Розпізнавання нейронними мережами стану лопаток авіаційних двигунів у процесі віброакустичного моніторингу

Размещено на http://www.allbest.ru/

- 1 -

НАЦІОНАЛЬНИЙ ТЕХНІЧНИЙ УНІВЕРСИТЕТ УКРАЇНИ

«КИЇВСЬКИЙ ПОЛІТЕХНІЧНИЙ ІНСТИТУТ»

АВТОРЕФЕРАТ

дисертації на здобуття наукового ступеня кандидата технічних наук

РОЗПІЗНАВАННЯ НЕЙРОННИМИ МЕРЕЖАМИ СТАНУ ЛОПАТОК АВІАЦІЙНИХ ДВИГУНІВ У ПРОЦЕСІ ВІБРОАКУСТИЧНОГО МОНІТОРИНГУ

Спеціальність 05.11.13 - прилади і методи контролю та визначення складу речовин

ЗАЖИЦЬКИЙ ОЛЕКСАНДР ВОЛОДИМИРОВИЧ

КИЇВ - 2008

Дисертацією є рукопис.

Робота виконана на кафедрі приладів і систем орієнтації та навігації приладобудівного факультету Національного технічного університету України «Київський політехнічний інститут» Міністерства освіти і науки України.

Науковий керівник: доктор технічних наук, професор Бурау Надія Іванівна, Національний технічний університет України «Київський політехнічний інститут», завідувач кафедри приладів і систем орієнтації та навігації

Офіційні опоненти: доктор технічних наук, професор Квасніков Володимир Павлович, Національний авіаційний університет, завідувач кафедри інформаційних технологій

доктор технічних наук, професор Поляков Андрій Павлович, Вінницький державний технічний університет, декан факультету автомобілів, їх ремонту та відновлення

Захист відбудеться « 24 » лютого 2009 р. о 15⁰⁰ годині на засіданні спеціалізованої вченої ради Д 26.002.18 у Національному технічному університеті України «Київський політехнічний інститут» за адресою: 03056, м. Київ, проспект Перемоги, 37, корп.1, ауд.293.

З дисертацією можна ознайомитись у науково-технічній бібліотеці НТУУ «КПІ» за адресою: 03056, м. Київ, проспект Перемоги, 37.

Автореферат розісланий « 16 » січня 2009 р.

В. о. вченого секретаря спеціалізованої вченої ради Карачун В.В.

АНОТАЦІЯ

Зажицький О.В. Розпізнавання нейронними мережами стану лопаток авіаційних двигунів у процесі віброакустичного моніторингу. - Рукопис.

Дисертація на здобуття наукового ступеня кандидата технічних наук за спеціальністю 05.11.13 - Прилади та методи контролю та визначення складу речовин. - Національний технічний університет України «Київський політехнічний інститут», Київ, 2008 р.

Дисертація присвячена науковому обґрунтуванню та розробці нейротехнічного класифікатора технічного стану лопаток авіаційних двигунів у процесі віброакустичного моніторингу на стаціонарних та нестаціонарних режимах експлуатації.

Досліджено ефективність розпізнавання різними типами нейронних мереж стану лопаток за діагностичним методом вільних коливань, встановлено, що нелінійне розділення простору ознак на класи забезпечує імовірнісна нейронна мережа.

Проведено синтез та оптимізацію класифікатора на основі імовірнісної мережі для розпізнавання стану за безрозмірними амплітудними характеристиками віброакустичних процесів на стаціонарних та нестаціонарних режимах, оцінено вірогідність контролю. Проведено синтез та оптимізацію класифікатора на основі імовірнісної мережі та мережі адаптивної резонансної теорії для розпізнавання стану лопаток за результатами біспектрального аналізу на стаціонарному режимі, оцінено вірогідність контролю. Розроблено схеми класифікатора, алгоритмічне та програмне забезпечення.

Ключові слова: газотурбінний двигун, тріщиноподібні пошкодження лопаток, розпізнавання стану, імовірнісна нейронна мережа, мережа адаптивної резонансної теорії, вірогідність контролю.

АННОТАЦИЯ

Зажицкий А.В. Распознавание нейронными сетями состояния лопаток авиационных двигателей в процессе виброакустического мониторинга. - Рукопись.

Диссертация на соискание ученой степени кандидата технических наук по специальности 05.11.13 - Приборы и методы контроля и определения состава веществ. - Национальный технический университет Украины «Киевский политехнический институт», Киев, 2008 г.

Диссертация посвящена научному обоснованию и разработке нейротехнического классификатора технического состояния лопаток авиационных двигателей в процессе виброакустического мониторинга на стационарных и нестационарных режимах эксплуатации.

