НЕЙРОМЕРЕЖЕВИЙ ОБЧИСЛЮВАЧ ЗАДЛЯ ВІДНОВЛЕННЯ ВТРАЧЕНОЇ ІНФОРМАЦІЇ ЗІ ШТАТНИХ ДАТЧИКІВ БОРТОВОЇ СИСТЕМИ КОНТРОЛЮ І ДІАГНОСТИКИ АВІАЦІЙНОГО ДВИГУНА ТВ3-117
DOI:
https://doi.org/10.30837/ITSSI.2020.14.147Ключові слова:
авіаційний двигун, автоасоціативна нейронна мережа, відновлення, датчикАнотація
Предметом дослідження в статті є авіаційний двигун ТВ3-117 та методи контролю і діагностики його технічного стану. Мета роботи – розробка нейромережевого обчислювача задля відновлення втраченої інформації зі штатних датчиків бортової системи контролю і діагностики технічного стану авіаційного двигуна ТВ3-117 в режимі реального часу. В статті вирішуються наступні завдання: відновлення втраченої інформації автоасоціативною нейронною мережею при одиночній відмові датчика, відновлення втраченої інформації «оптимальною» автоасоціативною нейронною мережею у разі одиночних відмов датчиків бортової системи контролю і діагностики, відновлення втраченої інформації автоасоціативною нейронною мережею і бортовою системою контролю і діагностики з датчика реєстрації температури газів перед турбіною компресора у разі його відмови. Використовуються такі методи: методи теорії ймовірностей і математичної статистики, методи нейроінформатики, методи теорії інформаційних систем та обробки даних. Отримано наступні результати: Розв’язано актуальну задачу відновлення втраченої інформації зі штатних датчиків в режимі реального часу. Досліджено різні архітектури обчислювачів і алгоритми відновлення. Пропонується інженерна процедура відновлення втраченої інформації з використанням нейрообчислювача. У результаті використання нейрообчислювача забезпечено ефективне і якісне відновлення інформації зі штатних датчиків в умовах бортової системи контролю і діагностики авіаційного двигуна ТВ3-117. Висновки: Використання автоасоціативної нейронної мережі у бортовій системі контролю і діагностики для відновлення інформації дозволяє забезпечити відмовостійкість вимірювальних каналів систем управління, зокрема авіаційного двигуна ТВ3-117. Основною перевагою використання нейронних мереж у рамках бортової системи контролю і діагностики є можливість навчання і донавчання у режимі реального часу з урахуванням індивідуальних характеристик конкретного двигуна. Відновлення інформації при відмові датчиків за допомогою автоасоціативної нейронної мережі забезпечує похибку відновлення даних не більше 0,45 % у разі одиночних відмов і не більше 0,6 % у разі подвійних відмов. При цьому час одного циклу відновлення даних становить 1589,544 нс для обчислювача Raspberry Pi NanoPi M1 Plus і 196,246 нс – для спеціалізованого нейропроцесора Intel Neural Compute Stick 2, що задовольняє вимогам бортової реалізації у складі бортової системи контролю і діагностики.
Посилання
Vladov, S. (2020), "Algorithms for diagnostic and parameter of failures of channels of measurement of TV3-117 aircraft engine automatic control system in flight modes based of neural network technologies", Proceedings of the National Aviation University, No. 3 (84), P. 27–37.
Valeev, S. S., Vasiliev, V. I., Iliyasov, B. G., Zhan-Guo, S. (2000), "Fault-tolerant control systems for complex dynamic objects using artificial neural networks" ["Otkazoustojchivye sistemy upravleniya slozhnymi dinamicheskimi obektami s ispolzovaniem iskusstvennyh nejronnyh setej"], Neurocomputers: development, application, No. 1, P. 32–35.
Guo, T., Musgrave, J., Lin, C. (1995), "Neural Networks Based Sensor Validation for Reusable Rocket Engines", Proceedings of the American Control Conference, P. 1367–1372.
