автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.01, диссертация на тему:Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации

004613047

На правах рукописи

\

ДОБРОДЕЕВ ИЛЬЯ ПАВЛОВИЧ

ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ В СИСТЕМАХ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГАЗОТУРБИННЫХ ДВИГАТЕЛЕЙ НА ОСНОВЕ ФУНКЦИОНАЛЬНОЙ АДАПТАЦИИ

05.13.01 - Системный анализ, управление и обработка информации (промышленность)

Автореферат диссертации на соискание ученой степени кандидата технических наук

1 8 НОЯ 2010

Рыбинск-2010

004613047

Работа выполнена в ГОУ ВПО «Рыбинская государственная авиационная технологическая академия имени П. А. Соловьёва».

Научный руководитель:

кандидат технических наук, доцент Паламарь Ирина Николаевна

Официальные оппоненты:

доктор технических наук, профессор Юдин Виктор Васильевич

кандидат технических наук, старший научный сотрудник Тихомиров Илья Александрович

Ведущая организация: Институт программных систем РАН г. Переславль

Защита состоится « 30 » ноября 2010 года в 12 часов на заседании диссертационного совета Д 212.210.04 при ГОУ ВПО «Рыбинская государственная авиационная технологическая академия имени П. А. Соловьёва» по адресу: 152934, г.Рыбинск, ул.Пушкина, д. 53.

С диссертацией можно ознакомиться в библиотеке при ГОУ ВПО «Рыбинская государственная авиационная технологическая академия имени П. А. Соловьёва».

Автореферат разослан « 25 » октября 2010 года.

Учёный секретарь диссертационного совета Д 212.21

кандидат технических наук, доцег

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Развитие подходов к диагностике технического состояния газотурбинных двигателей (ГТД) идёт в нескольких направлениях. Большое внимание уделяется совершенствованию алгоритмического обеспечения, дающего расширение возможностей диагностических моделей и повышение достоверности диагностирования. В работах С. В. Жернакова, А. М. Паша-ева, А. Г. Кучера, П. И. Ракова и др. показаны преимущества использования методов искусственного интеллекта перед классическими методами диагностики при выявлении неисправностей. Отмечено, что наиболее эффективными являются нейронные сети, т. к. они обладают высокими адаптационными характеристиками, могут решать сложные задачи по классификации и распознаванию образов. Существующие нейросетевые методы диагностики ограничены специфичностью решаемых задач, недостаточной разработанностью теории их применения для диагностирования ГТД, отсутствием универсальных и формализованных подходов, несовершенством самих методов. В связи с этим актуальными являются вопросы разработки общих принципов формирования диагностических нейросетевых моделей для решения основных задач диагностики и вопросы оптимизации нейросетевых методов для более эффективного их использования при диагностировании ГТД.

Цель и задачи исследования. Цель исследования заключается в повышении эффективности нейросетевых методов решения основных типов диагностических задач ГТД путем оптимизации нейросетевых моделей на основе функциональной адаптации.

Для достижения поставленной цели необходимо:

- провести системный анализ методов диагностики технического состояния ГТД для выявления перспективных тенденций и существующих проблем;

- разработать концепцию использования нейронных сетей при диагностике технического состояния ГТД для унификации диагностических подходов;

- разработать принципы формирования нейронных сетей и моделей на их основе для решения основных типов диагностических задач;

- разработать и исследовать способы и алгоритмы реализации нейросетевых диагностических моделей;

- провести экспериментальное исследование разработанных моделей и алгоритмов для ГТД различных типов и назначений.

Объектом исследования являются нейросетевые диагностические системы газотурбинных двигателей.

Предметом исследования является методология построения эффективных нейросетевых диагностических моделей сложных технических объектов.

Методы исследования. Исследование проведено на основе системного анализа с использованием теории нейронных сетей; теории распознавания об-

разов; комбинаторики; дифференциального исчисления; методов: нечеткой логики, математической статистики, группового учета аргументов, планирования эксперимента, интерполяции и аппроксимации; математического, компьютерного и имитационного моделирования.

Научная новизна работы заключается в следующем:

-разработана концепция функционально прозрачных нейронных сетей, обеспечивающая построение эффективных нейросетевых диагностических моделей на универсальных принципах и реализующая индивидуальный подход к решению задачи диагностирования ГТД;

- на базе концепции функционально прозрачных нейронных сетей разработаны подходы к формированию нейромоделей, отличающихся функциональной адаптацией для решения основных типов диагностических задач;'

- разработаны новые нейросетевые структуры и алгоритмы: алгоритм самоорганизации нейронной сети прямого распространения на базе метода группового учета аргументов с использованием предложенной автором расширенной модели нейрона и принципа растущего числа межнейронных связей; алгоритм топологической самоорганизации структуры нейронной сети Кохонена; нейросетевая архитектура функционально расширенной сети Хэмминга на основе предложенной автором модели нейрона для слоя расширения размерности входного вектора и перевода непрерывного вектора в биполярный.

Основные положения, выносимые на защиту:

- модели, сформированные на основе концепции функционально прозрачных нейронных сетей, обладающие функциональной адаптацией к объекту диагностики и обеспечивающие повышение эффективности решения задач описания моделей исправного состояния, трендового контроля, прогнозирования и классификации технического состояния ГТД;

- способы самоорганизации нейронной сети путем селекции и деления, отличающиеся новыми архитектурными элементами, критериями формирования и правилами обучения, обеспечивающие функциональную прозрачность нейронной сети;

- алгоритмы самоорганизации и обучения нейронной сети, позволяющие автоматически формировать функционально адаптированные к предмету исследования структуры нейронных сетей, обеспечивающие повышение эффективности нейросетевых методов диагностики.

Практическая ценность работы заключается в следующем:

- предложена структура универсальной нейросетевой диагностической системы, реализующая индивидуальный подход к диагностике ГТД;

- разработанные диагностические модели обладают способностью функциональной адаптации и могут быть использованы для различных типов ГТД;

- разработано программное обеспечение, обеспечивающее формирование функционально прозрачных нейронных сетей для решения основных задач ди-

агностики.

Реализация и внедрение полученных результатов. Основные результаты работы внедрены на ОАО «НПО «Сатурн» для диагностирования двигателей ГТД-6/8РМ, М70ФРУ, М75РУ, использованы на ОАО «Сатурн - Газовые турбины» и в учебном процессе ГОУ ВПО РГАТА.

Апробация результатов исследования. Основные научные положения и результаты диссертации докладывались и обсуждались на следующих конференциях: «Проблемы исследования и проектирования машин»: III международная научно-техническая конференция. - Пенза, 2007; «Исследования и перспективные разработки в авиационной промышленности»: IV Научно-практическая конференция молодых учёных и специалистов, - Москва, 2007; «Navy and Shipbuilding nowadays»: IV International conference - С.-Петербург, 2007; «Теория и практика системного анализа»: I Всероссийская научная конференция молодых учёных, - Рыбинск, 2010; «Информационные технологии в науке, образований и производстве 2010»: IV Научно-техническая конференция, - Орел, 2010; «Кибернетика и высокие технологии XXI века» (С&Г 2010): XI Международная на-1' учно-техническая конференция, - Воронеж, 2010.

Публикации. Основной материал диссертации опубликован в 12 печатных работах, в т. ч. 2 статьи - в рецензируемых научных журналах, входящих в ' Перечень ВАК, имеется 2 свидетельства о регистрации программ для ЭВМ.

Структура и объем работы. Диссертация содержит введение, 4 главы, заключение, изложенных на 181 странице машинописного текста, список использованных источников, включающий 113 наименований, 4 приложения. Материал работы включает 28 таблиц и 55 рисунков.

СОДЕРЖАНИЕ РАБОТЫ

Во введении представлены актуальность темы исследования, объект и предмет исследования, сформулирована цель и задачи исследования.

В первой главе приведен аналитический обзор, в котором рассмотрены основные направления диагностирования технического состояния ГТД и основные типы решаемых диагностических задач. Выполнено сравнение различных методов искусственного интеллекта и обосновано использование нейросе-тей для решения задач диагностики ГТД. Описаны варианты решения диагностических задач при помощи нейронных сетей, среди которых хорошо рассмотрены задачи классификации технического состояния ГТД, незначительно -задачи оперативного и трендового контроля, совсем не рассматриваются задачи описания моделей исправного состояния и прогнозирования. Для всех подходов характерны общие недостатки - неформализованное^ принципов решения задач диагностики в нейросетевом базисе, отсутствие индивидуального подхода к объекту диагностирования и необъективный выбор топологии сети.

Рассмотрены различные подходы к выбору архитектур нейросетей и обосновано использование алгоритмов объективной самоорганизации при фор-

мировании структуры диагностических нейромоделей, среди которых наиболее эффективными являются методы, основанные на принципах селекции (метод группового учета аргументов) и деления (метод «растущего нейронного газа»). Следствием использования алгоритмов селекции является неполносвязность и уменьшение числа весовых коэффициентов в нейросетевых моделях, что снижает эффективность их применения при диагностике ГТД. Недостатками метода растущего газа является то, что не происходит выделения кластерной структуры в данных, что ограничивает использование метода при классификации.

