Жернаков Сергей Владимирович. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных

brief description

Жернаков Сергей Владимирович. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных : Дис. ... д-ра техн. наук : 05.13.01 Уфа, 2005 364 с. РГБ ОД, 71:06-5/47

ИЗ ФОНДОВ РОССИЙСКОЙ ГОСУДАРСТВЕННОЙ БИБЛИОТЕКИ
Жернаков, Сергей Владимирович
Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных
Москва
Российская государственная библиотека
diss.rsl.ru
2006

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ 8
. ГЛАВА 1. АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ
Г ПРОБЛЕМЫ ИНФОРМАЦИОННОГО МОНИТОРИНГА
СОСТОЯНИЯ АВИАЦИОННОГО ГАЗОТУРБИННОГО ДВИГАТЕЛЯ (ГТД) 17
1.1. Современный авиационный двигатель как сложный технический
объект мониторинга 17
1.2. Общая характеристика проблемы мониторинга и управления
эксплуатацией авиационного двигателя по техническому состоянию 22
1.3. Современные информационные технологии мониторинга состояния
сложных технических объектов 45
1.4. Интеллектуальные технологии автоматизации испытаний и
управления эксплуатацией авиационного двигателя 54
1.5. Концепция решения проблемы информационного мониторинга
г параметров авиационного ГТД 64
Результаты и выводы по первой главе 65
ГЛАВА 2. ПРИМЕНЕНИЕ МЕТОДОЛОГИИ СИСТЕМНОГО АНАЛИЗА К РЕШЕНИЮ ПРОБЛЕМЫ ИНФОРМАЦИОННОГО МОНИТОРИНГА СОСТОЯНИЯ АВИАЦИОННОГО
ДВИГАТЕЛЯ 67
2.1, Применение технологий системного моделирования на этапе
проектирования интеллектуальной системы мониторинга состояния авиационного двигателя 67
2.2. Разработка комплекса функциональных моделей процесса
(' мониторинга параметров авиационного ГТД 69
"■ 2.3. Разработка комплекса информационных моделей процесса
мониторинга параметров авиационного ГТД 82
2.4. Разработка динамической модели процесса мониторинга состояния авиационного ГТД 87
2.5. Требования к экспертной системе мониторинга состояния
авиационного ГТД на основе IDEF - моделей 92
Результаты и выводы по второй главе 97
ГЛАВА 3. РАЗРАБОТКА ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ , V КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ
АВИАЦИОННОГО ГТД НА ОСНОВЕ ЭКСПЕРТНЫХ СИСТЕМ (ЭС) 98
3.1. Введение 98
3.2. Решение задач контроля и диагностики на основе компонентной
реализации математической модели ГТД в среде экспертной системы C-PRIZ 99
3.2.1. Реализация компонентных математических моделей ГТД на
основе семантических сетей 106
3.2.2. Методика наполнения баз знаний экспертной системы C-PRIZ
119
3.2.3. Особенности решения задач контроля и диагностики ГТД с
использованием экспертной системы C-PRIZ 120
. 3.3. Решение задач контроля и диагностики ГТД в среде экспертной
ф системы TILShell 3.0 156
3.3.1. Представление математической модели ГТД в базе знаний
экспертной системы TILShell 3.0 157
3.3.2. Решение задач контроля и диагностики ГТД в среде
экспертной системы TILShell 3.0 159
3.4. Решение задач контроля и диагностики ГТД с использованием
пакета прикладных программ “Диагноз” 172
3.4.1. Основные принципы реализации алгоритмов контроля и
диагностики ГТД с использованием пакета прикладных программ “Диагноз” 174
3.4.2. Представление математической модели ГТД в среде пакета
прикладных программ “Диагноз” 176
3.4.3. Особенности решения задач контроля и диагностики ГТД с
помощью пакета прикладных программ “Диагноз” 177
3.5. Сравнительный анализ полученных результатов 183
Результаты и выводы по третьей главе 185
ГЛАВА 4. НЕЙРОСЕТЕВЫЕ МЕТОДЫ КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД 186
4.1. Идея предлагаемого подхода 186
4.2. Классификация режимов работы ГТД на основе нейронных сетей ... 187
4.3. Идентификация характеристик ГТД на основе нейронных сетей 204
4.3.1. Идентификация параметров многорежимной модели ГТД на
основе нейронных сетей 207
4.3.2. Решение задачи идентификации обратной
многорежимной модели ГТД на основе НС 220
4.3.3. Идентификация динамической многорежимной модели ГТД 226
4.4. Контроль технического состояния ГТД на основе нейронных сетей 231
4.5. Диагностика технического состояния ГТД на основе нейронных
сетей 237
4.6. Прогнозирование технического состояния ГТД на основе
нейронных сетей 259
4.7. Отладка параметров ГТД с использованием нейронных сетей 271
Результаты и выводы по главе 4 278
ГЛАВА 5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ
НЕЙРОСЕТЕВОЙ ЭКСПЕРТНОЙ СИСТЕМЫ “ЭКСПЕРТ НЕЙРО” КОНТРОЛЯ И ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ АВИАЦИОННОГО ГТД 281
5.1. Краткий обзор нейросетевых экспертных систем 281
5.2. Общая структура нейросетевой экспертной системы “Эксперт
Нейро” 283
5.3. Особенности программной реализации интерфейса и программных
модулей нейросетевой экспертной системы “Эксперт Нейро” 289
5.4. Методика работы с нейросетевой экспертной системой “Эксперт
Нейро” 293
5.5. Особенности бортовой реализации нейросетевых алгоритмов
контроля и диагностики ГТД 295
5.5.1. Восстановление информации с использованием нейросетевой модели ГТД на примере БСКД ЭСУ - 27 297
5.5.2. Восстановление информации при отказах датчиков с
использованием автоассоциативной нейронной сети 303
Результаты и выводы по пятой главе 307
ЗАКЛЮЧЕНИЕ 309
БИБЛИОГРАФИЧЕСКИЙ СПИСОК 313
ПРИЛОЖЕНИЯ 341
Введение
Актуальность работы. Газотурбинный двигатель (ГТД) как восстанавливаемый объект в течение срока службы требует постоянного мониторинга, трудоемкость которого зависит от уровня автоматизации ,jj. процессов получения, обработки, хранения, документирования информации о
текущем состоянии авиационного двигателя, а также контроля, диагностики, прогнозирования его технического состояния, последовательность и методы выполнения которых определяют информационную технологию мониторинга (ИТМ). Средством их реализации являются распределенные системы мониторинга, на которые возлагается задача определения степени соответствия объекта мониторинга предъявляемым требованиям, то есть контроля его технического состояния.
Распределенная система мониторинга является логическим дополнением ИТМ, так как совместно с последней осуществляет анализ фактического технического состояния ГТД: прогнозирование остаточного ресурса, отслеживает деградацию рабочих характеристик авиационного двигателя, определяет программу ремонтно-восстановительных работ и т.д.
Основные летно-технические характеристики ГТД определяются на всех этапах его жизненного цикла (ЖЦ). Эффективность мониторинга авиационного & двигателя существенно зависит от вероятности правильного распознавания его
технического состояния. Мониторинг технического состояния ГТД обеспечивается рациональным выбором SCADA систем и методов обработки информации в соответствии с задачами контроля, диагностики и прогнозирования технического состояния двигателя, эффективно решающих задачи координации управления эксплуатацией двигателя по техническому состоянию и осуществляющих поддержку принятия решений. Основу мониторинга технического состояния ГТД составляет подчинение целей функционирования информационных технологий мониторинга и управления эксплуатацией целям функционирования ГТД, определяющим правила и порядок обработки комплексной информации в соответствии с условиями его щ эксплуатации.
Создание информационных технологий мониторинга и управления эксплуатацией ГТД является процессом, предполагающим. определенную методологию использования априорной и апостериорной информации об объекте, измерительных, вычислительных и корпоративных средствах, образующих ресурсы информационных технологий мониторинга, и
разнообразные математические методы решения задач обработки и анализа информации о техническом состоянии двигателя, а также принятия решений для достижения целей мониторинга и управления его эксплуатацией. Проблемам создания информационных технологий мониторинга и управления эксплуатацией сложных технических объектов посвящены работы: О.В. Абрамова, Е.В. Барзиловича, И.В. Бармина, Г.И. Братухина, Л.И. Волкова, Ю.М. Гусева, Б, Г. Ильясова, А. А. Ицковича, А. А. Каштанова, В.А. Острейковского, В.В. Смирнова, Б.Е. Федунова, В.А. Фурсова, Р.М Юсупова и др. Проблемы контроля и диагностики технического состояния ГТД исследуются в работах В.Г. Августиновича, А.М. Ахмедзянова, И.А. Биргера,
B. И. Васильева, Х.С. Гумерова, В.Т. Дедеша, Н.Г. Дубравского, И.В. Егорова,
C. В. Епифанова, В.Н. Ефанова, Ю.С. Кабальнова, В.Г. Крымского, Г.Г. Куликова, Д.Ф. Симбирского, Н.Н. Сиротина, А.П. Тунакова, В.Т. Шепеля и др. Теоретические основы создания математических моделей ГТД и его узлов рассматриваются в работах В.М. Акимова, В.О. Боровика, О.С. Гуревича, Г.Н. Добрянского, Т.С. Мартьяновой, Е.М. Тарана, А.Я. Черкеза, А. А. Шевякова и др.