Guo, T., Sans, J. (1196), "Sensor Validation for Turbofan Engines Using an Autoassociative Neural Network", Proceedings of the AIAA Guidance, Navigation and Control Conference. P. 1–7.
Kramer, M. (1995), "Autoassociative Neural Networks", Computers & Chemical Engineering, Vol. 16, No 4, P. 313–328.
Zedda, M., Singh, R. (1998), "Fault Diagnosis of a Turbofan Engine Using Neural Networks: a Quan-titative Approach", Proc. of the 34 th AIAA /ASME/ SAE/ASEE. Joint Propulsion Conference & Exhibit, P. 1–10.
Zhernakov, S. V., Musluhov, I. I. (2006), "Neurocomputer for recovering lost information from standard sensors of the on-board monitoring and diagnostic system" ["Nejrovychislitel dlya vosstanovleniya poteryannoj informacii so shtatnyh datchikov bortovoj sistemy kontrolya i diagnostiki"], Neuroinformatics, Part 3, P. 180–188.
Vasiliev, V. I., Zhernakov, S. V., Musluhov, I. I. (2009), "Onboard algorithms for control of GTE parameters based on neural network technology" ["Bortovye algoritmy kontrolya parametrov GTD na osnove tekhnologii nejronnyh setej"], Bulletin of USATU, Vol. 12, No. 1 (30), P. 61–74.
Zhernakov, S. V. (2010), "Algorithms for monitoring and diagnostics of an aviation gas turbine engine under conditions of onboard implementation based on neural network technology" ["Algoritmy kontrolya i diagnostiki aviacionnogo GTD v usloviyah bortovoj realizacii na osnove tekhnologii nejronnyh setej"], Bulletin of USATU, Vol. 14, No. 3 (38), P. 42–56.
Vladov, S., Kotliarov, K., Hrybanova, S., Husarova, O., Chyzhova, L. (2019), "On-board information restoring method in case of failure of one of the sensors of the aircraft engine TV3-117 based on neural network technologies", Transactions of Kremenchuk Mykhailo Ostrohradskyi National University, Issue 6/2019 (119), P. 91–98.
Meril, U. K. (2004), "Failure detection of GTE sensors due to analytical redundancy" ["Obnaruzhenie otkazov datchikov GTD za schet analiticheskoj izbytochnosti"], Aerospace engineering, No. 6, P. 28–41.
Zhernakov, S. V., Musluhov, I. I. (2003), "Parrying sensor failures in gas turbine engines using neural networks" ["Parirovanie otkazov datchikov gazoturbinnyh dvigatelej s pomoshchyu nejronnyh setej"], Computing technology and new information technologies, P. 35–41.
Vladov, S., Kotliarov, K., Hrybanova, S., Husarova, O., Derevyanko, I., Gvozdik, S. (2020), "Neuro-mechanical methods of control and diagnostics of the technical state of aircraft engine TV3-117 in film regions", Visnyk of Kherson National Technical University, No. 1 (72), Part 1, P. 141–154.
Shmelоv, Yu., Vladov, S., Derevyanko, I., Dieriabina, I., Chyzhova, L. (2019), "Identification of rear model of TV3-117 aircraft engine based on the basis of neuro-multi-functional technologies", Innovative technologies and scientific solutions for industries, No. 1 (7), P. 43–49. DOI: https://doi.org/10.30837/2522-9818.2019.7.043
Vasiliev, V. I., Zhernakov, S. V. (2006), "Monitoring and diagnostics of the aircraft engines technical condition based on data mining" ["Kontrol` i diagnostika tekhnicheskogo sostoyaniya aviaczionnykh dvigatelej na osnove intellektualnogo analiza dannykh"], Bulletin of USATU, Vol. 7, No. 2 (15), P. 84–100.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2020 Serhii Vladov, Yana Doludareva, Andrii Siora, Anatolii Ponomarenko, Anatolii Yanitskyi
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