Во второй главе рассмотрен ГТД как объект диагностирования. Особенности сложного технического объекта, созданного на основе теоретических и практических знаний, позволили сформулировать концепцию функционально прозрачных нейронных сетей (ФПНС), обеспечивающую систему взглядов на оптимизацию нейросетевых моделей. Концепция ФПНС состоит в отражении особенностей функционирования объекта за счёт объективной самоорганизации при реализации зависимости, соответствующей физическому смыслу процессов, происходящих в определённом узле или объекте в целом, и обеспечивает настройку модели на проектные характеристики с последующей адаптацией к индивидуальным особенностям реального объекта. Концепция ФПНС основана на следующих принципах: семантической адаптации функциональных зависимостей к физическому смыслу процессов в ГТД, позволяющей заложить знания об объекте в процесс формирования структуры сети; функциональное сочетание расчётных и реальных характеристик ГТД, обеспечивающее возможность настройки на обобщенные и индивидуальные характеристики объекта диагностирования; самоорганизации интеллектуальных элементов внутри модели как в процессе обучения, так и в процессе функционирования, обеспечивающей формирование структуры по объективным критериям и адаптацию модели в процессе эксплуатации объекта. Реализация принципов концепции приводит к формированию типа моделей функционально прозрачных нейронных сетей. Структура обобщенной модели ФПНС представлена на рис. 1. Описание разработанных ФПНС моделей приведено в табл. 1.

Рис. 1. Структура обобщенной модели функционально прозрачной нейронной сети

Таблица 1

ФПНС модели для основных типов диагностических задач

№ | Назначение модели Реализация

Описание моделей исправного состояния ГТД

1 Исходное описание отдельных параметров или групп параметров, характеризующих рабочий процесс в объекте диагностирования. у=/•([/, г)

2 Оценка косвенных (нерегистрируемых) параметров объекта диагностирования.

3 Поузловое описание характеристик объекта диагностирования (узел - совокупность ФПНС). £ -ф([/,/)

Трендовый контроль параметров ГТД

1 Выявление класса отсутствия тренда или нового (неизвестного) класса состояния.

Прогнозирование изменения технического состояния ГТД

1 Отслеживание множества значений взаимосвязанных параметров. Модель построена на основе комбинации алгебраической и конечно-разностной составляющих. (2 = Р(Р,О) е={д 0),к(©)}

2 Оценка и отслеживание отклонений от базовой характеристики. 8х = Г(и,тэ)

Классификация технического состояния ГТД

1 Классификация типа неисправности по «качественным» диагностическим признакам, возможен первичный перевод «количественных» признаков в «качественные» У' = ф) г'=ф*)=ь(хер0))

2 После получения диагноза о типе неисправности аппроксимация количественных характеристик неисправностей.

3 Выявление неявных и схожих классов на основе анализа количественных диагностических признаков.

Входные сигналы Выходные сигналы

и Управляющие факторы Е Выходные из узла

V Влияющие факторы В(в) Прогнозные

2 Зависимые факторы У(&) Скорость развития тренда параметра

I Внешние для узла У Общее обозначение

х(х) Временной ряд параметра ЯК Характеристики кластера

ь ,тэ Параметры времени ук Вектор класса

ОД Конечно-разностные уь Бинарный

ад Статистические У Количественные характеристики класса

Нормированные

¥о Количественные у,- Структура кластера

а« Влияющие на прогноз Мг(ГЬ) Характеристика класса уЬ

а (аьр) Качественные(биполярные) Сц Гиперкласс для класса N

ад Статистические

Предложено выделить задачу описания моделей исправного состояния ГТД в качестве базовой для повышения эффективности получения диагностических признаков, для решения которой разработаны три варианта построения моделей. Для решения задачи трендового контроля предложен подход к определению тренда параметров ГТД как к классификации «скользящего окна» сглаженного временного ряда, т. е. выявлению класса наличия / отсутствия тренда. При этом класс отсутствия тренда может быть составным, т. е. включать в себя несколько подклассов, например, соответствующих микротрендам. Такой подход упрощает формализацию, но задача становится некорректной, т. к. нейросеть должна выявлять новые, ранее не известные ей классы. В рамках решения задачи прогнозирования предложены две модели для прогнозирования изменения характеристик ГТД. Первая модель позволяет реализовать одновременно «грубую» модель (тренд) и «уточняющую» модель путем выделения низкочастотной и высокочастотной частей «скользящего окна» временного ряда. Вторая модель позволяет учитывать влияние режима работы ГТД и реализует экспресс-оценку. Для решения задачи классификации предложены три модели: классифицирующие неисправность; определяющие её числовые характеристики; обеспечивающие выявление неявных и схожих классов.

В третьей главе рассмотрены вопросы оптимизации нейросетевых методов. Для аппроксимации и экстраполяции характеристик ГТД выбраны нейро-сети типа «многослойный персептрон» с самоорганизацией структуры методом селекции. Автором предложено усилить адаптацию процесса самоорганизации ФПНС к функциональным особенностям объекта введением априорной функциональности в модель нейрона и функционального управления в способ формирования структуры межнейронных связей. Предложена реализация расширенной модели искусственного нейрона (рис. 2), учитывающая следующие особенности биологического нейрона: дихотомическое разветвление дендритов; исходное возбуждение нейрона, опреде- Рис. 2. Расширенная модель нейрона ляемое через подстройку порога нейрона в зависимости от характеристик входного вектора; модификация активационной функции; обратную аксосоматиче-скую связь с выхода нейрона на вход. Аналог дихотомического разветвления входного сигнала для нейрона с непрерывными входами реализуется на основе нечёткой логики. Число настроечных параметров нейрона при реализации функций нечетких «И» и «ИЛИ» возрастает с л до 2-(2"- 1) - п. Компенсировать снижение связности можно за счёт увеличения числа возможных сочета-

ло х\

Х„

ний между, нейронами, что достигается увеличением числа входных сигналов нейрона. В соответствии с предложенным принципом растущих связей усложнение, структуры нейронной сети происходит постепенно по мере роста слоев в нейронной сети и селекции нейронов, т. к. оно не должно нарушать объективность процесса самоорганизации структуры.

В качестве критерия селекции предложен комплексный параметр, разработанный на базе критериев метода группового учета аргументов

Л = Д2(Л) + (1-а)-Д2(В) +«см > (1)

где Д2(А) и Д2(В) - среднеквадратические ошибки по обучающей и проверочной выборкам, л2см - адаптированный критерий минимума смещения, а и X -масштабирующие коэффициенты.

Формирование структуры нейросети выполняется послойно, контроль обучения каждого нейрона выполняется по скорости изменения Д. Для селекции нейронов в слое выбрана селекция по статистическим характеристикам слоя (нижнее ограничение на число нейронов) и селекция по числу нейронов в, следующем слое (верхнее ограничение на число нейронов).

Для выявления неявных классов и для трендового контроля автором предложен способ топологической самоорганизации нейросети Кохонена методом деления на основе модели ,«растущего нейронного газа». Для достижения адаптивного расширения размерности, адаптивного формирования числа кластеров, ускорения обучения и формирования структуры сети на основе объективных критериев сформулированы и реализованы следующие принципы.

1) Соревновательный механизм деления нейронов, обеспечивающий право деления и последующей мутации нейронов, в зависимости от частоты побед в процессе обучения.

2) Формирование нейтрального резерва нейронов, реализующееся за счет деления проигравших нейронов, приобретающих способность реагировать на появление функциональных изменений в объекте диагностики.

3) Адаптивное формирование кластеров в нейронной сети, обеспечивающее оптимальную автоматическую кластеризацию, соответствующую структуре входных данных, с ограничением роста кластеров при обучении и возможность формирования новых кластеров в процессе дообучения.

4) Использование гауссовых функций активации нейронов обеспечивает формирование выходных сигналов нейронов в диапазоне [0, 1] и формирует топографическую карту выходов сети. Функции активации имеют вид

у = еЫ*Ъ-оУ\?\ (2)

где у - выходной сигнал нейрона в слое Кохонена, 5 - состояние нейрона, И -дистанция до входного вектора нейрона, вычисляемая по стандартному правилу модели Кохонена, а - коэффициент крутизны гауссовой функции.

5) Обучение по функции соседства, выполняющееся по правилу Ойя и

осуществляемое в пределах кластера, что значительно снижает время обучения.

