основе использования стратегии управления эксплуатацией по фактическому техническому состоянию Это предполагает использование наряду с классическими подходами и новых интеллектуальных методов, позволяющих эффективно и качественно осуществлять процесс контроля параметров авиационного двигателя, с учетом так называемых «не-факторов» неполноты измеряемой информации, шумов измерений, наличия конструктивной, параметрической и экспертной неопределенности при оценке параметров ГТД Основу управления эксплуатацией современного ГТД составляет подчинение целей функционирования его бортовых информационных технологий контроля и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями эксплуатации В настоящее время повышение эксплуатационной нагрузки на ГТД приводит к сокращению времени на его обслуживание, т е на контроль и диагностику технического состояния, что требует использования оперативных и эффективных методов контроля, базирующихся на комплексной автоматизации и интеллектуализации этих процессов Эффективность контроля состояния авиационного двигателя существенно зависит от вероятности правильного распознавания его технического состояния, которая непосредственно влияет на качество систем управления эксплуатацией ГТД, что в конечном итоге определяет экономичность и безопасность полетов
Создание информационных технологий контроля технического состояния ГТД является процессом, предполагающим определенную методологию использования априорной информации об объекте, измерительных и вычислительных средствах, образующих ресурсы информационных технологий контроля и разнообразные методы решения задач обработки, оценки измерительной информации и принятия решений для достижения целей контроля и управления ГТД Проблемам созданий информационных технологий контроля и управления эксплуатацией сложных технических объектов посвящены работы Л И Волкова, Г И Братухина, Е В Барзиловича, Ю М Гусева, Б Г Ильясова, В А Острейковского, В В Смирнова, Р М Юсупова, А 3 Асанова и др Проблемы контроля технического состояния ГТД исследуются в работах В Г Августиновича, В Т Дедеша, В И Васильева, В Н Ефанова, Ю С Кабальнова, В Г Крымского, Г Г Куликова и др Теоретические основы создания математических моделей ГТД
и его узлов рассматриваются в работах Г Н Добрянского, О С Гуревича, Р К Чуяна и др
Вместе с тем, несмотря на значительный объем исследований в данной области, информационные технологии контроля параметров ГТД не являются совершенными по ряду причин с одной стороны слабая информационная "увязка", отсутствие элементов "интеллектуальности", позволяющих быстро, качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД, с другой, нестационарность физических процессов в авиационном двигателе, сложность их математического описания, зависимость его технических характеристик от внешних условий работы, ограниченный состав измеряемых параметров, их технологический разброс и т д Указанные факторы приводят к необходимости автоматизации процессов принятия решений о техническом состоянии двигателя в условиях неопределенности
Основными направлениями, определяющими повышение эффективности бортовых информационных технологий контроля состояния ГТД, следует считать инхеллектуализалию процессов обработки информации с привлечением нейросетевых методов, которые способны обеспечить повышение качества бортовых алгоритмов контроля параметров ГТД при действии указанных выше неопределенных факторов Таким образом, создание бортовых информационных технологий контроля параметров ГТД включает в себя разработку метода, методики, алгоритмического и программного обеспечения, позволяющих повысить эффективность решения задач контроля и управления эксплуатацией ГТД
В связи с вышеизложенным, тема диссертационной работы, посвященная повышению эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей, является актуальной
Цель работы
Повышение эффективности бортовых алгоритмов контроля параметров ГТД на основе технологии нейронных сетей
Задачи исследования
Для достижения указанной цели в работе сформулированы и решены следующие задачи
-
Разработка комплекса системных моделей процесса контроля измеряемых параметров ГТД в бортовых условиях
-
Разработка методики идентификации НС-моделей ГТД
-
Разработка алгоритмов определения отказов измерительных каналов и восстановления значений параметров на основе НС-моделей ГТД
-
Модификация алгоритма обучения НС-моделей ГТД и алгоритма адаптации этих моделей, для контроля индивидуальных параметров авиационного двигателя
5 Разработка программного обеспечения, реализующего методику идентификации НС-моделей ГТД
Методы исследования
Поставленные в диссертационной работе задачи решались с использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, нейроинформатики, теории планирования эксперимента, имитационного моделирования, теории информационных систем и обработки данных, объектно-ориентированного программирования
Основные научные результаты, выносимые на защиту:
-
Системные модели процесса проектирования и функционирования БКИП ГТД
-
Методика идентификации бортовых НС-моделей ГТД
-
Алгоритмы определения отказов измерительных каналов и восстановления значений параметров
-
Модифицированный алгоритм обучения нейронных сетей Левенберга -Марквардта, требующий меньшего объема оперативной памяти и времени на его реализацию, а также алгоритм адаптации НС-моделей ГТД в бортовых условиях
-
