Главная Контакты Добавить в избранное Авторы Вопросы и ответы
,

УДК 681.32: 007.52

ПОСТРОЕНИЕ ПОРТРЕТА НЕИСПРАВНОСТЕЙ ПРОТОЧНОЙ ЧАСТИ  ГАЗОТУРБИННОГО ДВИГАТЕЛЯ НА ПРИМЕРЕ  АИ-25

Дмитриев С.А., Попов А.В.

Введение. Одним из важнейших условий обеспечения заданного уровня безопасности полётов (БП) и повышения эффективности использования воздушных судов (ВС) является разработка и внедрение в практику эффективных систем оценки технического состояния (ТС) объектов эксплуатации. Особую актуальность разработка подобных систем имеет для авиационных газотурбинных двигателей (ГТД) и их эксплуатации по техническому состоянию.

Своевременное обнаружение повреждения, неисправности, их локализация, оценка, а также последующий контроль с прогнозированием возможного ТС может быть осуществлено только при наличии достоверных методов диагностирования ГТД. Высокая стоимость ГТД по сравнению с другими конструктивными элементами ВС, повышенная чувствительность к условиям эксплуатации, высокая температурная и силовая нагруженность его конструктивных элементов, в частности, узлов проточной части (ПЧ) (лопатки, диски компрессоров и турбин, камера сгорания и т. д.), разрушение которых приводит к аварийной ситуации.

Особую актуальность приобретает разработка и внедрение методов диагностирования ГТД для ГА Украины и стран СНГ, парк двигателей которых в основном состоит из АИ-25, Д-30КП, Д-36, Д-18Т и их модификаций, характерной особенностью некоторых из них является низкий уровень контролепригодности, что усложняет процедуру диагностирования.

В настоящее время за счет конструктивных изменений и совершенствования технологии изготовления достигнуты высокие показатели надежности авиационных ГТД. В то же время, уровень развития методов технического обслуживания и ремонта (ТОиР) авиадвигателей в условиях эксплуатации остается недостаточно высоким в сравнении с лучшими мировыми достижениями в данной области.

На современном этапе развития двигателестроения все больше внимания уделяется вопросам оценки ТС, потому как специфика финансово-экономической деятельности на рынке авиационных перевозок постоянно ужесточается и приводит к повышению конкуренции, а также все большему доминированию принципа "цена-качество". Это, в свою очередь, приводит к разработке авиационных ГТД, которые отвечали бы современным требованиям. Парк турбореактивных двухконтурных двигателей (ТРДД) гражданской авиации Украины и эксплуатантов стран СНГ в основном состоит из таких двигателей и их модификаций, как: АИ-25 (Як-40), Д-30КП/КП2 (Ил-76), Д-36 (Як-42), Д-436 (Ту-334, Ан-74), Д-18Т (Ан-124). Характерная особенность этих двигателей заключается в невысоком уровне, а в некоторых случаях низком уровне контролепригодности, что в свою очередь усложняет процедуру диагностирования. В последние годы в России ведутся серьёзные разработки по вводу в серийное производство и эксплуатацию двигателей повышенной контролепригодности семейства ПС-90А (Ил-96, Ту-204).

Актуальность. Одной из наиболее сложных задач при технической эксплуатации (ТЭ) авиационной техники (АТ) является диагностирование авиационных ГТД, на долю которых приходится возникновение порядка 28% инцидентов на ВС Украины. Функционирование ГТД базируется на сложных физико-химических процессах, которые протекают в ПЧ двигателя и вызывают появление поврежденных конструктивных узлов, в связи с чем, диагностирование конструктивных элементов ПЧ авиационного ТРДД проводится на основе методов параметрической идентификации ТС двигателя.

Существующие методы и средства определения ТС ГТД по функциональным параметрам с последующей локализацией неисправности носят вероятностно-статистический характер диагноза, что вызывает вопрос относительно его достоверности. Задача повышения достоверности оценки ТС ГТД остается актуальной в виду стохастичности пространства признаков и пространства состояний. Повышение точности определения ТС двигателя осложняется необходимостью включения в процесс диагностирования значительного числа признаков, которые отображают взаимодействие рабочего тела (воздух, продукты сгорания) с различными конструктивными узлами и элементами проточной части (ПЧ).