6) Латеральное усиление активных, нейронов, подразумевающее установление дополнительных связей внутри кластера, помогающих усилить выходной сигнал нейрона-победителя в кластере. Латеральное усиление выполняется при помощи дополнительной связи, которая образуется между нейронами при их делении. Функционирование латеральной связи осуществляется для нейрона-победителя и связанных с ним окружающих нейронов в зависимости от уровней их недостаточного возбуждения (1 - у). Для нейрона-победителя и нейронов-соседей изменение выходного сигнала определится соответственно:

N ,-=1

где у„ - выходной сигнал нейрона победителя, у1 - выходной сигнал нейрона-соседа, N - число нейронов-соседей для нейрона-победителя, - весовой коэффициент латеральной связи между нейроном-победителем и г-м нейроном. Новые выходные значения нейронов будут определяться как у - у + Ау. Обучение веса латеральной связи выполняется по правилу Ойя.

Для завершения самоорганизации сформулированы 3 критерия: стабилизация числа кластеров в сети, достаточность числа нейронов в каждом кластере и достаточность обучения каждого кластера в нейронной сети.

Предложена новая нейросетевая архитектура, позволяющая использовать нейросеть Хэмминга для решения основных задач классификации. Возможность её применения для непрерывных данных обеспечивает введенный автором слой расширения размерности. Увеличение числа входных сигналов в сети Хэмминга гарантирует большую различимость разных классов, т. к. классификация выполняется нахождением расстояния Хэмминга от тестируемого образа до всех образов. Для выявления закономерностей во входных данных в слое расширения размерности формируются все возможные сочетания входных сигналов между собой с использованием новой модели *

нейрона (рис. 3). Различные соче- Хг *

тания входных сигналов обеспечивает узел принудительного

возбуждения и торможения х«--»

(УПВТ на рис. 3). Входные сигналы нормируются по аналогии с

нейронами сети Кохонена. „ „ тг-

Рис. 3. Нейрон в слое расширения размерности

Приведение выходных сигналов в биполярный вид осуществляется по условию:

если состояние нейрона 5,- входит в к-2" состояний наиболее близких к 0, то

ц = 1, где 0,25 <к< 0,5; в противном случае ¡х = - 1. Полностью слой расшире-

ния размерности содержит (2" - (п + 1)) нейронов. После обучения на выходе слоя формируется вектор/значения которого близки к величинам «1» и «- 1».

Оценка результатов исследования предложенных нейросетевых моделей и алгоритмов, проведенного на входных данных, сформированных по экспериментальным и модельным характеристикам ГТД, приведена в табл. 2.

Таблица 2

Результаты экспериментального исследования и сравнение с аналогами

Аналоги Сравнение с аналогами Результаты исследования

Модель нейронной сети прямого распространения 1. Повышение точности аппроксимации на 12 %. 2. Снижение дисперсии отклонений выходных сигналов сети на 22 %. 3. Снижение количества эпох обучения более чем в 4 раза. 1. Средняя ошибка аппроксимации не более 0,6 %. 2 Самоорганизация структуры нейронной сети. 3 Обеспечена структурная и функциональная прозрачность сети.

Модель нейронной сети Кохонена 1. Уменьшение числа нейронов в сети более чем в 10 раз. 2. Снижение числа эпох обучения более чем в 7 раз. 1.Автоматическая классификация входных данных. 2. Подтверждена самоорганизация, структуры нейронной сети.

Модель нейрон^ ной сети Хэмминга 1. Улучшение достоверности классификации на 50 %. 1. Достоверность распознавания на математической модели ГТД 100 % для 10 классов неисправностей по 3 признакам. 2. Структура жестко определяется числом входных и выходных сигналов, сети.

В четвертой главе описаны результаты экспериментального исследования предложенных нейросетевых моделей для решения задач диагностики технического состояния ГТД при помощи ФПНС, которое выполнено на основании методики, учитывающей особенности объекта диагностирования и теории нейросетей. В качестве объектов для экспериментального исследования выбраны ГТД производства ОАО «НПО «Сатурн» - М70ФРУ, М75РУ и ГТД-6/8РМ.

Методами самоорганизации сформированы ФПНС модели для исходного описания (рис. 4) и косвенного расчёта характеристик ГТД М70ФРУ. На основе ФПНС моделей в процессе специальных солевых испытаний была вьтолнена оценка отклонений параметров ГТД от их базовых (исходных) зависимостей.

[^кпр/КПР,

Зависимость:

ТКПР^ТПР

>аНА*&ВПр)

а

87к~3-4%

5Рк изменилось с 0,5 - 1% до 3 - 4% при ~ изменении режима работы ГТД ^

Время испытания, 1 х 20 мс Рис. 4. ФПНС модель и отклонения от базовых значений при солевых испытаниях ГТД

В процессе исследования была реализована многопараметрическая зависимость, описывающая исходное состояние приведенных температуры и давления воздуха за компрессором от приведенных частоты вращения ротора турбокомпрессора, расхода топлива, расхода воздуха и угла установок лопаток направляющего аппарата (средняя ошибка при аппроксимации 0,7 %). Метод оценки изменения нерегистрируемых параметров показал приемлемую для диагностики точность косвенного расчёта (ошибка » ± 1,5 %), однако с развитием неисправности в ГТД точность уменьшалась (ошибка расчёта » ± 2 - 3 %).

При решении задачи трендового контроля была проведена оценка изменения отклонений от базового значения для температуры газа за силовой турбиной, определённая в процессе эксплуатации ГТД-6/8РМ, с использованием ФПНС модели на базе сети Кохонена. Были обработаны данные за 2 этапа эксплуатации ГТД (рис. 5). Результаты испытаний, показали, что ФПНС модель,

обученная на 1-ом этапе эксплуатации, смогла выявить 5 точек с неизвестным классом состояния. Анализ подтвердил, что модель достоверно классифицирует различные проявления характера тренда независимо от его величины, а характеристики кластеров и топографические карты могут быть использованы для выявления ухудшения технического состояния ГТД на ранних стадиях раз-Рис. 5. Реальный и сглаженный тренд 6Тт вития Возможность самоорганиза -

ции нейросети в процессе дообучения по новым данным гарантирует адаптацию к появлению новых классов состояний. После дообучения было выявлено 3 новых класса состояния.

При исследовании решения задач прогнозирования были сформированы ФПНС модели разной степени сложности для прогнозирования изменения зависимости (рис. 5); ФПНС модели для прогнозирования изменения относительного отклонения ЬШ (рис. 6) комплексного приведенного параметра Кй, характеризующего общее техническое состояние ГТД-6/8РМ, в виде

1-й эта п 2-йэт ш /14

'—"•Л

гр

5500 Наработка, ч

Кс1 ■■

а-N-Рк ■ТС1

(Ри ^РАЗР) ' {тк Тт)-^Тт

(4)

РАЗР 7 V к ' вх / "V* вх где N - активная электрическая мощность, МВт; Рк - статическое давление воздуха за компрессором ГТД, КПа; Тег - температура газов за силовой турбиной, К; Рн - атмосферное давление, КПа; Ррдзр - разрежение в воздухоочистительном устройстве, КПа; 7к - температура воздуха за компрессором, К; Т вх -температура воздуха на входе в ГТД, К; а - масштабирующий коэффициент.

Экспериментально подтверждено, что ФПНС модели обеспечивают количественный краткосрочный прогноз сложных зависимостей с ошибкой в пределах 3 - 10 % для прогнозирования изменения отдельных диагностических параметров и с ошибкой 1 - 3 % для' прогнозирования изменения комплексных параметров. Нейросети с более сложной архитектурой способны выявлять характер тренда параметра в длительной перспективе (20-50 интервалов упреждения), а их дообучение обеспечивает ошибку прогноза в пределах 7-15%.

Для проверки -; решения задач классификации была построена диагностическая модель ГТД М75РУ на основе коэффициентов влияния. В качестве изменяющихся независимых факторов были приняты 8 параметров: адиабатический КПД компрессора г|к; коэффициент сохранения давления торможения в камере сгорания акс; КПД турбины высокого давления г|тк; КПД силовой турбины г)ст; коэффициент сохранения давления торможения на входе в ГТД овх; эффективная площадь критического сечения соплового аппарата первой ступени турбины /*са ь коэффициент, учитывающий относительные утечки воздуха за компрессором (1-С?ут); относительный расход воздуха на охлаждение частей двигателя (?охл- Дополнительно были смоделированы 28 совместных неисправностей. В качестве диагностических признаков рассматривались малые отклонения следующих параметров: мощности Аг, степени повышения давления в компрессоре пк, расхода воздуха на входе в компрессор <7В, часового расхода топлива Ст, температур: воздуха за компрессором 7к; газа за турбиной высокого давления Т1К] газа за силовой турбиной ГСт. Были сформированы ФПНС модели для классификации технического состояния и для выявления неявных и схожих классов. Результаты их применения для оценки работы ГТД в процессе «солевых» испытаний приведены в табл. 3.