В результате анализа традиционных методов распознавания состояния технических объектов показано, что эти методы имеют ограничения и не могут быть использованы для распознавания состояния лопаток. Обоснована целесообразность использования искусственных нейронных сетей для построения классификатора, как составляющей части системы вибрационного мониторинга. С использованием результатов моделирования процесса диагностики начальных трещиноподобных повреждений лопаток по методу свободных колебаний в работе проведен сравнительный анализ различных типов нейронных сетей. В результате установлено, что наиболее эффективной по возможности нелинейной классификации является вероятностная нейронная сеть, которая выбрана для дальнейшего исследования и использования в нейротехническом классификаторе. Определена достоверность контроля и предложен путь ее повышения путем нелинейного преобразования диагностических признаков.

Рассмотрена задача распознавания состояния лопаток по результатам определения безразмерных амплитудных характеристик виброакустических сигналов на стационарном и нестационарных режимах эксплуатации. Проведен синтез и оптимизация классификатора на основе вероятностной нейронной сети, выполнена процедура двуклассового распознавания по множествам векторных и скалярных признаков, выполнена оценка достоверности распознавания на основе определения и сравнения суммарной плотности вероятности признаков для каждого класса. Определены интервалы изменения параметра влияния сети, в которых обеспечивается максимальное значение достоверности контроля для каждого рассмотренного режима эксплуатации. Определены параметры повреждения лопатки, при которых на каждом режиме эксплуатации распознается состояние лопаток с приемлемой достоверностью. Разработана функциональная блок-схема системы определения состояния лопаток на основе вероятностной нейронной сети для распознавания по безразмерным амплитудным характеристикам на стационарном и нестационарных режимах эксплуатации. Определены минимальный объем памяти и время на распознавание одного образа. Разработано алгоритмическое и программное обеспечение классификатора.

Рассмотрена задача распознавания состояния лопаток по результатам биспектрального анализа виброакустических сигналов на стационарном режиме эксплуатации. Проведено преобразование оценок модулей биспектров и сформированы обучающие и тестовые входные векторы для вероятностной нейронной сети. Проведен синтез сети, обучение на обучающих множествах и распознавание состояния лопаток с начальными трещиноподобными повреждениями. Проведен анализ достоверности контроля, определен параметр влияния сети и количество обучающих образов для обеспечения безошибочной классификации.

Исследована возможность использования сети адаптивной резонансной теории для распознавания состояния лопаток по результатам биспектрального анализа виброакустических сигналов на стационарном режиме эксплуатации. Проведено преобразование оценок модулей биспектров в бинарные образы и сформированы обучающие и тестовые входные векторы для сети адаптивной резонансной теории. Проведен синтез сети, обучение на обучающих множествах и распознавание состояния лопаток с начальными трещиноподобными повреждениями. Проведен анализ достоверности контроля, определен параметр подобия, характер его изменения, порядок подачи обучающих образов на вход сети, количество обучающих образов для обеспечения безошибочной классификации. Показано, что данная нейронная сеть позволяет проводить многоклассовую диагностику. Получены интегрированные образы классов, позволяющие отслеживать динамику изменения состояния лопаток в пределах каждого класса.

Разработана функциональная блок-схема классификатора на основе использования вероятностной нейронной сети и сети адаптивной резонансной теории для распознавания состояния лопаток на стационарном режиме эксплуатации по результатам биспектрального анализа виброакустических процессов. Определены минимальный объем памяти и время на распознавание одного образа. Разработано алгоритмическое и программное обеспечение классификатора.

Ключевые слова: газотурбинный двигатель, трещиноподобные повреждения лопаток, распознавание состояния, вероятностная нейронная сеть, сеть адаптивной резонансной теории, достоверность контроля.

нейротехнічний авіаційний двигун віброакустичний

ABSTRACTS

Zazhitskiy O.V. Decision making of aircraft engine blades condition by neural network at the vibroacoustical monitoring. - Manuscript.

Thesis for a candidate scientific degree on specialty 05.11.13 - Devices and methods control and matters composition determination. - National technical university of Ukraine “Kiev polytechnic institute”, Kiev, 2008.

The dissertation is devoted is devoted to problem solution of the aircraft engines blades vibroacoustical condition monitoring and diagnosis of the crack-like damages at the steady-state and non-steady-state modes.