Следовательно, построение эффективных алгоритмов диагностирования становится возможным лишь на основе использования статистических моделей, которые отображают поведение объекта идентификации в различных, предотказных состояниях. Для решения задач, связанных с анализом данных при наличии стохастичности, необходимо использование методов математической статистики и распознавания образов.

Постановка задачи. В последнее время, для построения портрета технического состояния объекта диагностирования всё более широкое распространение получают технологии диагностирования, которые базируются на основе экспертных систем с использованием нечеткой логики, генетических алгоритмов [2], также, самообучающиеся структуры на основе искусственных нейронных сетей (НС) [1,3-7] и теории принятия решений. Эти методы позволяют выявлять закономерности на фоне случайностей, делать обоснованные выводы и прогнозы. Использование методов многомерной классификации предполагает обращение к системному анализу рассматриваемого явления, основных его составляющих и их связей, принятие решения о характере установленных закономерностей.

Эффективность реализации процесса диагностирования ГТД в эксплуатации на основе методик идентификации их ТС с использованием нейронных сетей и методов распознавания образов требует разработки качественного программно-алгоритмического обеспечения, анализа параметров рабочего процесса с последующим прогнозированием ТС конструктивных узлов проточной части двигателя.

Решение задачи. Процедура классификации ТС объекта диагностирования состоит в том, чтобы распределить диагностические признаки (ДП) по категориям (или классам), где под классом понимают совокупность образов, имеющих одни и те же признаки. Число классов при оценке ТС ТРДД определяется количеством конструктивных узлов двигателя и зависит от его конструктивной схемы. Однако, следует отметить, что эксплуатации происходит взаимосвязанное изменение состояния поверхности, как отдельных узлов, так и компрессора, камеры сгорания, турбины вместе взятых, то есть речь идет о совместно поврежденных (СП) узлах, на долю которых приходится до 20% досрочного съёма двигателей от общего количества съемов двигателей [8].

Основной задачей при проведении натурных экспериментальных исследований является установление взаимосвязей влияния СП узлах на изменение ДП, их качественное и количественное отклонение. При планировании эксперимента было определено количество уровней влияния N равное двум: наличие шероховатости и её отсутствие (+/–). Количество варьируемых при этом факторов – 4: шероховатость лопаток входного направляющего аппарата (ВН), шероховатость лопаток 1-ой ступени компрессора низкого давления (КНД), закоксованность рабочей топливной форсунки и шероховатость лопаток 2-ой ступени турбины низкого давления (ТНД). В результате чего, была сформирована матрица полного факторного эксперимента вида N=2k, где k – количество варьируемых факторов. На рис. 1 представлены результаты изменения температуры за ТНД при стендовых исследований по предложенному плану эксперимента.

 

 

Следует отметить, что для реализации метода нейросетевой классификации необходима репрезентативная выборка для каждого класса состояния Для нейросетового метода такое количество колеблется от 20 до 200 и более точек [5-8]. Получение такой статистики в условиях проведения только натурного эксперимента довольно затруднительно. Поэтому предложено использование комплексного подхода при проведении данных исследований, который заключается в следующем: на основании данных натурного эксперимента проводится компьютерное моделирование с целью получения необходимого количества точек в обучающей и проверочной выборках. Генерирование значений величин при формировании обучающей выборки производится по нормальному, а проверочной – по равномерному законах распределения [7]. Таким образом, было получено 16-ть комбинаций состояния исследуемого двигателя с учётом всех уровней влияния: исправное и неисправное с 15-тью комбинациями. Стендовые исследования проводились на газодинамическом стенде, в состав которого входит полноразмерный ТРДД АИ-25. В качестве ДП наиболее полно отражающих техническое состояние двигателя, предлагается использовать параметры:  - степень повышения давления за КНД;  - степень повышения давления за компрессором высокого давления (КВД);  - к.п.д. КНД;  - к.п.д. КВД;  - скольжение роторов;  - приведенный расход воздуха во внутреннем контуре;  - приведенный суммарный расход воздуха;  - степень понижения давления за ТНД;  - степень понижения давления за турбиной высокого давления (ТВД);  - к.п.д. ТНД;  - к.п.д. ТВД;  - удельный приведенный расход топлива;  - удельная приведенная тяга двигателя;  - к.п.д. горения. Исходные данные (выборки) для задач классификации формировались на основе выбранных ДП для каждого состояния в следующей последовательности и количестве: 60 точек – нормальное состояние и по 20 точек для каждой последующей комбинации. Результатом проведения модельного эксперимента являются две выборки: обучающая и проверочная - матрицы , где =360, =14. Столбцами матриц являются выбранные ДП, а строками – точки классов ТС. На рис. 2-3 представлены результаты модельного эксперимента.