Область прогноза

* !\

■ /А \ г----- Лп I 1 1 1 * 1 1 1

ч! я

Наработка, ч

Рис. 6. График тренда отклонения ЬШ и лучшая прогнозирующая ФПНС модель

Показано, что предложенная нейросеть Хэмминга со слоем расширения размерности обеспечивает повышение эффективности дифференцирования неисправностей по малому числу диагностических признаков в среднем на 50 % по сравнению с классической сетью Кохонена. Достоверность результатов диагностирования подтверждается стабильностью диагнозов во времени по мере развития неисправности, коррелированностью результатов двух нейросетей, адекватностью диагноза физическим процессам, происходящим в процессе засоления проточной части ГТД, независимой экспертной оценкой и результатами дефектации ГТД на предприятии-изготовителе. С учетом отсутствия априорных эмпирических признаков проявления неисправностей показана возможность их классификации при помощи моделей, обученных только по математической модели ГТД, т. е. по обобщённым характеристикам.

Таблица 3

1,4 ФПНС Хэмминга ФПНС

Класс Неисправности Кохонена

Класс

20 7 8г)тк 2

40 29 5т)тк + бСохл 7

60 29 6т|тк + 6GOM 7

80 29 8riTK + SGoxji 7

100 29 8т|тк + SGoxji 7

120 2 8т]к 2

138,1 2 5т|к 2

138,2 20 Stitk + 8т|к 7

Соответствие гиперклассов

Гиперкласс Класс Неисправности

2 Sri«

17 50охл + 5т|»

19 бсткс + Sr|K

34 5г|тк + бокс

7 5г|тк

18 SFca 1 + 5ri«

20 Sri™ + 5Лк

29 5г|тк + SGoxn

31 8аКс + SFca ,

32 Stitk + SFcai

Разработана общая структура диагностической модели ГТД на основе ФПНС, реализующая индивидуальный подход к решению задачи диагностирования ГТД, обеспечивающая повышение эффективности постановки диагноза о техническом состоянии ГТД. Универсальность структуры диагностической модели обеспечивается возможностью адаптивно наращивать функциональные возможности по модульному принципу унифицированными ФПНС моделями.

ОСНОВНЫЕ РЕЗУЛЬТАТЫ РАБОТЫ

1) Для решения многофакторных и вариативных задач диагностики ГТД на базе нейросетевых методов введена концепция функционально прозрачных нейронных сетей, которая позволила формализовать правила построения нейросетевых диагностических моделей с учётом как обобщенных, так и индивидуальных характеристик объекта диагностирования.

2) На основе базовых принципов концепции разработаны модели для решения основных типов диагностических задач, которые обеспечивают функциональную адаптацию нейросетей к особенностям сложного технического объекта, проявляющимся в процессе эксплуатации. Их применение позволило

повысить эффективность оценки технического состояния ГТД за счет универсальности описания физических процессов в нейросетевом базисе.

3) Для реализации разработанных диагностических моделей предложены и исследованы новые способы и алгоритмы самоорганизации нейромоделей, обеспечивающие функциональную адаптацию и прозрачность структуры, а также обеспечивающие ускорение сходимости процесса обучения.

4) Эффективность решения основных диагностических задач с использованием разработанных моделей для различных типов ГТД, адекватность предложенных моделей и достоверность полученных результатов подтверждается результатами экспериментального исследования, выполненного на основе разработанной методики и комплекса программ.

5) Построение нейромоделей на единых концептуальных принципах обеспечивает их унификацию для разных направлений диагностирования ГТД и для разных типов ГТД за счет функциональной адаптации при самоорганизации.

6) Результаты работы были внедрены на ОАО «НПО «Сатурн».

СПИСОК ПУБЛИКАЦИЙ ПО ТЕМЕ ДИССЕРТАЦИИ

Статьи в научных изданиях, рекомендованных ВАК РФ:

1 Добродеев, И. П. Самоорганизация нейронных сетей методом селекции [Текст] - И. П. Добродеев, И. Н. Паламарь // Информационные системы и.тех-нологии. -2010.-№ 3 (59). С. 5 - 11.

2 Добродеев, И. П. Анализ термогазодинамических параметров при «солевых» испытаниях ГТД М75РУ на основе модели нейронной сети Хэмминга [Текст] - И.П. Добродеев, В.П.Добродеев // Вестник РГАТА им. П.А. Соловьева. - Рыбинск, 2010. - № 1 (16). - С. 167 - 173.

Статьи в прочих научных изданиях н материалах конференций:

3 Добродеев, И. П. Математическая модель системы смазки опор роторов ГТД [Текст] - И. П. Добродеев, В. С. Чигрин, Д. Н. Громов // Трение и смазка в машинах и механизмах, 2007. - № 11. - С. 5 - 7.

4 Добродеев, И. П. Общие принципы диагностирования ГТД с использованием ядерных нейронных сетей [Текст] - И. П. Добродеев, В. В. Червонюк, В. С. Чигрин, С. А. Беляков // Авиационно-космическая техника и технология, 2008.-№9(58).-С. 177- 184.

5 Добродеев, И. П. Параметрическое диагностирование ГТД с использованием комплексного критерия и искусственных нейронных сетей [Текст] -И. П. Добродеев, В. С. Чигрин, И. Н. Паламарь // Проблемы исследования и проектирования машин: III международная научно-техническая конференция. -Сборник статьей, Пенза, 2007. - С. 45 - 48.

6 Dobrodeev, LP. Gas turbine engine parametrical diagnostics system in structure of the local control system as an instrument for engine operational reliability improvement [Текст] -1. P. Dobrodeev, V. V. Chervonyuk, M. R. Gasul, [и др.] II Navy and Shipbuilding nowadays". IV International conference, - St. Peterburg, 2007.-P. 35-39.

7 Добродеев, И. П. Обоснование подхода для оптимизации решения за-

дач диагностирования технического состояния ГТД [Текст] - И. П. Добродеев, И. Н. Паламарь // Вестник РГАТА им. П. А. Соловьева. - Рыбинск, 2009. -№ 1(15).-С. 119-126.

8 Добродеев, И.П. Параметрический метод диагностического контроля состояния ГТД с использованием искусственных нейронных сетей [Текст] -И. П. Добродеев, В. С. Чигрин, И. Н. Паламарь // «Исследования и перспективные разработки в авиационной промышленности»: IV Научно-практическая конференция молодых учёных и специалистов. - Сборник статей, Москва, 2007. - С. 143 - 149.

9 Добродеев, И. П. Концепция функционально-прозрачных нейронных сетей в диагностических моделях сложных технических объектов [Текст] -И. П. Добродеев, И. Н. Паламарь // Теория и практика системного анализа: I Всероссийская научная конференция молодых учёных. - Сборник статей, -Рыбинск, 2010. - Том 2. - С. 90 - 95.

10 Добродеев, И. П. Интеллектуальный подход к прогнозированию изменения характеристик сложных технических объектов с использованием принципов функционально-прозрачных нейронных сетей [Текст] - И. П. Добродеев, И. Н. Паламарь // Теория и практика системного анализа: I Всероссийская научная конференция молодых учёных. - Сборник статей., Рыбинск, 2010. -Том 1,-С. 50-57.

11 Добродеев, И. П. Нейросетевой трендовый контроль параметров сложных технических объектов [Текст] - И. П. Добродеев, И. Н. Паламарь // Информационные технологии в науке, образовании и производстве 2010: IV Международная научно-техническая конференция. - Сборник статей, Орел, 2010.-С. 212-220.

12 Добродеев, И. П. Реализация расширенной модели искусственного нейрона в структуре самоорганизующихся нейронных сетей [Текст] - И. П. Добродеев, И. Н. Паламарь // Кибернетика и высокие технологии XXI века» (С&Т 2010): XI Международная научно-техническая конференция. - Сборник статей, Воронеж, 2010. - Том 2. - С. 516-526.

Зав. РИО М. А. Салкова Подписано в печать 21.10.2010. Формат 60x84 1/16. Уч.-изд.л. КТираж 100. Заказ 130.

Рыбинская государственная авиационная технологическая академия имени П. А. Соловьева (РГАТА)

Адрес редакции: 152934, г. Рыбинск, ул. Пушкина, 53

Отпечатано в множительной лаборатории РГАТА имени П. А. Соловьйва

152934, г. Рыбинск, ул. Пушкина, 53

Условные сокращения и обозначения.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД.

1.1 Направления диагностики ГТД и типы диагностических задач.

1.2 Анализ особенностей методов искусственного интеллекта.

1.3 Анализ существующих методов диагностики технического состояния ГТД на основе нейронных сетей.

1.3.1 Реализация подзадачи оперативного контроля.

1.3.2 Реализация задачи классификации технического состояния ГТД.

1.3.3 Анализ трендов параметров ГТД.

1.3.4 Комбинирование нейросетевых структур с другими интеллектуальными методами.

1.4 Анализ особенностей нейросетевых моделей при решении задач.

1.4.1 Анализ проблем нейросетевого диагностирования ГТД.

1.4.2 Анализ методов оптимизации структуры нейросетевых моделей.38 ■

1.5 Выводы по главе.