The neuron networks are used for decision making about blades condition monitoring. Classification of turbine blade condition for amplitude dimensionless characteristics of the vibroacoustical signals was carried out using a Probability Neural Network at the steady-state and non-steady-state modes. Classification of turbine blade condition for bispectral characteristics of the vibroacoustical signals was carried out using a Probability Neural Network and Adaptive Resonance Theory Network at the steady-state mode. The Neural Network classifiers are developed and optimized. The correct classification probability is evaluated and investigated. The classifier scheme, algorithms and software are developed.

Keywords: gas-turbine engine, blades crack-like damages, decision making, Probability Neural Network, Adaptive Resonance Theory Network, correct classification probability

ЗАГАЛЬНА ХАРАКТЕРИСТИКА РОБОТИ

Актуальність теми. Надійність, безпека та ефективність експлуатації літальних апаратів значною мірою визначається надійністю авіаційних газотурбінних двигунів (ГТД), значна частина відмов яких зумовлена експлуатаційними пошкодженнями роторних елементів: валів, дисків, лопаток. Зокрема, руйнування лопаток компресорів і турбін ГТД, зумовлені появою та розвитком тріщиноподібних пошкоджень внаслідок дії комплексу факторів технологічного та експлуатаційного характеру, становлять біля 60% усіх міцнісних пошкоджень роторних елементів. Тому своєчасне виявлення пошкоджень лопаток у процесі доведення, технічного обслуговування чи експлуатації ГТД є важливою науковою проблемою, вирішення якої можливо шляхом моніторингу технічного стану (ТС) лопаток. Моніторинг ТС елементів ГТД ґрунтується на використанні діагностичної інформації, отриманої безпосередньо в процесі функціонування двигуна на стаціонарних та нестаціонарних режимах. Серед методів технічної діагностики та неруйнівного контролю найбільша увага зосереджена в напрямках розвитку та вдосконалення методів і засобів функціональної діагностики, у тому числі методів вібраційної та віброакустичної діагностики.

Процес моніторингу містить процедури отримання, перетворення та аналізу діагностичної інформації, а кінцевим етапом є прийняття рішення про технічний стан контрольованого об`єкту. Якість та ефективність розпізнавання безпосередньо впливає на достовірність діагностики в цілому. Тому розробка системи розпізнавання (класифікатора) стану роторних елементів авіаційних двигунів для своєчасного виявлення пошкоджень лопаток у процесі функціонування двигуна є важливою та актуальною задачею. В дисертаційній роботі таку задачу пропонується вирішити на основі використання штучних нейронних мереж (НМ), які здатні проводити нелінійну класифікацію, є гнучкими та здатними до розпізнавання за ознаками на основі сучасних методів обробки інформації, при мінімальній кількості інформації про образи, що розпізнаються, та обмеженій кількості образів для навчання.

Актуальність роботи полягає в обґрунтуванні та розробці нейротехнічного класифікатора стану для системи віброакустичного моніторингу та діагностики лопаток авіаційних двигунів в умовах експлуатації на стаціонарних та нестаціонарних режимах.

Зв'язок роботи з науковими програмами, планами, темами. Дисертаційну роботу виконано в Національному технічному університеті України «КПІ» відповідно до пріоритетних напрямків розвитку науки і техніки в Україні (постанова КМ України №1716 від 24.12.2001 р.), відповідно до Державної комплексної програми розвитку авіаційного транспорту в Україні до 2010 року (постанова КМ України №919 від 27.07.01 р.), Програми створення та реальної організації системи науково-технічного забезпечення процесів експлуатації авіаційної техніки (наказ МТ України №752 від 02.11.01 р.), Державних науково-технічних програм «Наукове і навчальне приладобудування» і «Ресурсозберігаючі та енергоефективні технології машинобудування». Окремі наукові результати роботи отримано при проведенні досліджень відповідно до планів науково-дослідних робіт приладобудівного факультету та кафедри приладів і систем орієнтації та навігації.

Мета і завдання дослідження. Метою роботи є наукове обґрунтування та розробка нейротехнічного класифікатора стану для системи віброакустичного моніторингу та діагностики початкових пошкоджень лопаток газотурбінних двигунів на стаціонарних та нестаціонарних режимах експлуатації.

Для досягнення поставленої мети в роботі необхідно було вирішити такі задачі:

1. Обґрунтувати необхідність застосування сучасних інформаційних технологій для розпізнавання технічного стану лопаток ГТД.

2. Виконати порівняльний структурно-функціональний аналіз нейронних мереж та визначити тип нейронної мережі, як основи для побудови нейротехнічного класифікатора стану лопаток.

3. Провести структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі імовірнісної нейронної мережі для розпізнавання стану лопаток за безрозмірними характеристиками віброакустичних процесів та ознаками на основі багатомірного спектрального аналізу.