Вместе с тем, несмотря на значительный объем исследований в данных областях, информационные технологии мониторинга технического состояния ГТД не являются совершенными по ряду причин, основными из которых являются, с одной стороны, разобщенность баз данных испытаний, контроля и диагностики, отсутствие интеллектуальных компонент, позволяющих качественно и эффективно осуществлять поддержку принятия ответственных решений и, как следствие, сокращать общее время, затрачиваемое на обслуживание ГТД; с другой стороны, нестационарность физических процессов в авиационном двигателе, сложность его математического описания, зависимость технических характеристик двигателя от внешних условий работы, ограниченный состав измеряемых термогазодинамических параметров двигателя, их технологический разброс и т.д. Указанные факторы приводят к необходимости принятия решений о техническом состоянии двигателя в условиях существенной неопределенности.
Основными направлениями, определяющими повышение качества информационных технологий мониторинга технического состояния ГТД, следует считать интеллектуализацию процессов обработки информации с привлечением методов интеллектуального анализа данных, которые способны обеспечить повышение качества распознавания технического состояния ГТД при действии указанных выше неопределенных факторов, а также интеграцию
информационных процессов (распределенных локальных баз данных и знаний в глобальную базу данных и знаний). Таким образом, создание информационной технологии мониторинга состояния ГТД включает в себя разработку методологии, методов, методик, алгоритмического и программного обеспечения, позволяющих повысить эффективность решения задачи управления эксплуатацией ГТД по техническому состоянию.
В связи с вышеизложенным, тема диссертационной работы, посвященная созданию интеллектуальных систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных, является актуальной.
Данная работа выполнялась в период с 1986 по 2005 гг. на кафедрах авиационных двигателей и вычислительной техники и защиты информации Уфимского государственного авиационного технического университета в рамках:
- отраслевых программ и госбюджетных НИР в соответствии с планом научно-исследовательских работ АН СССР на 1986-1990 гг.;
- федеральной целевой программы и тематических отраслевых планов: “Авиационная технология”, “Надежность и безопасность технических систем” в 1991-1998 гг.;
- федеральной целевой программы Государственной поддержки интеграции высшего образования и фундаментальной науки на 1997 -2006 гг.
Целью диссертационной работы является разработка научно-обоснованных принципов, методов, алгоритмов и программного обеспечения систем контроля, диагностики и прогнозирования технического состояния ГТД на основе интеллектуального анализа данных с использованием технологий экспертных систем и нейронных сетей.
Для достижения указанной цели в работе поставлены и решены следующие задачи:
1. Разработка концепции построения интеллектуальных систем мониторинга технического состояния авиационного ГТД на основе интеллектуального анализа данных.
2. Разработка комплекса системных моделей процесса мониторинга технического состояния авиационного ГТД.
3. Разработка методов и алгоритмов контроля и диагностики технического состояния ГТД на основе технологий экспертных систем.
4. Разработка методов и алгоритмов контроля, диагностики и прогнозирования технического состояния ГТД на основе нейросетевых технологий.
5. Разработка исследовательского прототипа нейросетевой экспертной системы контроля, диагностики и прогнозирования технического состояния ГТД.
6. Разработка нейросетевых алгоритмов восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики авиационного двигателя.
7. Исследование эффективности разработанного алгоритмического и программного обеспечения экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния авиационных ГТД и их систем.
Основные научные результаты, выносимые на защиту:
1. Концепция построения интеллектуальных систем мониторинга технического состояния ГТД.