Разработанное программное обеспечение, реализующее методику идентификации бортовых НС-моделей ГТД, а также исследовательский прототип бортовой интеллектуальной системы контроля параметров ГТД «Борт-Нейро»
Научная новизна результатов
1 На основании SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса контроля параметров ГТД, что позволило выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой нейросетевой системы контроля параметров
2. Разработана методика идентификации бортовых моделей ГТД, на основе нейросетевых технологий, позволяющая идентифицировать НС-модели ГТД в условиях неполноты измеренной информации
-
Разработаны алгоритмы определения отказов измерительных каналов на основе бортовых нейросетевых моделей ГТД, позволяющий эффективно и качественно осуществлять локализацию отказов, и восстановления значений параметров с отказавших измерительных каналов, позволяющий эффективно и качественно восстанавливать потерянную информацию
-
Алгоритмы обучения нейронных сетей Левенберга - Марквардта, на основе использования теории параллельных вычислений и линейной алгебры, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза и адаптации моделей ГТД, на основе технологии нейронных сетей, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД
5 Разработаны нейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля параметре ГТД, интегрированные в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро», применение которых позволяет повысить эффективность контроля параметров ГТД
Обоснованность и достоверность результатов
Обоснованность комплекса системных моделей процесса контроля параметров ГТД подтверждается корректностью формализации и обоснованностью требований к выбору соответствующих методов, алгоритмов и их реализации в рамках SADT - методологии и IDEF - технологий
Обоснованность и достоверность разработанных нейросетевьгх алгоритмов подтверждается результатами моделирования и решения практической задачи бортового контроля параметров ГТД, а также их использованием в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро» Достоверность основных результатов работы подтверждена решением широкого спектра практических задач и внедрением этих результатов в ФГУП УНПП «Молния»
Практическая значимость результатов
Практическая ценность результатов, полученных в диссертации, заключается в разработке
-
Комплекса системных моделей процесса контроля параметров ГТД, позволяющий выделить основной спектр функциональных задач и обоснованно сформировать требования к их реализации в составе бортовой нейросетевой системы контроля параметров
-
Методики идентификации бортовых моделей ГТД, на основе нейросетевьгх технологий, позволяющая идентифицировать НС-модели ГТД в условиях неполноты измеренной информации
-
Алгоритма определения отказов измерительных каналов на основе бортовых нейросетевьгх алгоритмов, позволяющий эффективно и качественно осуществлять локализацгао отказов, алгоритма восстановления значений параметров авиационного двигателя на основе адекватных НС-моделей, позволяющий эффективно и качественно восстанавливать потерянную информацию
-
Модифицированного алгоритма обучения нейронных сетей Левенберга -Марквардта, позволяющий увеличить скорость обучения на 24% и сократить объем ОЗУ в два раза, а также бортовой алгоритм адаптации НС-моделей ГТД, позволяющий осуществлять коррекцию НС-моделей ГТД с учетом индивидуальных характеристик конкретного ГТД
-
Нейросетевьгх модулей, зарегистрированных в РОСАПО, для решения задач контроля параметров ГТД, интегрированные в составе исследовательского прототипа бортовой нейросетевой системы контроля параметров «Борт-Нейро»,
применение которых позволяет повысить эффективность контроля параметров ГТД
Результаты работы в виде алгоритмов, методик и программного обеспечения внедрены я ФГУП УНПП «Молния» и в учебный процесс кафедры ВТ и ЗИ УГАТУ
Апробация работы
Основные научные и практические результаты диссертациошюй работы докладывались и обсуждались на следующих конференциях Всероссийская молодежная научно-техническая конференция «Интеллектуальные системы управления и обработки информации», Уфа, 2003, Вторая всероссийская научно-техническая конференция с международным участием «Мехатроника, Автоматизация, Управление», Уфа, 2005, Федеральная итоговая научно-техническая конференция творческой молодежи России, Москва, 2003, Студенческие научно-технические конференции, УГАТУ, Уфа, 2001-2007 г
Публикации
Основные положения и результаты исследований по теме диссертации опубликованы в 20 работах, включая 1 статью в рецензируемом журнале из списка ВАК РФ, 16 публикаций в центральных журналах, материалах Всероссийских и Международных конференций, 3 свидетельства о регистрации программного обеспечения в РосАПО
Структура и объем работы
Диссертационная работа состоит из списка сокращений, введения, четырех глав, заключения, приложений, библиографического списка и изложена на 161 страницах Библиографический список содержит 122 наименования
Анализ существующих методов идентификации математической модели ГТД
За последние годы в области теории идентификации было опубликовано много работ фундаментального и прикладного характера [2, 10-13, 15-17, 33, 34, 52, 55, 56, 58, 88, 98-102, 112, 116] не только в России, но и за рубежом [11-13, 15,55,65, 116]. В работах [2, 9-13, 15-17, 33, 34, 55, 56, 58, 88, 98-102, 112] исследованы методы идентификации различных систем (линейные, нелинейные, стационарные, нестационарные и квазистационарные, статические, динамические, стохастических и детерминированных).