 

 

При использовании метода нейросетевой классификации наблюдался эффект «зависания» процесса обучения сети. В результате чего как на обучающей, так и на проверочной выборках одно из состояний определено абсолютно ошибочно. Состояние двигателя, при котором изменена шероховатость лопаток ВНА, ТНД и заглушена рабочая топливная форсунка отнесено к классу, которому присуще состояние с измененной шероховатостью лопаток ТНД (рис. 4).

 

Эффект «зависания» обусловлен вырожденностью матрицы вследствие имеющихся сильных корреляционных зависимостей признаков. Предложенные 14 ДП имеют различный уровень информативности, некоторые сильно коррелированны между собой. Так наибольшие коэффициенты парной корреляции между признаками равны: r(,)=0,9976, r(,)=0,9988, r(,)=0,9739, r(,)=0,9736.

Процесс создания, корректировки и настройки НС достаточно сложен. Основные этапы создания НС включают следующие шаги: формирование архитектуры (выбор типа сети, количества слоев, тип нейронов в слое); обучение с использованием соответствующих алгоритмов; оценка адекватности обученной сети обучающим данным [5,6]; уровень обобщения, методы корректировки сети, в случае необходимости. Если НС достаточно адекватно описывает учебные данные, то необходимо определить уровень обобщения сети путем проверки гипотезы, что НС хорошо описывает не только данные, используемые как обучающие, но и все возможные случаи. Для этого к обучающим данным добавляются тестовые данные, и проверяется правильность их распознавания. В случае, когда оценка адекватности, полученная на основании тестовых данных намного хуже чем результаты обучающих данных, то можно говорить об эффекте "переобучения" сети. На сегодняшний день отсутствуют какие-либо четкие методические рекомендации по разработке и настройки архитектуры НС для решения задач диагностирования ТРДД. Данный подход также апробировался с использованием НС, где в качестве алгоритма обучения и распознавания использовались алгоритмы указанные в таблице 1, где курсивом отмечены наиболее эффективные по критерию «качество обучения – распознавания – скорость обучения – распознавания».

Таблица 1

Результаты анализа эффективности методов обучения МНС и ФА

Метод обучения сети (алгоритм)

Функция

тренировки

Количество

 итераций

Левенберга-Маркуардта

TRAINLM

200

Градиентного спуска

TRAINGD

5000

Обратного распространения ошибки

TRAINRP

10000

Связанных градиентов Полака-Рибьера

TRAINCGP

5000

Квазиньотоновский

TRAINBFG

200

Градиентного спуска с учетом моментов и с адаптивным обучением

TRAINGDX

5000

Шкалирования связанных градиентов

TRAINSCG

5000

Регуляризации Bayesian

TRAINBR

200

 

Вывод. Дальнейшая корректировка архитектуры НС, а также количество и качество ДП привела к более удовлетворительным результатам. Однако при этом был произведен факторный анализ с целью выявления малозначимых признаков. На основе проведенного корреляционного и факторного анализов с использованием данных натурного и модельного экспериментов, определено необходимое и достаточное количество главных факторов, которые в данном случае являются ДП.