4. Провести структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі нейронної мережі адаптивної резонансної теорії для розпізнавання стану лопаток за ознаками на основі багатомірного спектрального аналізу.

5. Оцінити вірогідність розпізнавання технічного стану лопаток ГТД на стаціонарних та нестаціонарних режимах.

6. Розробити алгоритмічне та програмне забезпечення нейротехнічного класифікатора стану, впровадити результати досліджень.

Об'єкт дослідження - розпізнавання технічного стану лопаток газотурбінних двигунів у процесі віброакустичного моніторингу на стаціонарних та нестаціонарних режимах експлуатації.

Предмет дослідження - типи, характеристики, властивості та особливості застосування нейронних мереж для розпізнавання стану лопаток, ефективність розпізнавання на стаціонарних та нестаціонарних режимах експлуатації ГТД.

Методи дослідження. Проведені в роботі дослідження ґрунтуються на методах неруйнівного контролю та технічної діагностики, вібраційному та віброакустичному методах вільних і вимушених коливань, методах теорії ймовірності та математичної статистики, методах розпізнавання образів. Для дослідження особливостей застосування нейронних мереж, обґрунтування їхньої працездатності та ефективності використано методи аналізу та синтезу нейронних мереж, методи імітаційного моделювання, методи алгоритмізації та програмування.

Наукова новизна отриманих результатів.

В дисертації вперше отримані такі наукові результати.

1. Визначено оптимальний за показником спроможності проводити нелінійну класифікацію тип нейронної мережі як основи для побудови класифікатора стану лопаток у системі віброакустичного моніторингу.

2. Встановлені залежності вірогідності розпізнавання імовірнісною нейронною мережею стану лопаток від параметру впливу мережі для початкових тріщиноподібних пошкоджень при розпізнаванні за безрозмірними амплітудними характеристиками віброакустичних процесів на стаціонарних та нестаціонарних режимах експлуатації.

3. Встановлені залежності вірогідності розпізнавання імовірнісною нейронною мережею стану лопаток від параметру впливу мережі для початкових тріщиноподібних пошкоджень при розпізнаванні за значеннями модуля біспектру віброакустичних процесів на стаціонарних режимах експлуатації .

4. Визначено характеристики мережі адаптивної резонансної теорії та оптимізовано процес класифікації для забезпечення безпомилкового розпізнавання стану лопаток за значеннями модуля біспектру віброакустичних процесів на стаціонарному режимі експлуатації.

Практичне значення отриманих результатів. Проведено структурно-параметричний синтез нейротехнічних класифікаторів на основі імовірнісних нейронних мереж та мережі адаптивної резонансної теорії для розпізнавання стану лопаток в процесі віброакустичного моніторингу на стаціонарних та нестаціонарних режимах експлуатації ГТД. Установлено, що застосування нейротехнічного класифікатора забезпечує підвищення вірогідності діагностики. Розроблено алгоритмічне та програмне забезпечення нейротехнічного класифікатора стану, розроблені рекомендації по вибору характеристик мікропроцесорного пристрою для реалізації нейротехнічного класифікатора. Результати роботи впроваджені в практику контролю на ДП завод 410 ЦА (м. Київ) та використовуються в навчальному процесі кафедри приладів і систем орієнтації та навігації Національного технічного університету України «КПІ».

Особистий внесок здобувача. Основні наукові результати дисертаційної роботи отримані автором самостійно. Автором обґрунтовано доцільність використання НМ для розпізнавання стану лопаток; проведено їх моделювання для розпізнавання за результатами спектрального аналізу вільних коливань лопатки та вибрано оптимальну за показником спроможності проводити нелінійну класифікацію НМ для побудови на її основі класифікатора стану лопаток; проведено синтез, моделювання та оптимізацію параметрів імовірнісної НМ для розпізнавання за амплітудними безрозмірними характеристиками віброакустичних процесів на стаціонарних та нестаціонарних режимах; синтез, моделювання та оптимізацію параметрів імовірнісної нейронної мережі для розпізнавання за оцінками модуля біспектру; синтез, моделювання та оптимізацію параметрів мережі адаптивної резонансної теорії та оптимізацію процесу класифікації для розпізнавання за оцінками модуля біспектру. Особисто розроблено функціональні схеми, алгоритмічне та програмне забезпечення нейротехнічних класифікаторів.

Конкретний внесок у роботи, що опубліковані у співавторстві, наведено безпосередньо у переліку праць за темою дисертації в кінці автореферату.