В работе [10] подробно рассмотрено несколько методов идентификации математической модели авиационного ГТД: взаимно-корреляционный метод, метод стохастической аппроксимации, метод максимального правдоподобия, метод максимизации апостериорной вероятности, метод наименьших квадратов.
Каждый из перечисленных выше методов имеет свои характерные особенности, достоинства и недостатки. Так, взаимно-корреляционный метод требует присутствия в исследуемой системе вспомогательного случайного шума и заполнения информацией 2п значений для одной итерации, где п -порядок системы. В тоже время алгоритм не требует точной начальной оценки аппроксимирующей математической модели.
Метод стохастической аппроксимации прост и удобен в реализации, но для его использования необходимо информация об априорных знаниях дисперсий входных и выходных параметров. Кроме того, чтобы избежать смещения оценок коэффициентов математической модели, на каждом шаге итераций требуется (2п+1) измерений выходного сигнала.
Метод максимального правдоподобия - отличается наибольшей точностью (наименьшей погрешностью) среди рассмотренных методов. Однако к его недостаткам при реализации можно отнести необходимость задания первого приближения параметров модели, которые должны быть достаточно близкими к истинным значениям. Кроме того, все случайные функции должным быть гауссовыми.
Метод максимизации апостериорной вероятности. Этот метод идентификации обладает рядом недостатков, к которым можно отнести необходимость наличия гауссовых шумовых последовательностей с известными статистическими параметрами. Метод является весьма приближенным, и для повышения его эффективности на практике требуется учет членов ряда разложения функции второго порядка. Кроме этого, для реализации данного метода необходим большой объем вычислений.
Метод наименьших квадратов (МИК) - этот метод идентификации существенно отличается от приведенных выше методов. В данном методе не требуется знание вероятностных характеристик случайных величин, которыми являются помехи и погрешности. Алгоритм в этом смысле является крайним случаем по сравнению с байесовским (максимизации апостериорной вероятности), при котором необходимо иметь полное вероятностное описание случайных процессов. Алгоритм идентификации по методу максимального правдоподобия можно рассматривать как промежуточный, поскольку для его применения уже нет необходимости знать априорную плотность вероятности оцениваемых параметров. Алгоритм МНК позволяет найти оценку искомых параметров при меньшей априорной информации. В настоящее время этот метод идентификации наиболее часто используется в различных практических приложениях. Это связано с простотой его реализации и высокой точностью вычислительных операций.
Необходимо подобрать такой вектор параметров Cj=[fj,bj] размерности ((n+l)xl), удовлетворяющий минимуму критерия качества процесса Xj(tk) где q(tk) - матрица веса, связанная с вероятностными характеристиками случайных возмущений. Более подробно МНК рассмотрен в работах [52,53].
Алгоритм имеет ряд недостатков, среди которых: смещенность оценки, если среднее значение w(t) ненулевое, а также необходимость располагать полной информацией по x(t) и u(t) на всем интервале наблюдений. Однако наглядность и простота вычислений делают этот метод наиболее привлекательным. Сравнительные характеристики вышеперечисленных методов приведены в табл. 1.1. Таблица 1.1- Сравнение классических методов идентификации ММ ГТД
Анализ табл. 1.1, показывает преимущество МНК среди других классических методов идентификации ММ ГТД. Приведенные методы идентификации, за исключением метода наименьших квадратов, имеют один серьезный недостаток, ограничивающий их применение, - это возможность использования случайных функций типа белого шума.
Применение МНК для идентификации модели авиационного двигателя подробно изложено в работе [2]. Там же приведены и описаны алгоритмы идентификации различных типов конструктивных схем ГТД (ТРД, ТРДФ, ТРДДФ, ТРДД). Для решения задачи определения коэффициентов уравнения в предложенных алгоритмах используется метод наименьших квадратов. Приведенные в работе [2] блок схемы алгоритмов дают возможность проводить идентификацию математических моделей ГТД на базе экспериментальных данных по МНК.
Задача построения полинома по методу наименьших квадратов сводится к задаче определения коэффициентов с,. Для определения коэффициентов уравнения 1.9 дифференцируется в частных производных по dc,-, что приводит к получению системы линейных уравнений. Решение этой системы приводит к определению искомых коэффициентов С/.
Построение аппроксимирующих полиномов только по параметрам непосредственного воздействия на двигатель (G--,TII ,Рц ) является невозможным, так как не учитывается текущее состояние модели (двигателя) в результате чего теряются динамические характеристики модели. Поэтому необходимо наличие обратной связи с выхода математической модели на ее вход, для этого вводятся задержанные на 1 такт выходные параметры
В результате необходимо построить для каждого параметра (G,Tn ,Рц , П,П2,Т4,Р.4) аппроксимирующий полином от 6-ти других параметров так, для П необходимо построить аппроксимирующую функцию вида
Количество коэффициентов в полиномиальном уравнении зависит от выбранной степени. В табл. 1.2 приведена зависимость количества рассчитываемых коэффициентов от выбранной степени полинома.