2. Комплекс системных моделей процесса мониторинга технического состояния ГТД.
3. Формализованные методы и алгоритмы контроля и диагностики технического состояния ГТД с использованием технологий экспертных систем.
4. Нейросетевые методы и алгоритмы контроля, диагностики и прогнозирования технического состояния ГТД.
5. Нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД.
6. Нейросетевые алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя.
7. Результаты исследования эффективности применения разработанных экспертных систем и нейросетевых технологий для решения задач контроля, диагностики и прогнозирования технического состояния ГТД и их систем.
Обоснованность и достоверность результатов диссертации
Обоснованность предложенной концепции построения интеллектуальных систем мониторинга технического состояния ГТД обусловлена проведенным системным анализом предметной области, учетом основных факторов, влияющих на процессы функционирования ГТД, современных требований и возможностей, представляемых новыми информационными технологиями для решения задач управления ГТД по техническому состоянию.
Обоснованность предложенного подхода к системному моделированию процесса мониторинга технического состояния ГТД подтверждается корректностью основных положений, принятых при построении функциональных, информационных и динамических моделей интеллектуальной системы мониторинга технического состояния ГТД.
Обоснованность и достоверность реконфигурируемой математической модели ГТД, построенной на основе расширяемой семантической сети и используемой для контроля и диагностики технического состояния двигателя, подтверждается корректностью математического описания ГТД и его узлов, возможностью настройки модели под характеристики индивидуального двигателя с учетом требуемого класса задач контроля и диагностики.
Обоснованность и достоверность процессов принятия решений с помощью экспертных систем C-PRIZ, TILLShell, “Диагноз”, а также исследовательского прототипа нейросетевой экспертной системы “ЭкспертНейро” подтверждается результатами моделирования и решения большого числа практических задач контроля, диагностики и прогнозирования технического состояния авиационных двигателей.
Методы исследования
Поставленные в диссертационной работе задачи решены с
использованием методов системного анализа, теории воздушно-реактивных двигателей, теории идентификации, теории вероятностей и математической статистики, теории дифференциальных уравнений, нейроинформатики, теории нечетких множеств, теории распознавания образов, теории информационных систем и обработки данных, теории оптимизации, теории планирования эксперимента, теории принятия решений и экспертных систем, имитационного моделирования, объектно-ориентированного программирования.
Научная новизна результатов
1. В работе поставлена и решена проблема разработки методологических основ построения интеллектуальных систем мониторинга технического состояния ГТД, реализующих методы контроля и диагностики авиационных двигателей на основе технологий экспертных систем и нейронных сетей, обеспечивающие повышение эффективности процессов мониторинга и управления эксплуатацией ГТД по техническому состоянию.
2. Предложена концепция построения интеллектуальных систем мониторинга технического состояния ГТД, основанная на использовании
методов интеллектуального анализа данных о режимах работы двигателя на различных этапах его эксплуатации, применении единой методологии контроля, диагностики и прогнозирования технического состояния ГТД на основе технологии экспертных систем и нейронных сетей, интеграции разработанных средств и систем с CALS-технологиям и, S С ADA-системам и, распределенными базами данных и знаний, обеспечивающая повышение уровня автоматизации, оперативности и достоверности мониторинга технического состояния проточной части двигателя, с целью реализации стратегии эксплуатации ГТД по техническому состоянию.
3. На основе SADT-методологии и IDEF-технологий разработан комплекс системных моделей процесса мониторинга технического состояния ГТД, что позволило выделить основной спектр функциональных задач мониторинга и их информационное сопровождение, а также обоснованно сформировать требования к их реализации в составе экспертной системы контроля и диагностики ГТД.
4. Разработан и реализован ряд экспертных систем контроля и диагностики технического состояния ГТД в рамках интеллектуальных оболочек C-PRIZ, TILL Shell, “Диагноз” с использованием реконфигурируемой математической модели авиационного двигателя, построенной на основе расширенной семантической сети, и организации контроля и диагностики ГТД на основе метода диагностических матриц и правил нечеткой логики, что позволило повысить качество решение задач контроля и диагностики состояния ГТД в условиях неопределенности.
5. Разработаны и исследованы методы, модели, алгоритмы и методики решения задач контроля, диагностики и прогнозирования технического состояния ГТД с использованием нейросетевых технологий, позволяющих накапливать и анализировать информацию о характеристиках индивидуального двигателя по результатам стендовых и летных испытаний и повысить качество решений, принимаемых экспертной системой, за счет использования алгоритмов обучения и самообучения нейронных сетей.