Предполагается, что использование данного подхода для оценки технического состояния ТРДД значительно повысит достоверность технического диагноза при идентификации неисправности проточной части двигателя с глубиной диагностирования до конструктивного узла.

 

The article is devoted the questions of providing of the set strength of flights and increase of efficiency of the use of air courts security by development and introduction in practice of the effective systems of estimation of the technical state of objects of exploitation.

 

1.    Бурау Н.И., Тяпченко А.Н., Зажицький А.В. Классификация состояния объекта виброакустической диагностики с использованием нейротехнических сетей // Авіацiйно-космічна техніка і технологія. –Х.: ХАИ. – 2002. – Вип. 31. – С. 181-185.

2.    Дмитриев С.А., Литвиненко А.Е., Степушкина Е.П., Попов А.В. Экспертные модели определения множественных отказов в авиационных двигателях // Вестник двигателестроения. – 2005. – №1. – С. 12-17.

3.    Епифанов С.В., Лобода И.И. Идентификация статической и динамической моделей проточной части как средство диагностирования ГТД // Вестник двигателестроения. – 2004. – №2. – С. 206-212.

4.    Епифанов С.В., Кузнецов Б.И., Богаенко И.М., Грабовский Г.Г. Синтез систем управления и диагностирования газотурбинных двигателей. – К.: Техника. – 1998. – 312 с.

5.    Кучер О.Г., Якушенко О.С., Сухоруков В.Ю. Розпізнавання технічного стану авіаційних ГТД з використанням нейроних мереж // Вісник двигунобудування. – 2002. – № 1. – С. 101-106.

6.    Кучер О.Г., Якушенко О.С., Сухоруков В.Ю. Оптимизация метода обучения нейронной сети для распознавания класса технического состояния ГТД// Авиационно – космическая техника и технология. – Х.: ХАИ – 2007. – № 1/15. – С. 184-188.

7.    Кучер А.Г, Дмитриев С.А., Попов А.В. Определение технического состояния ТРДД по данным экспериментальных исследований с использованием нейронных сетей и методов распознавания образов // Авиационно – космическая техника и технология. – Х.: – 2007. – № 10/46. – С. 153-164.

8.    Попов О.В. Исследование динамических характеристик ТРДД с перемежающимися неисправностями проточной части на установившихся режимах его роботы // Авіаційно-космічна техніка і технологія. – Х.: НАУ "ХАИ". 2007. №2/38. – С. 63-67.

 

 





Ответы на вопросы [_Задать вопроос_]

Читайте также

 
Поливода В.В. Современные компьютерные технологии в АСУ на хлебоприёмном предприятии

Ходаков В.Е., Ходаков Д.В. Адаптивный пользовательский интерфейс: проблемы построения

Попов Д.В. Метод формування регламентів технічного обслуговування повітряних суден

Бергер Е.Г., Дмитрієв Д.О., Бергер Є.Е., Діневич Г.Ю. Синтез строфоїдографів за методом параметричних сімей.

Усов А.В., Ситников В.С. Возможности построения передаточных функций линейных цифровых частотно-зависимых вторичных преобразователей по частотным характеристикам

Рожков С.А., Бражник Д.А. Использование нейросетевых структур для построения систем распознавания образов

Баранов Ю.В., Гречухин А.В., Гагарин В.В. Об одном методе построения нелинейной модели прогнозируемого процесса

Ковриго Ю.М., Мовчан А.П., Полищук И.А. Метод построения самонастраивающихся регуляторов для промышленного применения.

Фанина Л.А., Бражник Д.А. Использование метода компенсации информационных потоков при построении систем управления с речевым интерфейсом

Гасанов А.С. Информационные технологии построения систем прогнозирования отказов

Забытовская О.И. Построение функции полезности по экспериментальным данным.