В табл. 1.3 приведены аппроксимирующие полиномы, полученные в ходе экспериментального тестирования МНК. Для каждого параметра был построен полином, степень которого варьировалась от 1 до 8. В табл. 1.3. вынесены полиномы, показавшие наименьшую погрешность, процент используемых точек, для идентификации коэффициентов полиномов и характеристик полученных полиномов. Пример полинома 2-ой степени для температуры газа за турбиной высокого давления (Т4) приведен в приложении 1 (формула 1).
Принимая во внимание данные табл. 1.3 можно вычислить
В процессе измерений параметров ГТД актуальной является проблема точности оценивании параметра. В статистике эта проблема часто решается посредством увеличения количества замеров параметров и их последующего усреднения. Но этот способ является малоэффективным при решении задач в режиме реального времени. Поэтому математическая модель авиационного двигателя, представленная аппроксимирующим полиномом, должна быть робастна к шумам измерений.
В табл. 1.4 приведены результаты тестирования аппроксимирующего полинома в условиях аддитивной составляющей помехи (о=±1%, [М]=0) на интервале нормирования исходных данных.
Применение технологий системного моделирования для процесса контроля измеряемых параметров авиационного ГТД
БКИП авиационного двигателя является сложным объектом. С одной стороны БКИП является системой (наличие множества элементов и взаимосвязей между ними, а также общая системная функция), с другой стороны элементом - системы контроля, диагностики и управления ГТД. Поэтому особенно важно провести системный анализ БКИПа на уровне функциональной модели, для исключения противоречий в процессе работы БКИПа и повышения его эффективности.
ФМ электронного блока контроля измеряемых параметров авиационного двигателя приведена на рис.2.5 (иерархия первого уровня).
Для функциональной модели (рис. 2.5) управляющим входом (С1) является техническое задание (точность контроля, скорость контроля, допуска отклонений и т.д.). Входом ФМ (II) являются данные с датчиков, измеряющих параметры ГТД. Механизмами функциональной модели (Ml, М2, МЗ, М4) БКИПа ГТД являются: прямая НС-модель ГТД, обратная НС-модель ГТД, АНС и система принятия решения. Прямая НС-модель ГТД необходима для оценки состояния ГТД по предыдущему состоянию ГТД, управляющим уставкам ГТД и условиям окружающей среды (температура, давление). Обратная НС-модель ГТД необходима для оценки условий окружающей среды и управляющих уставок ГТД по текущему состоянию ГТД. АНС необходима для восстановления искаженного или потерянного измерения параметра. Система принятия решения необходима для определения отказа датчика по результатам работы трех нейронных сетей или по результатам работы допускового контроля. Выходами ФМ (01, 02) являются сигнал состояния датчиков и проверенные данные с датчиков.
На рис. 2.6 приведена ФМ иерархии второго уровня процесса контроля измеряемых параметров.
Функциональная модель (рис. 2.6) раскрывает структуру БКИПа и их функциональную нагруженность с большей детализацией.
Для процесса А1 «Допусковый контроль» входами являются измерения параметров авиационного ГТД регистрируемые датчиками. Для каждого /-го параметра ГТД поступает п измерений, где п глубина резервирования /-го датчика. Управляющим входом процесса А1 является требования, приводимые в техническом задании, к допускам варьирования измеряемых параметров и скорости их изменения. Механизмом процесса А1 является подсистема оценки допусков, которая встроена в систему принятия решений. Выходом данного процесса является сигнал обнаружения либо отсутствия отказов датчиков.
Процесс А2 «Оценка прямой НС-модели ГТД» необходим для оценки предполагаемого состояния ГТД. Входом для данного процесса являются измеренные данные с датчиков. Управляющим входом процесса А2 является сигнал о состоянии датчиков, выработанный в процессе А1 на базе критериев допускового контроля. Так, в случае наличия отказа датчика будет использовано предыдущее корректное измерения параметра, измеряемого отказавшим датчиком. Механизмом данного процесса является прямая НС-модель ГТД. Прямая НС-модель ГТД позволяет оценить текущее параметрическое состояние ГТД на базе состояния ГТД в предыдущий момент времени (предыдущее измерение), действующих в данный момент времени сигналов управления авиационным двигателем (расход топлива) и параметров окружающей среды (температура, давление). Выходом процесса А2 являются расчетные параметры состояния авиационного ГТД (температура газов за турбиной, давление газов за турбиной, частота вращения турбины компрессора высокого или низкого давления и т.д.).