6. Разработаны нейросетевые модули, зарегистрированные в РосАПО, для решения задач контроля, диагностики и прогнозирования состояния ГТД, интегрированные в составе исследовательского прототипа нейросетевой экспертной системы контроля и диагностики состояния ГТД, применение которых позволяет повысить достоверность и глубину контроля и диагностики основных узлов двигателя в условиях факторов неопределенности.
7. Разработаны и исследованы методы, модели и алгоритмы восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя, основанные на использовании автоассоциативных нейронных сетей, применение которых позволяет с заданной точностью восстанавливать потерянную информацию в режиме реального времени.
Практическая значимость результатов
Практическая значимость результатов диссертационной работы определяется тем, что использование предложенной в ней концепции построения интеллектуальной системы мониторинга технического состояния ГТД позволит сократить затраты на контроль и диагностику состояния двигателя в процессе его стендовых испытаний и летной эксплуатации в 2-3 раза за счет более полного использования априорной и апостериорной информации о режимах работы двигателя, автоматизации процессов обработки и анализа данных, применения методов искусственного интеллекта на всех этапах оценки технического состояния ГТД и принятия решений.
Разработаны алгоритмы и инженерные методики контроля, диагностики и прогнозирования состояния ГТД, реализованные в составе исследовательских прототипов экспертных систем, применение которых позволяет существенно повысить качество и эффективность принимаемых решений о техническом состоянии ГТД.
Разработана и внедрена на ряде предприятий России нейросетевая экспертная система контроля, диагностики и прогнозирования технического состояния ГТД, позволяющая решать широкий спектр практических задач мониторинга технического состояния авиационных двигателей. Предложены нейросетевые алгоритмы восстановления информации при отказе штатных датчиков в составе перспективной бортовой системы контроля и диагностики двигателя (БСКД) в режиме реального времени.
Внедрение результатов работы
Основные результаты работы внедрены на ряде предприятий авиационной промышленности: ФГУП Hi ill “Мотор” (Уфа), ФГУП “Самарские моторы” (г. Самара), ФГУП УНПП “Молния” (Уфа) в виде инженерных методик, алгоритмов и экспертных систем контроля и диагностики технического состояния ГТД, а также в учебный процесс Уфимского государственного авиационного технического университета.
Апробация работы. Основные положения, представленные в диссертационной работе, докладывались, обсуждались и получили положительную оценку на 60 Всесоюзных, Всероссийских и Международных симпозиумах, конференциях и семинарах, в том числе на:
- Всесоюзной научно-технической конференции “Декомпозиция и координация в сложных системах” (г. Челябинск, 1986);
- Всесоюзной научно-технической конференции “Диалоговые средства распределенной обработки данных в комплексах и сетях” (г. Москва, 1990);
- Всесоюзной научно-технической конференции “Новые информационные технологии” (г. Гурзуф, 1991);
- Ill - XI Всероссийских научно-технических конференциях “Нейроинформатика и ее применения” (г. Красноярск, 1995 - 2003);
- Всероссийской научно-технической конференции “Информационные и кибернетические системы управления и их элементы” (г. Уфа, 1995);
- XXII Гагаринских чтениях по авиации и космонавтике (г. Москва,
1996) ;
- Международной научно-технической конференции “Мягкие вычисления” (г. Казань, 1996);
- Всероссийской научно-технической конференции “Проблемы совершенствования робототехнических и интеллектуальных систем летательных аппаратов” (г. Москва, 1996);
- Международной научно-технической конференции “Интеллектуальные системы” (г. Геленджик, 1996);
- Международной научно-технической конференции “Проблемы и пер-спективы развития двигателестроения в Поволжском регионе” (г. Самара,
1997) ;
- Всероссийской научно-технической конференции “Нейронные сети в информационных технологиях” (г. Снежинск, 1998);
- II Международной научно-технической конференции “Мягкие измерения и вычисления” (г. Санкт-Петербург, 1998);
- Международной научно-технической конференции “Новые технологии управления движением технических объектов” (г. Ставрополь, 1999);
- IV-VIII Всероссийских научно-технических конференциях “Нейроинформатика” (г. Москва, 1999 - 2002);
- Международной научно-технической конференции “Авиация XXI века” (г. Воронеж, 1999);
- III-V Всероссийских научно-технических конференциях “Нейрокомпьютеры и их применение” (г. Москва, 2000-2002);
- Международной научно-технической конференции “Моделирование, вычисления, проектирование в условиях неопределенности” (г. Уфа, 2000);
- Международной научно-технической конференции “Интеллектуальные системы и информационные технологии управления” (г. Псков, 2000);
- Международной научно-технической конференции “Двигатели XXI века” (ЦИАМ, г. Москва, 2000);
- Всероссийской научно-технической конференции “Аэрокосмическая техника и высокие технологии” (г. Пермь, 2001);
- Международной научно-технической конференции “К 90-летию академика Н.Д. Кузнецова” (г. Самара, 2001);
- VI Международном симпозиуме “Авиационные технологии XXI века: новые рубежи авиационной науки” (г. Жуковский, 2001);
- III и V Международных семинарах “Компьютерные науки и информационные технологии” (г. Уфа, 2001, 2003) и др.