Кузнєцов Ю.М., Дмитрієв Д.О. Програмно математичний апарат керування виконавчим органом багатокоординатних верстатів нових компоновок

Беляев А.В. Построение навигации для иерархических структур в WEB-системах и системах управления WEB-сайтом

Фарионова Н.А. Системный подход построения алгоритмов и моделей систем поддержки принятия решений при возникновении нештатных ситуаций

Моделирование объектов и систем управления

Соколов А.Е., Махова Е.О. Моделирование процесса принятия педагогического решения при компьютеризированном обучении

Славко О.Г. Порівняльний аналіз керування регулятором на основі локальної моделі керованого процесу та П-регулятором

Войтенко В.В., Дикусар Е.В, Ситников В.С. Определение частоты среза устройства сглаживания данных на основе метода скользящего среднего

Передерій В.І. Алгоритм визначення та оцінки характеристик ефективності комп’ютерних систем на початковій стадії проектування в умовах невизначенності

Ляшенко С.А, Ляшенко А.С. Оценка модели псевдолинейной регрессии

Ладієва Л.Р. Математична модель процесу газової мембранної дистиляції

Носов П.С., Косенко Ю.І. Нечіткі моделі і методи ідентифікації та прогнозу стану інформаційної моделі студента

Китаев А.В., Глухова В.И. Анализ работы синхронного двигателя с неявнополюсным ротором по данным каталога

Дорошкевич В.К., Пироженко А.В., Хитько А.В., Хорольский П.Г. К определению требований к системам увода космических объектов

Голінко І.М., Ковриго Ю.М., Кубрак А.І. Настройка системи керування за імпульсною характеристикою об’єкта

Яшина К.В., Садовой А.В. Комплексная математическая модель тепловых процессов, происходящих в дуговых электросталеплавильных печах

Шейник С.П., Рудакова А.В. Использование функций принадлежности для моделирования параметров распределенных объектов

Хомченко А.Н., Литвиненко Е.И. Метод барицентрического усреднения граничных потенциалов электростатического поля

Селяков Е. Б. Моделирование требований к техническим системам методами математической логики

Тодорцев Ю.К., Ларіонова О.С., Бундюк А.М. Математична модель контура теплопостачання когенераційної енергетичної установки

Кириллов О.Л. , Якимчук Г.С. Моделирование процесса управления системой перегрузки углеводородных жидких топлив

Шеховцов А.Н., Козел В.Н. Построение математической модели формирования распределенных систем

Китаев А.В., Глухова В.И. Анализ поведения генератора постоянного тока по данным каталога

Хомченко А.Н., Козуб Н.О. Задачі наближення функцій: від лагранжевих до серендипових поліномів

Хобин В.А., Титлова О.А. Определение температуры парожидкостной смеси в дефлегматоре АДХМ по результатам измерений температуры его поверхности

Григорова Т.М., Усов А.В. Вероятностно-статистическое моделирование маршрутизированных пассажиропотоков в крупных городах

Горач О.О., Тернова Т.І. Моделювання технологічного процесу одержання трести при використані штучного зволоження з урахуванням складу мікрофлори

Дубік Р.М., Ладієва Л.Р. Математична модель розділення неоднорідних рідких систем

Казак В.М, Лейва Каналес Родриго, Яковицкая Е.Ю. Моделирование динамики полета магистрального самолета на исследовательском стенде

Завальнюк И.П. Исследование процесса торможения автомобиля как критического режима динамической системы

Русанов С.А., Луняка К.В., Клюєв О.І., Глухов Г.М. Математичне моделювання робочого процесу в апаратах з віброкиплячим шаром та розробка систем автоматизованого моделювання гідродинаміки віброкиплячих шарів

Боярчук В.П., Сыс В.Б. Экспериментальные исследования влияния технологии шлихтования на изменение жесткости текстильных нитей

Селін Ю.М. Використовування контекстних марківських моделей для аналізу дії промислових вибухів на будівельні конструкції

Рудакова А.В. Проблемы интеграции сложных систем

Передерій В.І., Касап А.М. Математична модель та алгоритм автоматизації розрахунку параметрів комп’ютеризованих систем працюючих у реальному часі