Процесс A3 «Оценка обратной НС-модели ГТД» необходим для оценки предполагаемого состояния окружающей среды (температура, давление) и уставок управления (расход топлива). Управляющим входом процесса А2 является сигнал о состоянии датчиков, основанный на критериях допускового контроля. Так, в случае наличия отказа датчика будет использовано предыдущее корректное измерения параметра, измеряемого отказавшим датчиком. Механизмом данного процесса является обратная НС-модель ГТД. Обратная НС-модель ГТД позволяет оценить текущие параметры окружающей среды и уставок управления на базе состояния ГТД в данный момент времени и состоянию окружающей среды и уставок управления в предыдущий момент времени. Выходом процесса A3 являются расчетные параметры окружающей среды (температура, давление) и уставки управления (расход топлива).
Процесс А4 «Оценка автоассоциативной нейронной сетью» предназначен для восстановления искаженных или потерянных измерений параметров ГТД. Возможность применения такой сети для решения задачи восстановления потерянной информации указывалась в работах [19, 25, 28, 50, 70, 71, 78, 82, 85, 86, 95, 121-124]. Концепция восстановления потерянной информации основывается на аналитической зависимости между параметрами ГТД. Входом процесса А4 являются данные с датчиков. Управляющим входом процесса А2 является сигнал о состоянии датчиков, основанный на критериях допускового контроля. Так, в случае наличия отказа датчика, будет использовано предыдущее корректное значение параметра, измеряемого отказавшим датчиком. Механизмом данного процесса является АНС, которая в состоянии восстанавливать значения некорректных измерений и фильтровать шум [19,25]. Выходом данного процесса являются восстановленные значения измеряемых параметров.
Процесс А5 «Оценивание истинных значений параметров ГТД и принятие решения о состоянии датчиков» предназначен формирования вектора измеренных параметров для последующей передачи в БСКД и САУ ГТД, а также для формирования сигнала выхода из строя конкретного датчика. Входами данного процесса являются: данные измерений с датчиков, результат моделирования прямой НС-модели ГТД (параметры ГТД), результат моделирования обратной НС-модели ГТД (параметры окружающей среды), параметры, полученные на этапе применения автоассоциативной нейронной сети. Управляющими входами являются сигнал о состоянии датчиков, основанный на критериях допускового контроля и требования технического задания (точность, скорость и т.д.). Вначале производится построение вектора невязок между значениями одного и того же параметра, полученного разными способами (измерение, расчет НС-моделей, расчет АНС). Невязки используются для определения отказов информационно-измерительных каналов в алгоритмах контроля величины невязок и в соответствии с этим алгоритмом формируется вектор состояний измерительных каналов и вектор проверенных (восстановленных) значений параметров. В результате, выходом данного процесса являются проверенные данные с информационно-измерительных каналов и сигналы о состоянии данных каналов. Под проверенными данными понимаются такие данные, которые прошли проверку на предмет неточности и в случае отказа или сбоя информационно-измерительного канала были восстановлены.
На рис. 2.7 приведена ФМ блок оценки истинных значений ГТД и окружающей среды.
Для процесса А51 «Анализ значения параметров состояния ГТД» входными данными являются данные измерений с датчиков ГТД и расчетные значения этих параметров. В результате сравнения полученных данных с предыдущими значениями измерений и с расчетными значениями формируются сигналы состояния датчиков, которые в качестве «результатов сравнения» передаются в процесс А52. Процесс А52 проводит обработку результатов сравнения и в случае необходимости производит восстановление потерянной информации. В качестве выходов процесс А52 передает уточненные значения параметров ГТД. Процесс А53, аналогично процессу А51, получает на измеренные и расчетные параметры окружающей среды. Сравнивая измеренные значения с расчетными и предыдущими значениями, производится формирование результатов сравнения, на базе которых в процессе А54, в случае необходимости, осуществляется восстановление потерянной информации с датчиков и выдача уточненных значений измеренных параметров. В процессе А55 производится анализ результатов работы АНС. Результатом данного процесса является данные сравнения расчетных по АНС значений и измеренных значений параметров ГТД. Процесс А56, в случае необходимости, осуществляет корректировку значений измеренных параметров ГТД и выдачу их в следующий вычислительный блок (например, в систему диагностики или САУ), также производится формирование сигналов состояния датчиков ГТД.
Методология IDEF/1X является, прежде всего, формализованным языком для семантического (контекстного) моделирования данных, основанным на концепции «Сущность-связь». Это инструмент для анализа информационных структур систем различной природы. Информационное моделирование представляет, прежде всего, анализ логической структуры информации об объектах системы. Эта логическая структура является необходимым дополнением функциональной модели, детализируя объекты которыми манипулируют функции системы. Теоретической базой построения информационных моделей является теория баз данных «сущность-связь».
Алгоритмы блока контроля измеряемых параметров авиационного ГТД
Основная цель разрабатываемых в данном разделе бортовых алгоритмов, является эффективный контроль измеряемых параметров ГТД. При этом принимается следующее допущение, в каждый момент времени внезапно может отказать только один из датчиков (принцип ординарности случайных событий).