Публикации. Результаты диссертационной работы опубликованы в 160 печатных работах, из них одна монография (в соавторстве), два учебных пособия (одно - с грифом УМО Минобразования РФ), 45 статей в центральной печати, в том числе 35 — из списка ВАК России, 35 статей в трудах Международных конференций, 40 статей в Межвузовских научных сборниках, 5 свидетельств об официальной регистрации программ в Рос АПО.
Структура работы
Диссертация состоит из введения, пяти глав основного материала, заключения, библиографического списка и приложения. Работа изложена на 340 страницах машинописного текста, содержит 109 рисунков, 60 таблиц. Библиографический список содержит 316 наименований.
Автор выражает глубокую благодарность д.т.н., проф. Гумерову Х.С. за обстоятельные консультации по теории ВРД.

bibliography

Заключение по работе
1. В диссертации поставлена и решена проблема создания научных и методологических основ построения моделей, методов, алгоритмов и методик мониторинга технического состояния проточной части ГТД по результатам стендовых испытаний и летной эксплуатации на основе современных технологий экспертных систем и нейронных сетей.
2. Предложена концепция построения интеллектуальных систем мониторинга технического состояния ГТД, заключающаяся в:
• цифровом представлении, обработке и хранении информации о результатах испытаний и эксплуатации двигателя (как индивидуального ГТД, так и парка двигателей) на основе требований современных баз данных и баз знаний, с возможностью их интеграции в современные CALS - технологии;
• использовании единой методологии мониторинга, контроля и диагностики технического состояния авиационных двигателей на различных этапах жизненного цикла на основе стратегии управления по техническому состоянию и интеграции разработанных средств и систем с современными SCADA - системами; интеллектуализации основных процессов классификации, контроля, диагностики и прогнозирования состояния ГТД на основе использования количественных и качественных моделей двигателя, включая использование нейросетевых технологий и методов теории принятия решений и экспертных систем;
• перспективе интеграции создаваемых интеллектуальных систем мониторинга, контроля и диагностики состояния двигателей в распределенные экспертные системы на основе использования распределенных баз данных и баз знаний в рамках Intranet - технологий и корпоративных вычислительных систем.
3. Разработан комплекс системных моделей процесса мониторинга технического состояния ГТД на базе SADT - методологии, позволившей формализовать и обосновать требования к выбору методов, алгоритмов и систем обработки информации и принятия решений на стадии контроля, диагностики и прогнозирования технического состояния ГТД.
4. Разработаны формализованные методы и методики контроля и диагнос¬тики технического состояния ГТД с использованием технологий экспертных систем, основанных на применении в процессе контроля математических моделей двигателя и позволяющих повысить производительность и достоверность процессов контроля и диагностики состояния ГТД по результатам их стендовых и летных испытаний. Апробация этих методов и методик в составе реализованных автором исследовательских прототипов экспертных систем на базе оболочек C-PRIZ, TILL Shell, “ Диагноз ” показала, что они позволяют:
• проводить контроль и диагностирование технического состояния ГТД при ограниченном объеме исходной информации;
• обнаружить и локализовать дефекты проточной части двигателя с точностью до узла;
• повысить достоверность и сократить общее время контроля и диагностики в 2 - 3 раза за счет использования индивидуальной настраиваемой модели авиационного двигателя и экспертной базы знаний о характеристиках ГТД.