Апробація результатів дисертації. Основні положення та результати роботи було представлено на 7, 10 та 11 Міжнародних Конгресах двигунобудівників, Харків - Рибаче, 2002 р., 2005 р. та 2006 р.; науково - технічних конференціях «Приладобудування 2002» - «Приладобудування 2005», м. Київ, 2002 - 2005 рр.; 6 Міжнародній науково - технічній конференції «АВІА - 2004», м. Київ, 2004 р.; Міжнародній конференції «Прогрес в кількісному неруйнівному оцінюванні», Голден (Колорадо), США, 2004 р.; ІV Міжнародному Конгресі технічної діагностики, м. Ольштин (Польща), 2008 р. Результати досліджень доповідались та обговорювались на наукових семінарах кафедри приладів і систем орієнтації та навігації Національного технічного університету України «КПІ».

Публікації. За темою дисертації опубліковано 13 наукових робіт, серед яких 6 статей у провідних фахових виданнях (з них 1 - без співавторів), 1 доповідь у збірнику праць конференції та 6 тез доповідей.

Структура та обсяг роботи. Дисертація складається зі вступу, 4 розділів, висновків, списку використаних джерел та додатків. Загальний обсяг роботи становить 176 сторінок машинописного тексту, у тому числі 62 рисунка, 5 таблиць та один додаток. Список використаних джерел містить 101 найменування.

ОСНОВНИЙ ЗМІСТ РОБОТИ

У вступі обґрунтовано актуальність теми дисертації, сформульовано мету і задачі дослідження, наведено дані про наукову новизну, практичну цінність та впровадження отриманих результатів, наведено дані про публікації та апробацію роботи.

У першому розділі проведено аналіз сучасного стану, існуючих проблем та тенденцій розвитку методів і засобів визначення технічного стану ГТД.

Розробка та впровадження автоматичних систем моніторингу технічного стану основних систем ГТД є однією з умов забезпечення необхідного рівня безпеки польотів та підвищення ефективності експлуатації авіаційної техніки. Системи моніторингу ґрунтуються на таких методах технічної діагностики, які є ефективними та найбільш пристосованими до ГТД, як об`єкту діагностики, забезпечують виявлення пошкоджень на ранніх стадіях розвитку, можуть використовуватись під час експлуатації двигуна. На вибір методів та засобів діагностування впливають як процеси у системах двигуна, що є носіями діагностичної інформації, так і закономірності зародження, розвитку та проявів несправностей, що діагностуються.

За наведеними в літературних джерелах даними для різних типів двигунів найбільш поширеними є пошкодження роторних елементів ГТД, зокрема руйнування лопаток компресорів і турбін, що зумовлені появою та розвитком тріщиноподібних пошкоджень внаслідок дії комплексу факторів технологічного та експлуатаційного характеру. Безпечна експлуатація ГТД потребує своєчасного виявлення пошкоджень лопаток, що можливо при неперервному контролі (моніторингу) за станом лопаток ГТД в експлуатації, при проведенні технічного обслуговування та відновлюванні двигунів.

Діагностика експлуатаційних пошкоджень ГТД ґрунтується на використанні діагностичної інформації, отриманої безпосередньо в процесі функціонування двигуна. Тому серед методів технічної діагностики найбільша увага зосереджена в напрямках розвитку методів і засобів функціональної діагностики, у тому числі методів вібраційної та віброакустичної діагностики. Розробка системи віброакустичного моніторингу і діагностики тріщиноподібних пошкоджень лопаток ГТД, як складової інтегрованої системи моніторингу ТС вузлів та елементів ГТД, є актуальною та важливою задачею. Процес моніторингу містить процедури отримання, перетворення та аналізу діагностичної інформації, а кінцевим етапом є прийняття рішення про ТС контрольованого об`єкту. Якість та ефективність розпізнавання безпосередньо впливає на достовірність діагностики в цілому, тому для діагностики тріщиноподібних пошкоджень лопаток важливою є задача побудови класифікатора для розпізнавання ТС лопаток у процесі віброакустичного моніторингу.

Наявність великої кількості діагностичної інформації при моніторингу ТС ГТД ускладнює алгоритми обробки даних, збільшує необхідний для їх аналізу час, вимагає високої класифікації експерта. В умовах зростання обсягів інформації, враховуючи її зазвичай нелінійний характер, а також у відповідності до вимог забезпечення належного рівня надійності класифікації, актуальним на сьогоднішній день є застосування інтелектуальних комп`ютерних технологій для розпізнавання ТС об`єктів. Все більш широкого розповсюдження при вирішенні задач моделювання, класифікації та прогнозування набувають самонавчальні структури на основі штучних нейронних мереж. Здатність НМ виконувати недоступні для традиційної математики операції обробки, порівняння і класифікації образів, можливість самонавчання та самоорганізації дозволяє створювати потужні штучні інтелектуальні системи для моніторингу та діагностики, тому використання НМ для побудови системи розпізнавання (класифікатора) ТС лопаток ГТД сприятиме підвищенню вірогідності діагностики пошкоджень лопаток у процесі віброакустичного моніторингу.