Контроль параметров ГТД и восстановление потерянной информации с отказавших информационных каналов предполагается осуществлять на основе четырех основных компонент, входящих в состав алгоритмического обеспечения БКИП. Первой компонентой является прямая нейросетевая модель авиационного двигателя, методика идентификации которой подробно рассмотрена в разделе 3.1. Второй компонентой является обратная нейросетевая модель ГТД, методика идентификации которой рассмотрена в разделе 3.2. Третьей компонентой является АНС, методика идентификации которой был подробно рассмотрен в разделе 3.3. Четвертой компонентой является блок алгоритма определения отказавших датчиков и восстановления потерянной информации, который принимает решение о неисправности датчика или информационного канала, основываясь на данных от первых трех компонент, и восстанавливает потерянную информацию.
Функциональная схема блока контроля параметров ГТД, приведенная на рис. 3.18, разрабатывалась с учетом результатов системного моделирования процесса контроля измеряемых параметров, полученных в разделе 2.2.
На рис. 3.18 показано, что блок алгоритма определения отказавших датчиков в качестве входных сигналов получает: измеренные с датчиков значения параметров авиационного ГТД, управляющих сигналов ГТД и параметров окружающей среды; расчетные значения параметров авиационного двигателя; расчетные значения управляющих сигналов авиационного ГТД и параметров окружающей среды; предыдущие корректные значения всех измеряемых параметров; значения измеряемых параметров, обработанные автоассоциативной нейронной сетью.
Таким образом, для каждого отдельного параметра существует 4 значения: значение с измерительного канала; расчетное значение; предыдущее корректное значение параметра; значение параметра, полученное на базе АНС. Анализируя различные значения измеряемого параметра авиационного двигателя и разницу между этими значениями (между измеренным значением параметра и рассчитанным значением того же параметра на базе НС-модели, между измеренным значением параметра и предыдущим корректным значением того же параметра и т.д.), становится возможным определить отказавший датчик в бортовых условиях.
В работе рассматриваются два типа отказов датчиков:
внезапный отказ (обрыв или падение амплитуды, рис. 3.19а), который так же по продолжительности может быть коротким (рис. 3.19а, в окрестности 500 измерения) и продолжительным (рис. 3.19а, на отрезке от 900 до 1900 измерений по времени);
постепенный отказ (постепенное изменение максимальной амплитуды, рис. 3.196).
Определение внезапно отказа в настоящее время проводится по методу допускового контроля, который может быть осуществлен сравнением измеренного значения с допустимым интервалом варьирования измеряемого параметра (допуск по амплитуде) или сравнением скорости изменения амплитуды параметра с допустимой скоростью изменения амплитуды параметра.
В случае обнаружения внезапного отказа датчика для оценки измеряемого параметра в настоящее время используется метод «буферной памяти». Этот метод использует последнее корректное значение параметра, сохраняемое в буфере. Пример реализации оценки истинного значения измеряемого параметра на основе метода «буферной памяти» (последнего корректного измерения) приведен на рис. 3.20.
В результате анализа зависимостей, приведенных на рис. 3.20, установлено, что метод оценки значения измеряемого параметра на основе «буферной памяти» решает задачу восстановления значения параметра ГТД с низкой точностью. Так, первым секундам после возникновения отказа датчика (рис. 3.20, 18-25 сек) соответствует погрешность не более 1% от интервала варьирования параметра, но при переходе авиационного ГТД на другой режим работы (рис. 3.20, после 25 сек.), погрешность оценки истинного значения измеряемого параметра увеличивается, достигнув величины 13% от интервала варьирования измеряемого параметра. В связи с этим необходим другой алгоритм оценки истинного значения параметра, реализуемый в бортовых условиях.
В процессе возникновения внезапного отказа измерительного канала предлагается вместо измеренного значения параметра использовать рассчитанное (по соответствующей НС-модели ГТД) значение параметра. При этом в качестве корректного значения измеряемого параметра в буферную память сохраняется его расчетное значение. В результате обнаружения внезапного отказа формируется сигнал отказа датчика, который передается в БСКД, где используется в дальнейшем для проведений контроля и диагностики технического состояния ГТД.
На рис. 3.21 приведен пример восстановления значения параметра частоты вращения ротора компрессора высокого давления ГТД на основе прямой НС-модели ГТД при возникновении отказа измерительного канала частоты вращения ротора компрессора высокого давления.
Методика работы с программным комплексом «БортПейро»
Этапы работы с программным комплексом «БортНейро» полностью соответствуют разработанной в третьей главе инженерной методике настройки бортовых алгоритмов контроля измеряемых параметров авиационного ГТД.
Для определения параметров АНС и последующего обучения используется «Мастер создания, обучения и тестирования автоассоциативных нейронных сетей» [68]. На рис. 4.2 приведена экранная форма ПО на этапе загрузки данных в программу.