ГЛАВА 2. ФОРМАЛИЗАЦИЯ ПОДХОДОВ К ПОСТРОЕНИЮ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ОСНОВНЫХ ТИПОВ ЗАДАЧ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД.

2.1 Особенности ГТД как объекта диагностирования.

2.2 Концепция функционально прозрачных нейронных сетей.

2.3 Формализация принципов решения основных диагностических задач с использованием моделей ФПНС.

2.3.1 Формирование ФПНС для описания моделей исправного состояния

2.3.2 Формирование ФПНС для моделей трендового контроля параметров

2.3.3 Формирование ФПНС для реализации прогнозирующих моделей.

2.3.4 Формирование ФПНС для моделей классификации текущего технического состояния ГТД.

2.4 Выводы по главе.

ГЛАВА 3. РАЗРАБОТКА И ОПТИМИЗАЦИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ДИАГНОСТИКИ ГТД.

3.1 Разработка и исследование способа самоорганизации персептронов на основе функционального расширения селективных алгоритмов.

3.1.1 Модель нейрона с адаптивной функциональностью в структуре самоорганизующихся нейросетей.

3.1.2 Самоорганизация нейросетей с растущим числом межнейронных связей.

3.1.3 Выбор критериев оценки качества обучения отдельного нейрона и самоорганизации слоя нейросети.

3.1.4 Способы селекции нейронов в слое и критерии завершения самоорганизации.

3.1.5 Исследование алгоритма самоорганизации и обучения нейросети.

3.2 Разработка и исследование способа топологической самоорганизации нейросети Кохонена.

3.3.1 Разработка принципов топологической самоорганизации нейросети Кохонена.

3.3.2 Разработка и исследование алгоритма топологической самоорганизации нейросети Кохонена.

3.3.2 Исследование алгоритма топологической самоорганизации нейросети Кохонена.

3.3 Разработка способа адаптации нейросети Хэмминга к работе с непрерывными входными векторами.

3.2.1 Модель нейрона в слое расширения размерности.

3.2.2 Характеристики слоя расширения размерности.

3.2.3 Исследование функционирования слоя расширения размерности.

3.4 Выводы по главе.

ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ФПНС МОДЕЛЕЙ ПРИ РЕШЕНИИ ОСНОВНЫХ ЗАДАЧ ДИАГНОСТИКИ ГТД.

4.1 Методика проведения экспериментов.

4.2 Экспериментальное исследование описания исправного состояния ГТД с использованием ФПНС моделей.

4.3 Экспериментальное исследование выявления тренда в характеристиках двигателя с использованием ФПНС моделей.

4.4 Экспериментальное исследование прогнозирования изменения характеристик ГТД при помощи ФПНС моделей.

4.5 Экспериментальное исследование ФПНС моделей классификации технического состояния ГТД.

4.6 Разработка способа комплексного диагностирования ГТД на основе ФПНС моделей.

4.7 Выводы по главе.

Актуальность темы. Газотурбинный двигатель является сложной технической системой. Развитие подходов к диагностике технического состояния ГТД идёт в нескольких направлениях: разработка новых физических принципов диагностики, разработка диагностических средств и систем, совершенствование алгоритмических процедур. Актуальность вопросов диагностики достаточно высока, учитывая, что имеются тенденции к разработке двигателей с большими ресурсами и с большей эксплуатационной нагрузкой. Цена неисправности, разрушения или катастрофы чрезвычайно высока, особенно когда речь идёт о человеческих жизнях. Разработка систем диагностики позволяет повысить безопасность эксплуатации ГТД.

Важность направления определяется, в том числе совершенствованием алгоритмического обеспечения, дающего расширение возможностей диагностических моделей и повышение достоверности диагностирования. В работах С. В. Жернакова, А. М. Пашаева, А. Г. Кучера, П. И. Ракова и других показаны преимущества использования методов искусственного интеллекта, таких как нейронных сети, нечеткая логика, экспертные системы перед классическими методами диагностики при решении вопросов связанных с распознаванием неисправностей ГТД. Это обусловлено тем, что системы искусственного интеллекта обладают высокими адаптационными характеристиками, могут решать сложные задачи по классификации и распознаванию образов, что является одним из ключевых моментов в диагностике. При этом из различных методов искусственного интеллекта для решения задач диагностики ГТД наиболее эффективными являются нейронные сети.

Анализ тенденций развития методов диагностики показал, что к ним предъявляются следующие требования:

- достоверность оценки технического состояния ГТД;

- интеллектуализация процессов управления и контроля ГТД;

- универсальность механизмов обработки и анализа информации.

Существующие подходы к использованию интеллектуальных методов диагностики ограничены специфичностью решаемых задач, недостаточной разработанностью теории применения нейронных сетей для диагностирования ГТД, отсутствием универсальных и формализованных подходов, несовершенством самих нейросетевых методов.

В связи с этим актуальными являются вопросы разработки общих принципов формирования нейросетевых диагностических моделей для решения основных задач диагностики технического состояния ГТД, а также вопросы оптимизации нейросетевых методов для более эффективного их использования при диагностирования технического состояния газотурбинных двигателей.

Объектом исследования являются нейросетевые диагностические системы газотурбинных двигателей.

Предметом исследования является методология формирования эффективных нейросетевых диагностических моделей технического состояния сложных технических объектов.

Цель работы и задачи исследования. Цель диссертационной работы заключается в повышении эффективности нейросетевых методов решения основных типов диагностических задач ГТД путем оптимизации нейросетевых моделей на основе функциональной адаптации.

Для достижения поставленной цели необходимо:

- провести системный анализ методов и систем диагностики технического состояния ГТД для выявления наиболее перспективных тенденций и существующих проблем;

- разработать общую концепцию использования нейронных сетей при диагностике технического состояния ГТД для унификации диагностических подходов;

- разработать принципы формирования нейронных сетей и модели на их основе для решения основных типов диагностических задач ГТД;

- разработать и исследовать способы и алгоритмы реализации нейросетевых диагностических моделей ГТД;

- провести экспериментальное исследование разработанных моделей и алгоритмов для ГТД различного типа и назначения;

- на основе проведенного исследования разработать общую структуру нейросетевой диагностической системы.

Методы исследования. Исследование проведено на основе системного анализа с использованием теории нейронных сетей; теории распознавания образов; комбинаторики; дифференциального исчисления; методов: нечеткой логики, математической статистики, группового учета аргументов, планирования эксперимента, интерполяции и аппроксимации; математического, компьютерного и имитационного моделирования.

Научная новизна.

1. Разработана концепция функционально прозрачных нейронных сетей, обеспечивающая построение эффективных нейросетевых диагностических моделей на универсальных принципах и реализующая индивидуальный подход к решению задачи диагностирования ГТД.

2. На базе концепции функционально прозрачных нейронных сетей разработаны подходы к формированию нейросетевых структур, отличающихся функциональной адаптацией для решения основных типов диагностических задач ГТД.

3. Разработаны новые нейросетевьте структуры и алгоритмы:

- модели искусственного нейрона: расширенная модель и модель для слоя расширения размерности;

- нейросетевая архитектура, обеспечивающая расширение размерности диагностических признаков и перевод их из непрерывного вектора в биполярный вектор, который используется классифицирующей нейронной сетью Хэм-минга для эффективного распознавания классов состояния;

- алгоритм самоорганизации нейронной сети прямого распространения на базе метода группового учета аргументов с использованием расширенной модели нейрона и принципа растущего числа межнейронных связей;

- алгоритм топологической самоорганизации структуры нейронной сети Кохонена.

Практическая ценность диссертационной работы заключается, в следующем:

- предложена структура универсальной нейросетевой диагностической системы, реализующая индивидуальный подход к решению задачи диагностирования ГТД;

- разработанные диагностические модели обладают способностью функциональной адаптации к различным типам сложных технических объектов;

- разработано программное обеспечение, обеспечивающее формирование функционально прозрачных нейронных сетей для решения основных типов диагностических задач.

Реализация и внедрение основных результатов работы. Основные реi зультаты работы внедрены на ОАО «НПО «Сатурн» для диагностирования двигателей ГТД-6/8РМ, М70ФРУ, М75РУ, использованы на ОАО «Сатурн - Газовые турбины» и в учебном процессе ГОУ ВПО РГАТА, что подтверждается соответствующими актами о внедрении и использовании.

Апробация результатов исследования. Основные научные положения и результаты диссертационной работы докладывались и обсуждались на следующих конференциях:

- «Проблемы исследования и проектирования машин»: III международная научно-техническая конференция, - Пенза, 2007;

- «Исследования и перспективные разработки в авиационной промышленности»: IV Научно-практическая конференция молодых учёных и специалистов, - Москва, 2007;

- «Navy and Shipbuilding nowadays»: IV International conference, — Санкт-Петербург, 2007;

- «Теория и практика системного анализа»: I Всероссийская научная конференция молодых учёных, - Рыбинск, 2010;

- «Информационные технологии в науке, образовании и производстве 2010»: IV Научно-техническая конференция, - Орел, 2010;

- «Кибернетика и высокие технологии XXI века» (С&Г2010): XI Международная научно-техническая конференция, - Воронеж, 2010;

- на заседаниях кафедры вычислительных систем РГАТА (2007, 2008, 2009, 2010 г.).