На сьогоднішній день на задачах розпізнавання ТС ГТД та на розробках сучасних діагностичних систем із застосуванням штучних НМ зосереджена велика увага дослідників в галузі діагностики ГТД. Однак наявні дослідження є обмеженими, зокрема, для розпізнавання стану лопаток використовуються ознаки на основі спектрів вібрації та шуму, які отримано за методом вільних коливань, що є неприйнятним при функціональному діагностуванні ГТД; не проведено досліджень по розпізнаванню стану лопаток у процесі експлуатації на стаціонарних та нестаціонарних режимах, у тому числі із застосуванням НМ; всі проаналізовані дослідження не стосуються пошкоджень та дефектів на етапі їх зародження та початкового розвитку.

Проведений аналіз стану проблеми моніторингу та діагностики початкових тріщиноподібних пошкоджень лопаток ГТД, перспектив розвитку та впровадження в системи діагностики новітніх інформаційних технологій показав невирішеність на сьогоднішній день актуальної наукової задачі розпізнавання ТС лопаток у процесі віброакустичного моніторингу на стаціонарних та нестаціонарних режимах експлуатації ГТД. Вирішення цієї задачі потребує розробки такого класифікатора, який в інтегрованій системі моніторингу забезпечить виявлення зміни технічного стану лопаток на якомога ранній стадії розвитку пошкодження, забезпечуватиме нелінійне розділення простору ознак, буде гнучким та здатним до розпізнавання за ознаками на основі сучасних методів обробки діагностичної інформації, у випадках мінімуму вихідної інформації про образи, які розпізнаються, та обмеженої кількості образів для навчання.

Таким чином, проведений аналіз дозволив сформулювати наведені вище мету та задачі дисертаційної роботи та обрати відповідні їм методи досліджень.

У другому розділі представлені методи розпізнавання ТС об`єкту діагностики, виконано порівняльний аналіз НМ та визначено тип нейронної мережі, як основи для побудови нейротехнічного класифікатора стану лопаток.

Було проаналізовано основні з традиційних методів розпізнавання образів, які набули найбільшого практичного застосування в задачах розпізнавання стану технічних об`єкті: статистичні методи розпізнавання (метод Байєса, метод послідовного аналізу, методи статистичних рішень); методи розділення у просторі ознак; метричні методи розпізнавання. В результаті аналізу встановлено, що можливості традиційних методів є обмеженими для застосування в задачах віброакустичної діагностики тріщиноподібних пошкоджень лопаток ГТД.

Для обґрунтування можливості та доцільності використання НМ для розпізнавання ТС лопаток ГТД в роботі проаналізовано архітектуру, характеристики та особливості застосування таких НМ, як: одношарові та багатошарові мережі; мережі, що самоорганізуються; імовірнісні НМ; мережі зі зворотними зв`язками. На основі проведеного аналізу показано, що такі непритаманні для традиційних методів властивості НМ, як: самоорганізація, здатність до навчання, узагальнення, імітування процесів та явищ, у тому числі і нелінійних, формування складних залежностей у просторі діагностичних ознак і в просторі класів, ефективність роботи з ознаками великої розмірності, свідчать про доцільність використання НМ в задачі віброакустичного моніторингу та діагностики тріщиноподібних пошкоджень лопаток ГТД.

В роботі проведено порівняльний структурно-функціональний аналіз нейронних мереж та визначено тип нейронної мережі, як основи для побудови нейротехнічного класифікатора стану лопаток. Аналіз проведено на основі результатів моделювання діагностичного процесу за методом вільних коливань та обробки віброакустичних сигналів, що випромінюються окремими лопатками без пошкодження та з пошкодженням (тріщиною) при ударному збуренні. Для моделювання лопатки з тріщиною використано модель коливальної системи з одним ступенем вільності з кусково-лінійною характеристикою відновлювальної сили, вільні коливання якої описуються рівнянням:

, (1)

де - власна частота коливань моделі лопатки без тріщини; h - коефіцієнт згасання вільних коливань; - модель ударного збудження; ; - відносне змінювання жорсткості на напівциклах деформування (параметр пошкодження).