На данном этапе работы ПО используются поля для указания имени файла источника данных, а также настроек его формата (текстовый или внутренний формат среды MATLAB). При активации кнопки «Загрузка» осуществляется считывание данных из файла источника и передача их в программное обеспечение, результат работы которого отображается в окне «Результат».
На втором шаге функционирования программного обеспечения необходима информация об используемых именах загруженных параметров. Этот этап является важным для облегчения визуального восприятия анализа данных параметров ГТД. По умолчанию все параметры именуются х\...хп, где п - это количество параметров. Экранная форма программы обучения АНС на втором этапе приведена на рис. 1 в приложении Б.
На третьем этапе проводится масштабирование данных и их статистическая обработка. Статистическая обработка загруженных данных кроме их комплексной оценки позволяет отбрасывать грубые промахи, которые содержатся в выборке во время измерения параметров. Экранная форма программы обучения АНС на третьем этапе приведена на рис. 4.3.
Блок элементов управления Data screening осуществляет отсев грубых ошибок измерений по правилу Зо. По умолчанию отбрасываются те значения которые не попали в интервал ±Зо, но передвигая бегунок «Confidence interval (signta)» пользователь может изменять размеры этого диапазона (увеличивать или уменьшать). Второй бегунок «Penalty value» фиксирует те параметры, которые одновременно попали за доверительный интервал и их анализ позволяет исключить данное измерение из обучающей выборки.
Нажатие на кнопку «Check points» инициирует запуск алгоритма отсева грубых ошибок, согласно настроенным параметрам, приведенным выше. Нажатие на кнопку «Reset» осуществляет сброс всех выполненных операций по отсеву грубых ошибок измерений параметров.
Блок элементов управления «Ranging» выполняет масштабирование параметров. Здесь из перечня измерений выбирают конкретный параметр, для которого можно вычислить: минимальное и максимальное значение, среднее математическое ожидание, дисперсию и среднее квадратичное отклонение. Также, для всех параметров в целом, доступны элементы настройки интервала масштабирования (выбор размера диапазона варьирования и ориентации диапазона масштабирования относительно 0).
Блок элементов управления Analysis предназначен для построения графиков, позволяющих анализировать взаимную корреляцию или распределение. Также в этом блоке осуществляется ковариационный анализ параметров, что особенно важно в процессе определения структурных параметров АНС. Пример проведения ковариационного анализа приведен на рис. 3.13.
Далее производится настройка архитектуры НС и выбор количества нейронов в скрытых слоях АНС (размеров каждого слоя), с тем, чтобы выбрать оптимальную структуру АНС. На рис. 4.4. приведены элементы управления, настраивающие параметры входного и выходного слоев нейронной сети, а также осуществляющие настройки по выбору количества скрытых слоев нейронной сети. Архитектура АНС подразумевает наличие 3-х скрытых слоев. При этом, «горловой» (второй скрытый слой) и выходной слои имеют линейную функцию активации (рис 3.3а). В качестве функции активации нейронов первого и третьего скрытых слоев применяются сигмоидные функции (рис 3.36).
Среди элементов настройки АНС, осуществляющих управление ею, находятся те, которые управляют каждым ее скрытым слоем. Из альтернативного списка скрытых слоев выбирается тот, для которого в дальнейшем производится настройка. При этом могут настраиваться следующие параметры: размер слоя; функция активации нейронов; минимальный, максимальный размер слоя и шаг варьирования в случае оценки количества нейронов данного слоя. Если шаг варьирования нейронов в слое установить равным нулю, то в качестве размера данного скрытого слоя будет выбрано максимальное значение.
Экранная форма программы обучения нейронных сетей на этапе выбора алгоритмов обучения НС и собственно обучения НС приведена в приложении Б, рис. 2. Элементы управления «Методов обучения», «Настраиваемый метод» и «Методов обучения» позволяет осуществлять настройку методов обучения НС. При помощи альтернативы «Настраиваемый метод» выбирается один из текущих методов обучения, настройки которого появляются в блоке элементов управления альтернативы «Метод обучения». Там же производится выбор алгоритма обучения и количества его эпох.
Процесс обучения АНС реализуется выбором в поле ввода альтернативы «Цель обучения». Альтернатива «Добавить 0,5 и 1 %% шум» позволяет добавлять в обучающую выборку белый шум с варьированием его значений в диапазоне от 0,5 до 1% от интервала распределения параметров. Выбор альтернативы «Полный перебор» - позволяет реализовать алгоритм перебора нейронных сетей. Перебор осуществляется на основании настроек, произведенных на предыдущем этапе программного обеспечения. Альтернатива «Crossvalidation» позволяет разбивать данные для обучения АНС на собственно обучающую и тестовую выборки. В окне значения параметра «Crossvalidation» массовая доля данных, на которых обучается АНС (0 - 0% , 1 - 100%). Процесс обучения осуществляется нажатием на кнопку «Обучить».