5. Разработаны и исследованы (на примере реальных данных об эксплуатации изд. 95, 95Ш, 99) нейросетевые методы и алгоритмы, обеспечивающие решение широкого спектра плохо формализуемых задач, связанных с классификацией режимов работы двигателя, идентификацией его характеристик, контролем, диагностикой и прогнозированием технического состояния, отладкой параметров ГТД. Показано, что применение этих методов и алгоритмов позволяет:
• автоматизировать решение задачи автоматической классификации (кластеризации) режимов работы ГТД;
• получить решение задачи идентификации многорежимной модели ГТД в широком диапазоне изменения режимов работы двигателя (от малого газа до форсажа): погрешность идентификации ГТД с помощью НС не превысила 0,63%, обеспечивается робастность модели по отношению к внешним возмущениям (для уровня шума а = 0,025 погрешность идентификации многорежимной модели ГТД при
использовании НС возросла до 0,84%, тогда как для полиномиальной модели, полученной с помощью метода наименьших квадратов с 0,99 до 2,49%; рассмотрены особенности решения задачи идентификации динамической НС - модели ГТД;
• решение задачи диагностики технического состояния ГТД легко формализуется в нейросетевом базисе: применение НС позволяет решить задачу диагностики ГТД с точностью до узла; при уменьшении числа штатных датчиков до 4 обеспечивается приемлемое качество диагностирования; сохраняется высокое качество диагностирования технического состояния ГТД в условиях аддитивной случайной помехи;
• при решении задачи прогнозирования: точность краткосрочного среднесрочного и долгосрочного прогноза с помощью НС значительно выше по сравнению с использованием полиномиальных регрессионных моделей, метода экспоненциального сглаживания, скользящего среднего; использование НС позволяет обнаруживать появление тренда параметров ГТД, что позволяет принимать своевременные оперативные решения по изменению режима его эксплуатации;
• может быть решена задача отладки параметров ГТД: для вычисления требуемого значения параметров двигателя (например, диаметра реактивного сопла) можно воспользоваться регулировочной кривой, построенной на основе НС по результатам стендовых испытаний парка ГТД.
6. Разработана архитектура нейросетевой экспертной системы “Эксперт Нейро” и определен состав входящих в нее нейросетевых модулей, реализующих предложенные нейросетевые алгоритмы и технологии обработки информации для решения задач контроля и диагностики технического состояния ГТД. Программная реализация нейросетевых модулей защищена пятью свидетельствами государственной регистрации РосАПО.
7. Рассмотрены особенности реализации нейросетевых алгоритмов восстановления информации в случае отказа штатных датчиков в составе бортовой системы контроля и диагностики двигателя (БСКД). На примере БСКД ТВВД Д - 27 показано, что:
• реализация нейросетевой многорежимной модели ГТД
обеспечивает уменьшение погрешности вычисления
термогазодинамических параметров ГТД в 2,3*7,8 раза по сравнению с кусочно - линейной моделью ГТД и в 1,4*3,4 раза по сравнению с полиномиальной моделью 9-го порядка; при этом за счет сокращения числа операций умножения обеспечивается выигрыш по сравнению с кусочно — линейной и полиномиальной моделями при использовании вычислителя Thompson ST10F269 соответственно: по времени вычислений - в 12,8 и в 14,2 раза; по требуемому объему памяти - в 8,1 и 1,2 раза (при использовании нейропроцессора Л1879ВМ1 время вычисления НС дополнительно уменьшается в 2 раза);
• восстановление информации при отказе датчиков с помощью автоассоциативной нейронной сети обеспечивает погрешность восстановления данных не более 0,45% в случае одиночных отказов и не более 0,58% в случае двойных отказов; при этом время 1 цикла восстановления данных при использовании пяти штатных датчиков составляет 49 мкс для вычислителя Thompson ST10F269 и 3,4 мкс для специализированного нейропроцессора Л1879ВМ1, что удовлетворяет требованиям бортовой реализации в составе перспективной БСКД.
Полученные в работе теоретические положения, методики и технологии применения ЭС для решения задач контроля и диагностики технического состояния ГТД с использованием нейросетевых методов и алгоритмов внедрены на ряде моторостроительных предприятий и проектных организаций, а также в учебный процесс Уфимского государственного авиационного технического университета.