Відомо, що навіть малі (до 10%) значення , призводять до збагачення спектральної щільності вільних коливань складовими на вищих парних гармоніка, тому запропоновано використати вектор діагностичних ознак, складові якого є відношеннями спектральної щільності потужності основної та вищих парних гармонік:

, (2)

де , , , - спектральні щільності потужності і-тої гармоніки.

В результаті проведеного моделювання (=0,…,0,1) сформовано багатомірні (дво- та тривимірні) вектори діагностичних ознак (2), за якими проведено розпізнавання ТС лопаток для докласової діагностики (відсутність чи наявність пошкодження). Проведено моделювання таких типів НМ: мережа Кохонена, карта Кохонена, персептрон, лінійна НМ, імовірнісна НМ, двошарова НМ. Для двохшарової нейронної мережі, перший шар якої містить 30 нейронів з логістичною функцією активації, а другий - 2 нейрона з лінійною функцією активації як функціонал помилки використано середню квадратичну похибку. Показано, що для забезпечення прийнятного значення похибки 10^-3 необхідно 55 ітерацій навчання, для навчання обрано алгоритм Левенберга - Макварда.

За результатами розпізнавання визначено, що найбільш ефективною НМ для вирішення задач розпізнавання стану лопаток ГТД є імовірнісна НМ (ІНМ), яка забезпечує нелінійне розділення простору ознак на класи. При навчанні ІНМ задається параметр впливу SPREAD, який встановлює чутливість нейронів першого шару і характеризує перекриття радіально - базисних функцій, чим впливає на помилку навчання і ефективність класифікації. Для оцінки ефективності запропоновано коефіцієнт K_e, що являє собою ймовірність правильної класифікації, та методику його визначення на множині двовимірних ознак. Проведене оцінювання K_e за первісними значеннями ознак показано низьку вірогідність правильної класифікації (K_e=0,53) через значну область невизначеності на множині діагностичних ознак. Для підвищення точності класифікації запропоновано нелінійне перетворення простору діагностичних ознак, що звужує область невизначеності. Це дозволило підвищити вірогідність правильної класифікації в 1,6 разів (K_e=0,85) та розширити діапазон зміни параметру впливу ІНМ, в якому забезпечується нульова помилка навчання.

Для подальших досліджень обрана ІНМ, як основа для побудови нейротехнічного класифікатора стану лопаток у процесі віброакустичного моніторингу на стаціонарних та нестаціонарних режимах експлуатації ГТД.

У третьому розділі проведено структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі ІНМ для розпізнавання стану лопаток у процесі моніторингу на стаціонарних та нестаціонарних режимах за безрозмірними характеристиками віброакустичних процесів. Для формування діагностичних ознак за участю автора було проведено цикли комп'ютерних модельних експериментів при стаціонарних та нестаціонарних вібраційних збуреннях для різних моделей досліджуваного ОД: одна лопатка без пошкодження; одна лопатка з пошкодженням; пакет з двох лопаток без пошкодження; пакет із двох лопаток з пошкодженням однієї лопатки; робоче колесо (21 лопатка) без пошкодження; робоче колесо (21 лопатка) з пошкодженням однієї лопатки. Параметр пошкодження задавався дискретними значеннями в межах 0,01,...,0,1, формування для подальшої обробки вимірюваного сигналу на виході кожної моделі проведено за відсутності та наявності адитивної завади (стаціонарного гаусівського шуму), інтенсивність якої задавалась в таких межах, щоб забезпечити п'ять різних дискретних значень відношення сигнал/шум в інтервалі 10^-1,...,10⁴.

Формування вібраційного збурення для стаціонарного режиму експлуатації ГТД проведено за виразом:

(3)

де , - відповідно амплітуда та початкова фаза і-тої гармоніки основної частоти обертання ротору ; та - цілі додатні числа.

Для нестаціонарних режимів експлуатації вібраційне роторне збурення формувалось за виразом:

, (4)

де - початкове значення частоти обертання ротору; - швидкість змінювання частоти обертання ротору; - амплітуда і-тої роторної гармоніки, що в загальному випадку є функцією змінної частоти обертання ротору на нестаціонарних режимах ; - початкова фаза і-тої гармоніки.

Розглянуто 3 нестаціонарні режими ГТД: запуск - повільне збільшення частоти обертання ротора (=20 с^-2), прийомистість - швидке збільшення частоти обертання ротора (=110 с^-2), дроселювання - зменшення частоти обертання ротора (=84 с^-2).