На последнем шаге ПО обучения АНС указывается ошибка обучения каждой АНС. Для более полного исследования качества работы конкретной АНС в программе предусмотрено более детальное ее исследование, которое подразумевает тестирование последней на возможность восстановления информации. Экранная форма ПО обучения АНС на последнем этапе приведена на рис. 4.5.
Для тщательного тестирования работы АНС в программном обеспечении учитывается возможность для каждого входа отдельно исследовать белый шум с его индивидуальными параметрами. Настройка каждого входа АНС осуществляется на основе альтернативы «Тестируемый параметр».
Альтернатива «Обрыв» имитирует полное отсутствие сигнала с датчика. Альтернатива «Plot graphic for selected parameter» позволяет вывести графики тестирования выбранного параметра. Альтернатива «Plot graphic for all parameters» выводит графики с учетом всех параметров (на выходе АНС). Активация кнопки «Проверить» инициирует процесс тестирования АНС, в результате на экран дисплея выводятся характеристики тестируемой АНС (величина входной и выходной ошибки, графики). Если решение найдено, то оно сохраняется в виде отдельного файла результатов работы программы, в противном случае можно вернуться на предыдущие этапы работы программы и произвести дообучение АНС, либо изменить параметры структуры АНС и провести ее обучение.
Для решения задачи идентификации НС-моделей ГТД (прямой и обратной) разработано программное обеспечение, которое реализует методику идентификации параметров НС-моделей ГТД, предложенную в разделе 2.1.
Методика работы с разработанным ПО для идентификации НС-моделей ГТД, основывается на системных моделях процесса проектирования БКИП ГТД и включает в себя следующие этапы:
1. Загрузка данных.
2. Предварительная обработка данных. На данном этапе производится отсев грубых ошибок измерений, масштабирование, формирование обучающих выборок по одному из методов прореживания данных (прореживание по времени или по амплитуде).
3. Настройка параметров и обучение НС-моделей ГТД.
4. Тестирование качества НС-моделей ГТД и сохранение результатов.
5. Оценка эффективности работы НС-моделей.
Экранная форма соответствующего ПО идентификации НС-моделей ГТД на этапе загрузки данных приведена в приложении Б на рис.3. На этом этапе задается имя проекта в поле «Project Name», и определяется файл с данными. Загрузка этих данных осуществляется нажатием на кнопку «Load Data». Результат загрузки данных отображается в фрейме «Status». После завершения этапа загрузки данных появляется возможность перехода на следующий этап ПО.
На втором этапе ПО для идентификации НС-моделей осуществляется предварительная обработка загруженных данных: «отсев» грубых ошибок измерений, масштабирование и формирование обучающей выборки. Экранные формы данного этапа работы ПО приведены в приложении Б на рис. 4-5. Выбор метода формирования обучающей выборки производится в фрейме «Filter setup» активацией альтернативьі«Тіте» и установки значения «Time size», в случае прореживания по времени или выбором «Amplitude» и установкой значения «Amplitude size», в случае прореживания по амплитуде. Процесс формирования инициируется нажатием на кнопку «GO», расположенную в фрейме «Filter setup». По окончании процесса формирования обучающей выборки, появляется возможность перехода на следующий этап ПО.
На третьем этапе ПО (в приложение Б на рис. 6), осуществляющем идентификацию НС-моделей ГТД, производится настройка параметров НС-моделей, выбор процедуры обучения и обучение НС. Настройка входов и выходов НС-моделей производится выбором параметров из списков «NETINPUT (no delay)» - входные параметры НС-модели ГТД (без задержки,) «NETINPUT (delay Z-1)» - входные параметры НС-модели ГТД (задержанные на один цикл) и «ЫЕТОЦТРиТ»-.выходные параметры НС-модели. В поле «Network Configuration» отображается архитектура НС-модели. В поле «Networks s Layers Quantity» - задается количество слоев НС-модели ГТД. Для каждого скрытого слоя НС-модели ГТД возможна индивидуальная настройка интервала варьирования размеров слоя(«Ьауег Size - Min» - минимальное количество нейронов, «Layer Size - Max» - максимальное количество нейронов) и выбор функции активации нейронов (выпадающий список «Layer Transfer Function»). Выбор скрытого слоя производится через альтернативу «Selected Layer».
Процесс обучения НС-моделей ГТД осуществляется в блоке «Training Goal», где задаются параметры обучения (СКО или погрешность в %), а также количество эпох обучения одной НС-модели ГТД и количество попыток обучения одной конфигурации НС-модели. В процессе многовариантного обучения НС создается адекватное количество НС-моделей одной и той же структуры, из которых выбирается наилучшая НС-модель на основе критерия точности. Процесс обучения НС инициируется нажатием на кнопку «Start Learing». Экранная форма процесса обучения НС-моделей приведена на рис. 4.6.