Публикации. Основной материал диссертации опубликован в 12 печатных работах, в т. ч. 2 статьи - в рецензируемых научных журналах, входящих в Перечень ВАК, имеется 2 свидетельства о регистрации программ для ЭВМ.

Структура диссертации. Диссертационная работа состоит из введения, четырех глав с выводами к каждой из них, заключения, списка использованных источников, включающего 113 наименований, 4 приложений.

Основные результаты работы были внедрены на ОАО «НПО «Сатурн», использованы в конструкторском отделе по системам автоматического управления при разработке подходов, методик и алгоритмов диагностирования для двигателей ГТД-6/8РМ, М70ФРУ, Е70/8РД, использованы на ОАО «Сатурн -Газовые турбины» и в внедрены в учебный процесс ГОУ ВПО РГАТА им. П. А. Соловьева на кафедрах «МПО ЭВС», «ЭМ и ЭИС», «ВС» в лекционных занятиях по дисциплинам «Интеллектуальные информационные системы», «Программное обеспечение автоматизированных производств» и «Системы искусственного интеллекта».

Таким образом, полученные результаты позволяют сделать вывод о том, что предложенные нейросетевые диагностические модели, способы и алгоритмы их реализации на основе функциональной адаптации для решения основных типов диагностических задач, обеспечивают достижение конечной цели диссертационной работы - повышение эффективности нейросетевых методов диагностики технического состояния ГТД.

ЗАКЛЮЧЕНИЕ

В диссертации исследованы нейросетевые методы с целью повышения5 эффективности диагностики технического состояния ГТД. На основе системного анализа были определены основные типы диагностических задач, выявлены основные проблемы использующихся методов и недостатки существующих систем диагностики. Анализ тенденций в разработке и диагностике ГТД показал необходимость разработки общих принципов формирования нейросетевых диагностических моделей и оптимизации нейросетевых методов.

В диссертационной работе получены следующие основные научные и практические результаты.

Сформулирована концепция функционально прозрачных нейронных сетей, которая позволила формализовать правила построения нейросетевых диагностических моделей с учётом как обобщенных, так и индивидуальных характеристик объекта диагностирования. На основе базовых принципов концепции разработаны модели для основных типов диагностических задач, обеспечивающие функциональную адаптацию нейросетевых моделей к особенностям сложного технического объекта, проявляющимся в процессе эксплуатации.

Для повышения эффективности разработанных ФПНС моделей были предложены и исследованы новые способы и алгоритмы самоорганизации нейронных моделей:

- разработан способ и алгоритм самоорганизации структуры НС прямого распространения на основе МГУ А, отличающийся принципом растущего числа межнейронных связей, предложенной реализацией расширенной модели нейрона и дообучением НС после самоорганизации;

- разработан способ топологической самоорганизации структуры НС Ко-хонена и алгоритм его реализации;

- предложен новый подход к решению проблемы трендового контроля как задачи НС классификации без учителя;

- предложен способ адаптации НС Хэмминга к непрерывным входным данным, отличающийся введением в структуру сети дополнительного слоя нейронов, математическая модель которых обеспечивает расширение размерности непрерывного входного вектора НС Хэмминга.

В результате исследования разработанных алгоритмов получено, что повышение эффективности НС моделей обеспечивается:

- самоорганизацией структур НС прямого распространения и НС Кохоне-на, что усиливающей функциональную адаптацию и прозрачность моделей;

- повышением точности аппроксимации характеристик ОД НС прямого распространения на основе МГУА;

- снижением общего числа нейронов в топографической карте Кохонена с сохранением классифицирующих свойств;

- повышением скорости обучения в несколько раз для НС прямого распространения и НС Кохонена за счет самоорганизации структуры;

- формированием расширенного биполярного вектора для НС Хэмминга из непрерывного входного вектора малой размерности, что повышает достоверность классификации.

Выполнено экспериментальное исследование решения задач диагностики для различных типов ГТД на основе разработанной методики и комплекса программ, которое подтвердило адекватность предложенных моделей и достоверность полученных результатов.

Эффективность решения основных диагностических задач с использованием предложенной концепции ФПНС подтверждается следующим:

- при описании моделей исходного состояния ГТД ФПНС модели обеспечивают ошибку аппроксимации многопараметрических характеристик не более 1,5 % от измеряемой величины, а при оценке нерегистрируемых характеристик не более 3 %;

- при трендовом контроле ФПНС модели позволяют по малым выборкам выявлять появление нового класса состояния во временных характеристиках ГТД;

- при прогнозировании ФПНС модели обеспечивают точность краткосрочного прогноза для основных диагностических параметров в пределах 3

10 % и для комплексных параметров в пределах 1 — 3 %;

- при классификации технического состояния ФПНС модели обеспечивают достоверное выявление однократных и двукратных неисправностей.

Разработана общая структура диагностической модели ГТД на основе ФПНС, реализующая индивидуальный подход к решению задачи диагностирования ГТД, предложен способ применения и алгоритм работы модели для постановки диагноза о техническом состоянии ГТД.

1. Кулагин, В. В. Теория, расчет и проектирование авиационных двигателей и энергетических установок. Книга 3 Текст. / В. В. Кулагин М.: Машиностроение, 2005. - 460 с.

2. Бакулев, В. И. Теория, расчет и проектирование авиационных двигателей и энергетических установок Текст. / В. И. Бакулев, В. А. Голубев, Б. А. Крылов и др.; Под редакцией В. А. Сосунова, В. М. Чепкина М.: Изд-во МАИ, 2003.-688 с.

3. Шустов, И. Г. Двигатели 1944-2000. Авиационные, ракетные, морские, промышленные: Иллюстрированный справочник. Серия: отечественная авиационная и ракетно-космическая техника Текст. / И. Г. Шустов М.: ООО «АКС-конверсалт», 2000. - 434 с.

4. Киселев, Ю. В. Основы теории технической диагностики Текст. / Ю. В. Киселев Самара: Самар. гос. ун-т, 2004. - 138 с.

5. Биргер, И. А. Техническая диагностика. Текст. / И. А. Биргер М.: Машиностроение, 1978. -240 с.

6. Сиротин, H. Н., Техническая диагностика авиационных газотурбинных двигателей. Текст. / H. Н. Сиротин, Ю. М. Коровкин- М.: Машиностроение, 1979.-272 с.

7. Рыбалко, В. В., Безотказность и диагностика газотурбинных установок. Текст. / В. В. Рыбалко. ГОУ ВПО СПбГТУРП, 2006. - 185 с.

8. Горбань, А. Н., Нейроинформатика. Текст. / А. Н. Горбань, В. Л. Дунин-Барковский, А. Н. Кирдин Новосибирск: Наука, СО РАН, 1998. -296 с.

9. Новиков, А. С. Контроль и диагностика технического состояния газотурбинных двигателей. Под редакцией, д.т.н., профессора Сиротина H. Н. Текст. / А. С. Новиков, А. Г. Пайкин , H. Н. Сиротин М.: Наука, 2007. - 469 с.

10. Васильев, В. И. Нейрокомпьютеры в авиации. Текст. /

11. В. И. Васильев, Б. Г. Ильясов, С. Т. Кусимов М: Радиотехника, 2004. - 496 с.

12. Ахмедзянов, А. И*. Диагностика состояния ВРД по термогазодинамическим параметрам. Текст. / А. И. Ахмедзянов, Н. Г. Дубравский,

13. A. П. Тунаков М.: Машиностроение, 1983. - 203 с.

14. Васильев, В. И. Автоматический контроль и диагностика систем управления силовыми установками летательных аппаратов. Текст. /

15. B. И. Васильев, Ю. М. Гусев, А. И. Иванов М: Машиностроение, 1989. - 240 с.

16. Глазунов, JI. П. Проектирование технических систем диагностирования. Текст. / JI. П. Глазунов, А. Н. Смирнов JL: Энергоатомиздат, 1982.

17. Елисеев, Ю. С. Технология эксплуатации, диагностика и ремонт газотурбинных двигателей. Текст. / Ю. С. Елисеев, В. В. Крымов, К. А. Малио-вский, В.Г. Попов М.: Высш. Шк. 2002. - 355 с.

18. Киселев, Ю. В. Основы теории технической диагностики. Текст. / Ю. В. Киселев Самара: Самар. гос. ун-т, 2004. - 138 с.

19. Карасев, В. А. Вибрационная диагностика газотурбинных двигателей. Текст. / В. А. Карасев, В. П. Максимов, М. К. Сидоренко М.: Машиностроение, 1978.- 132 с.