Передерий В.И., Еременко А.П. Математические модели и алгоритмы принятия релевантных решений пользователями автоматизированных систем с учетом личностных и внешних факторов на базе генетических алгоритмов

Михайловская Т.В., Михалев А.И., Гуда А.И. Исследование правил клеточных автоматов для моделирования процессов затвердевания квазиравновесных бинарных сплавов

Хомченко А.Н., Колесникова Н.В. Явление «сверхсходимости» в задаче Прандтля для уравнения Пуассона

Китаев А.В., Глухова В.И. Анализ работы трансформатора по данным каталога

Квасницкий В.В., Ермолаев Г.В., Матвиенко М. В., Бугаенко Б.В., Квасницкий В.Ф. Оценка применимости метода компьютерного моделирования к исследованию напряженно-деформиррованного состояния цилиндрических узлов

Китаев А.И., Глухова В.И. Анализ работы асинхронного двигателя по данным каталога

Шелестов А.Ю Имитационная модель взаимодействия GRID-узлов с очередью доступа к общей памяти

Chizhenkova R.A. Mathematical Aspects of Bibliometrical Analysis of Neurophysiological Investigations of Action of Non-ionized Radiation (Medline-Internet)

Хомченко А.Н., Козуб Н.А. Геометрическое моделирование дискретных элементов с криволинейными границами

Славич В.П. Модель автоматизованої системи управління потоками транспортних засобів

Маркута О.В., Мысак В.Ф. Программная реализация и исследование особенностей метода группового учета аргументов

Степанкова Г.А., Баклан І.В. Побудова гібридних моделей на основі прихованих марківських моделей та нейронних мереж

Бакшанська Т.Д., Рижиков Ю.Г., Тодорцев Ю.К. Математична модель процесу горіння природного газу з рециркуляцією продуктів згорання для цілей управління

Хомченко А.Н. Новые решения обобщенной задачи Бюффона

Передерий В.И., Еременко А.П. Математические модели и алгоритмы определения релевантности принимаемых решений с учетом психофункциональных характеристик пользователей при управлении автоматизированными динамическими системами

Ложечников В.Ф., Михайленко В.С., Максименко И.Н. Аналитическая много режимная математическая модель динамики газовоздушного тракта барабанного котла средней мощности

Ковриго Ю.М., Фоменко Б.В., Полищук И.А. Математическое моделирование систем автоматического регулирования с учетом ограничений на управление в пакете Matlab

Исаев Е.А., Наговский Д.А. Математическое описание влияния кривизны контактирующих тел на угол смачивания жидкости в межчастичном пространстве

Бідюк П.І., Литвиненко В.І., Кроптя А.В. Аналіз ефективності функціонування мережі Байєса

Тищенко И.А., Лубяный В.З. Математическое моделирование вокодера для определения оптимальной формы импульса сигнала возбуждения.

Николаенко Ю.И., Моисеенко С.В. Моделирование гармонического полиномиального базиса гексагона.

Козуб Н.А., Манойленко Е.С., Хомченко А.Н. Температурный тест для модифицированных базисов бикубической интерполяции.

Клименко А.К. Об упрощенном численном конструировании обратной модели динамического объекта.

Китаев А.В., Сушич Е.Ф. Расчет погрешностей измерительных трансформаторов.

Передерій В.І.,Касап А.М. Математична модель та алгоритм автоматизації розрахунку параметрів комп’ютеризованих систем працюючих у реальному часі

Шпильовий Л.В. Математична модель та алгоритм екстремального управління процесом осадження дисперсної фази суспензії.

Тулученко Г.Я. Інформаційний модуль експрес-пошуку точок еквівалентності процесу нейтралізації.

Тернова Т.І. Урахування морфогенетичного рівняння в математичній моделі тканини.

Попруга А.Г. Теоретические и экспериментальные исследования электрических нагревателей по критерию экономии энергии.

Китаев А.В., Сушич Е.Ф. Приложение положений теории дросселя и трансформатора к расчету и анализу электромагнитом переменного тока.