20. Дорошко, С. М. Контроль и диагностирование технического состояния газотурбинных двигателей по вибрационным параметрам. Текст. /

21. C. М. Дорошко -М.: Транспорт, 1984. 128 с.

22. Барков, А. В. Мониторинг и диагностика роторных машин по вибрации: Учеб. пособие. Текст. / А. В. Барков, Н. А. Баркова, А. Ю. Азовцев СПб.: Изд.центр СПбГМТУ, 2000. - 159 с.

23. Ахмедзянов, A.M. Вопросы технической диагностики состояния авиационных двигателей. Текст. / А. М. Ахмедзянов, JI. X. Юлдыбаев Сборник Испытания авиационных двигателей. № 5. Уфа: УАИ, 1977. - С. 17-28.

24. Гладких, Е. В. Разработка алгоритмов параметрической диагностики' газотурбинной установки наземного применения. Текст. / Е.В. Гладких, В.Ф. Халиуллин, В.Е. Воронков // Авиационно-космическая техника и технология,2006. №10 (36). - С.177 - 179.

25. Степаненко, В. П. Практическая диагностика авиационных газотурбинных двигателей. Текст. / В.П. Степаненко. М.: Транспорт, 1985. 102 с.

26. Сиротин, Н. Н. Конструкция и эксплуатация, повреждаемость и работоспособность газотурбинных двигателей и энергетических установок. Текст. / Н. Н Сиротин. М.: РИА «ИМ ИМФОРМ», 2002. - 420 с.

27. Кеба, И. В. Диагностика авиационных газотурбинных двигателей. Текст. / И. В. Кеба М.: Транспорт, 1980. - 248 с.

28. Лукашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. Текст. / Ю. П. Лукашин М.: Финансы и статистика, 2003.-415 с.

29. Жигалевский, А. А. Обнаружение разладки случайных процессов в задачах радиотехники. Текст. / А. А. Жигалевский, А. Е. Красновский Л.: Изд. Ленинградского университета, 1988. 224 с.

30. Айвазян, С. А. Прикладная статистика. Исследование зависимостей. Текст. / С. А. Айвазян, И. С. Енюков, Л. Д. Мешалкин М.: Финансы и статистика, 1985.-488 с.

31. Отнес, Р. Прикладной анализ временных рядов. Основные методы. Текст. / Р. Отнес, Л. Эноксон М.: Мир, 1982. - 428 с.

32. Миргород, В. Ф. Сравнительный анализ эффективности критериев тренда в задачах диагностики ГТД. Текст. / В. Ф. Миргород, Г. С. Ранченко // Авиационно-космическая техника и технология, 2005. № 8 (24).-С. 190 —194.

33. Ивахненко, А. Г. Самоорганизация прогнозирующих моделей. Текст. / А. Г. Ивахненко, И. А. Мюллер — Киев: Техшка, 1985. — 223 с.

34. Ивахненко, А. Г. Долгосрочное прогнозирование и управление сложными системами. Текст. / А. Г. Ивахненко К.: Техника, 1975. - 312 с.

35. Михлин, В. М. Прогнозирование технического состояния машин. Текст. / В. М. Михлин М. Колос, 1976. - 288 с.

36. Уоссермен, Ф. Нейрокомпьютерная техника. Текст. / Ф. Уоссермен -М.гМир, 1992. 118 с.

37. Галушкин, А. И. Теория нейронных сетей: Текст. / А. И. Галушкин -М.: ИПРЖР, 2000.-416 с.

38. Круглое, В. В. Нечеткая логика и искусственные нейронные сети. Текст. / В. В. Круглов М. И Дли, Р. Ю. Годунов М.: Физматлит, 2001. 221с.

39. Заенцев, И. В. Нейронные сети: основные модели. Текст. / И. В. За-енцев -Учебное пособие к курсу "Нейронные сети", Воронеж: ВГУ. 1999. 76 с.

40. Комарцова, JI. Г. Нейрокомпьютеры: Текст. / JT. Г. Комарцова, А. В. Максимов М.: Изд-во МГТУ им. Баумана, 2002. - 320 с.

41. Сотник, С. JL Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта»Текст. / С. JI. Сотник 1998. 70 с.

42. Добродеев, И. П. Обоснование подхода для оптимизации решения задач диагностирования технического состояния ГТД, Текст. / И. П. Добродеев, И. Н. Паламарь // Вестник РГАТА им. П.А. Соловьева. 2009. № 1(15). - С.119 -126.

43. Шуклин, Д. Е. Применение семантической нейронной сети в экспертной системе, преобразующей смысл текста на естественном языке Текст. / Д. Е. Шуклин Радиоэлектроника и информатика. X.: Изд-во ХТУРЭ, 2001. -№2.-С. 61-65.

44. Loboda, I. Neural network-based gas turbine fault recognition. Текст. / I.Loboda, V.H. Gutierrez, M. Cruz Irrison. // Авиационно-космическая техника и технология, 2007. № 9(45). - С. 130 - 137.

45. Жернаков, С. В. Применение технологий нейронных сетей для диагностики технического состояния авиационных двигателей. Текст. /

46. С. В. Жернаков // Научно-практический журнал ИжГТУ «Интеллектуальные системы в производстве». 2006. №2. — С.70 - 80.

47. Жернаков, С. В. Контроль и диагностика технического состояния ГТД с -использованием пакета прикладных программ «Диагноз». Текст. / С. В. Жернаков // Контроль. Диагностика, 2007. № 1. - С. 48 - 53.

48. Соколов, М. П. Нейросетевая диагностика двигателя по параметрам вибрации. Текст. / М.П. Соколов // Научный вестник МГТУГА 2005. № 85. -С.138- 142.

49. Конев, С. В. Применение нейросетевых технологий для диагностики неисправностей авиационных двигателей. Текст. / C.B. Конев, З.И. Сичинава, JI.H. Ясницкий. // ПГТУ, Вестник Пермского университета 2005. № 2. - С. 43 -47.

50. Kim, К. Fault diagnosis in turbine engines using unsupervised neural networks technique. Текст. / К. Kim, С. Ball, E. Nwadiogbu Proc. SPIE. 2004, 5439. -C 150- 158.

51. Жернаков, С. В. К вопросу о построении гибридных нейро-нечетких экспертных систем диагностики и контроля ГТД. Текст. /C.B. Жернаков // Управление в сложных системах, Уфа 1999. С 119 126.

52. Vivian, V. Application of Expert System Technology to the Gas Path Analysis of a Gas Turbine Текст. / V. Vivian, R. Singh // Turboptop,EPF 95-01,

53. AIDAA / AAAF / DGLR / RaeS 5th European Forum, Pisa, Italy, 1995. P. 255 -265.

54. Dunia, R. Identification of faulty sensors using principal component analysis, Текст. / R. Dunia, T. Qin, T. Edgar AIChEJ. Vol.4: - 1996. - P. 345 - 358.

55. До Дык Лыу. Алгоритмы автоматического контроля и диагностирования судовых дизелей на основе использования нейронных сетей. Текст. / До Дык Лыу, Ле Ван Дием, Нгуен Ху Хао // Двигателестроение, 2006. № 3 (225) -С. 20-22.

56. Tan, Н. S., Fourier neural networks and generalized single hidden layer networks in aircraft engine fault diagnostics. Текст. / H. S. Tan // ASME. J. Eng. Gas Turbines and Power. 2006. 128. №4 - C. 773 - 782.

57. Dupcak J. D. Development and testing of an inflight engine performance monitoring technique for the U.S. Navy P-3C airplane. Текст. / J. D. Dupcak, P. Deppe, R. Prevatt // SAE Techn. Pap. Ser., 1984. №841462B. - P. 1 - 10.

58. Жернаков, С. В. Классификация режимов работы ГТД на основе нейронных сетей. Текст. / С.В. Жернаков // Контроль. Диагностика, 2006. № 10. - С. 44 - 50.

59. Жернаков, С. В. Применение разнородных знаний экспертных систем для диагностики ГТД в условиях неопределенности Текст. / С.В. Жернаков // Труды III Конгресса двигателестроителей Украины с иностранным участием. —Харьков : ХАИ, 1998. С. 123 - 129.

60. Еремин, Д. И. Контрастирование. Нейропрограммы под. Ред. А.Н.Горбаня. Текст. / Д. И. Еремин Красноярск: изд. КГТУ, 1994. - С. 88 -108.

61. Горбань, А. Н. Обучение нейронных сетей. Текст. / А.Н. Горбань

62. M.": изд. СССР-США СП "ParaGraph", 1990. 160 с.

63. Ivakhnenko, A. G. Self-organization of neuronets with Active Neurons. Текст. / A. G. Ivakhnenko, G. A. Ivakhnenko, S. A. Mueller // Pattern Recognition and Image Analysis, 1994. Vol.4. - No 4. - P. 177 - 188.

64. Ivakhnenko, A. G. Self-organization of neuronets with active neurons for effects of nuclear tests explosions forecasting. Текст. / A. G. Ivakhnenko // System Analysis Modeling Simulation SAMS, 1995. Vol.20. - №4. - P. 107 -116.

65. Ивахненко, А. Г. Индуктивный метод самоорганизации моделей сложных систем. Текст. / А. Г. Ивахненко Киев: Наук. Думка, 1981. - 296 с.

66. Fritzke, В. A growing neural gas networks learns topologies. Текст. / В. Fritzke, G. Tesauro, D. S. Touretzky, T. K. Leen // In Advances in Neural Information Processing Systems 7, MIT Press, Cambridge MA, 1995. P.625 - 632.

67. Мкртчян, С. О. Нейроны и нейронные сети. (Введение в теорию формальных нейронов) Текст. / С. О. Мкртчян М.: Энергия, 1971. - 232 с.

68. Суровцев, И. С. Нейронные сети. Текст. / И. С. Суровцев, В. И. Клюкин, Р. П. Пивоварова Воронеж: ВГУ, 1994. - 224 с.

69. Горбань, А. Н. Нейронные сети на персональном компьютере. Текст. / А. Н. Горбань, Д. А. Россиев Новосибирск: Наука (Сиб. отделение), 1996. -276 с.

70. ОСТ 1 02621-96. Система контроля и диагностирования авиационныхгазотурбинных, двигателей бортовая. Общие требования. Текст. Введ. 1997 — 01-01. М.: Госстандарт России: Изд-во стандартов, 1997. - 20 с.

71. ОСТ 5.4304-79. «Установки газотурбинные корабельные и. судовые: Агрегаты газотурбинные главные и вспомогательные. Номенклатура-параметров контроля работы». Текст. Введ. 1980 -01-07. М.: Госстандарт России: Изд-во стандартов, 1980. - 5 с.

72. ГОСТ 28775-90. Агрегаты газоперекачивающие с газотурбинным приводом. Общие технические условия. Текст. Введ. 1992 — 01 -01. М.: Госстандарт России: Изд-во стандартов, 1991. - 20 с.

73. Hornik, К. Multilayer feedforward networks are universal approximators. Текст. / К. Hornik, M. Stinchcombe, H. White // Neural Networks. 1989. Vol. 2. -P. 359-366.

74. Cybenko, G. Approximation by superposition of a sigmoidal function. Текст. / G. Cybenko // Mathematics of Control Signals, and Systems, 1989. Vol. 2.-P. 303-314.

75. Миргород, В. Ф. Вероятностные характеристики трендовой статистики Хальда-Аббе при обработке параметров регистрации ГТД. Текст. / В.Ф. Миргород, Г.С. Ранченко. // Авиационно-космическая техника и технология. 2005,№5 (21).-С. 38 — 41.

76. Jlyкашин, Ю. П. Адаптивные методы краткосрочного прогнозирования временных рядов. Текст. / Ю. П. Лукашин М.: Финансы и статистика, 2003.

77. Kohonen, Т. Self-organized formation of topological^ correct feature maps. Текст. / T. Kohonen // Biological Cybernetics, 1982. Vol. 43. - P. 59 - 69.

78. Kohonen T., Self-Organizing Maps Текст. / T. Kohonen Springer, 2001.-501р.

79. Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992.-667 p.

80. Hopfield, J. J. Neural Networks and Physical Systems with Emergent Col-lectiveComputational Abilities. Текст. / J.J. Hopfield // Proc. National Academy of Sciencies, USA 79, 1982. P. 2554 - 2558.

81. Тема 6. Детальное описание компонентов и работы нейронных сетей Электронный-ресурс.: http://www.victoria.lviv.ua/html/oio/html/theme6rus.htm

82. Николлс, Д. От нейронов к мозгу. Текст. / Д. Николлс, Р. Мартин, Б. Валлас, П. Фукс. / Пер. с англ. П. М. Балабана, А. В. Галкина [и др.]. М.: Еди-ториал УРСС, - 2003. - 672 с.

83. Круглов, В. В. Интеллектуальные информационные системы: компьютерная поддержка систем нечеткой логики и нечеткого вывода. Текст. / В. В. Круглов, М. И. Дли М.: Физматлит, 2002. - 252 с.

84. Рутковская, Д. Нейронные сети, генетические алгоритмы и нечеткие системы. Текст. / Д. Рутковская, М. Пилиньский, JI. Рутковский М., 2004. -452 с.

85. Kosko, В. Fuzzy systems as universal approximators Текст. / B.Kosko // IEEE Transactions on Computers, vol. 43, No. 11, November 1994. P. 1329 -1333.

86. Cordon, O. General study on genetic fuzzy systems Текст. / О. Cordon, F. Herrera, // Genetic Algorithms in engineering and computer science, 1995. P. 3357.

87. Paul, J. Werbos, Backpropagation Through Time: What It Does and How to Do It Текст. / J. Paul //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992. P. 309 - 319.

88. Malki, H. A. Using the Karhunen-Loe've Transformation in the Back-Propagation Training Algorithm Текст. / H. A. Malki, A. Moghaddamjoo. // IEEE Transactions on Neural Networks, 1991. Vol.2. - № 1. - P. 162 - 165.

89. Widrow, В. 30 Years of Adaptive NeuralNetworks: Perceptron, Madaline, and Backpropagation Текст. / В. Widrow, M. A. Lehr //Artificial Neural Networks: Concepts and Theory, IEEE Computer Society Press, 1992. P. 327 - 354.

90. Rumelhart, B.E. Learning representations by back propagating error Текст. / В. E. Rumelhart, G. E. Minton, R. J. Williams // Wature, 1986. -V. 323. -P. 1016-1028.

91. Lawrence, S. Overfitting and neural networks: Conjugate gradient and backpropagation Текст. / S. Lawrence, C. L. Giles / Proc. IJCNN'2000 Como, Italy. 2000.-P.l 14-119.

92. Elman J. L Finding structure in time Текст. / J. L. Elman //Cognitive Sci. -№ 14 (1990)-P. 179-211.

93. Kremer, S. C. On the computational power of Elman-style recurrent networks Текст. / S.C. Kremer // IEEE Trans. Neural Networks. Vol. 6. - № 4 (July 1995).-P. 1000-1004.

94. Черкез, А. Я. Инженерные расчеты газотурбинных двигателей методом малых отклонений. Текст. / А. Я. Черкез М.: Машиностроение, 1975. -380 с.

95. Обучение без учителя: Сжатие информации Электронный-ресурс.: http://www.intuit.ru/department/expert/neurocomputing/4.

96. Рыбалко, В.В. Эксплуатация и диагностика турбинных установок. Текст. / В.В. Рыбалко СПб.: СПбМТУ, 2008. - 207 с.

97. Теория, расчет и проектирование авиационных двигателей и энергетических установок. Текст. / Кн. 3 - Под общей ред. В.В. Кулагина. -М.: Машиностроение, 2005. - 464 с.

98. Галиуллин, К. Ф.Об одном алгоритме диагностики состояния ГТД по диагностическим матрицам. Текст. / К. Ф. Галиуллин, А. М. Ахмедзянов -В кн. Испытания авиационных двигателей. Уфа. Изд. УАИ, 1982. - №10. - С. 155 - 163.

99. Багерман, А. 3. Новые подходы к диагностированию неисправностей газотурбинного двигателя. Текст. / А. 3. Багерман, В. И. Гусева, И. П. Леонова, Д. Г. Копылов, В. Ф. Макарищев // Судостроение, 1995 г. № 2 - 3- С. 31 - 33.,

100. Багерман, А. 3. Закономерности изменения характеристик осевых компрессоров под влиянием солевых отложений. Текст. / А.З. Багерман, И. П. Леонова, A.A. Берденников. // Сборник «Турбины и компрессоры», 2005. -Вып. 1.

101. Технический отчёт Текст. // ФГУП «ЦНИИ им. акад. Крылова», 2006. Выпуск 43637.

102. Добродеев, И. П. Самоорганизация нейронных сетей методом селекции Текст. И. П. Добродеев, И. Н. Паламарь // Известия ОрелГТУ. Серия Информационные системы и технологии. - 2010. - № 3 (59). С. 5 - 12.

103. Добродеев, И. П. Анализ термогазодинамических параметров при «солевых» испытаниях ГТД М75РУ на основе модели нейронной сети Хэммин-га Текст. И. П. Добродеев, В. П. Добродеев // Вестник РГАТА им. П. А. Соловьева. - Рыбинск, 2010.-№ 1 (16).-С. 167- 173.

104. Добродеев, И. П. Математическая модель системы смазки опор роторов ГТД Текст. И. П. Добродеев, В. С. Чигрин, Д. Н. Громов // Трение и смазка в машинах и механизмах, 2007. -№ 11. — С 5. — 7.

105. Добродеев, И. П. Общие принципы диагностирования ГТД с использованием ядерных нейронных сетей Текст. И. П. Добродеев, В. В. Червонюк, В. С. Чигрин, С. А. Беляков // Авиационно-космическая техника и технология, 2008. - № 9 (58). - С. 177 - 184.