В дослідженнях інших авторів обґрунтовано, що для обробки віброакустичних сигналів, що випромінюються ГТД у процесі експлуатації, необхідно застосувати такі методи аналізу, як багатомірний спектральний аналіз (біспектральний), частотно-часовий аналіз, вейвлет-перетворення (ВП), аналіз розмірних та безрозмірних чисельних характеристик віброакустичних сигналів (коефіцієнтів імпульсності та фону). На основі проведеної за названими методами обробки змодельованих сигналів, за участю автора визначено діагностичні ознаки пошкодження для розпізнавання ТС лопаток:

- стаціонарний режим - коефіцієнти імпульсності та фону , модуль біспектру;

- пройомистість - коефіцієнти імпульсності та фону ;

- запуск - коефіцієнт фону ;

- дроселювання - коефіцієнти імпульсності та фону .

У даному розділі для розпізнавання використано діагностичні ознаки на основі безрозмірних амплітудних дискримінант (коефіцієнтів імпульсності та фону).

Відповідно до викладеного, для розпізнавання визначено такі вхідні вектори діагностичних ознак та один скалярний вхід: за якими проводилось розпізнавання стану лопаток робочого колеса для двокласової діагностики - відсутність (S₀) чи наявність (S₁) тріщиноподібного пошкодження. За визначеними векторами для кожного із розглянутих режимів було сформовано множини об'єктів, що класифікуються, які використовувались як навчальні та тестові множини на входах НМ (кожна множина містить по 50 об`єктів для кожного стану лопаток). Навчальні множини об'єктів, що класифікуються для значень параметру пошкодження =0,03 та =0,05, де по осі абсцис відкладено значення , а по осі ординат - . Як видно, для =0,05 має місце чітке лінійне розділення класів на відміну від ознак для =0,03, для якого воно має місце тільки для режиму прийомистості. Для стаціонарного режиму та для режиму дроселювання розділення на класи у разі =0,03 є нелінійним. Для режиму запуску для =0,05 також має місце нелінійне розділення класів.

Класифікацію проведено за допомогою імовірнісної нейронної мережі, перший шар якої містить 100 нейронів, що відповідає розмірності вхідного вектору, а другий - 2 нейрони для докласового розпізнавання. Параметр впливу мережі SPREAD пов`язаний з параметром , який є середнім квадратичним відхиленням у функції активації нейронів. Цей параметр задає ширину функцій активації нейронів та визначає їхній вплив на оцінку сумарної щільності ймовірності. Він впливає на результат класифікації і його величина визначалась експериментально під час пред'явлення мережі навчальної множини об'єктів, що класифікуються. У подальших дослідженнях параметр впливу SPREAD позначено через у.

В результаті пред`явлення навчальних множин образів було визначено інтервал значень параметру , за яких забезпечується нульова помилка навчання:

- стаціонарний режим - = 0,01,...,1,47;

- прийомистість - =0,014,...,0,45;

- запуск - =0,015,...,0,4;

- дроселювання - = 10^-4,...,.

Визначені інтервали значень використовувались далі при класифікації об'єктів тестової множини, причому змінювання параметру в межах визначених інтервалів у процесі класифікації в подальшому було використано для оцінки впливу його на точність класифікації.

При класифікації ІНМ розбиває площину, яка обмежена значеннями ознак в об'єктах тестової множини, на класи, що відповідають бездефектному та дефектному станам. В роботі оцінено вірогідність розпізнавання за величиною ймовірності правильної класифікації K_e. Для визначення К_е визначено сумарну щільність імовірності (ЩІ) двовимірних векторів діагностичних ознак , , та ознаки об'єктів тестової множини для зазначених вище класів ТС лопаток. Результати показали, що найвище значення вірогідність розпізнавання має в разі потрапляння тестового об'єкту в центри визначених класів (К_е=1). Вірогідність знижується при віддаленні діагностичних ознак від центрів класів, а найнижче значення вона буде мати місце на межі розділення класів, де ЩІ ознак для обох класів є близькими за значеннями. Для режиму запуску близька за значенням сумарна ЩІ для обох класів відповідає значенням діагностичної ознаки J₄^зап=5,07,...,5,35 і формує область невизначеності у вказаному діапазоні значень ознаки. В результаті класифікації роздільна лінія між класами визначається мережею автоматично за результатами оцінювання сумарної ЩІ ознак для кожного з класів, а значну частину простору невизначеності мережа відносить до класу з пошкодженням. Оцінка гарантованої мінімальної вірогідності розпізнавання ТС лопаток ГТД, яку забезпечує ІНМ з урахуванням можливого потрапляння об'єктів тестової множини в області невизначеності, тобто з урахуванням імовірних похибок першого та другого роду, показала, що К_е залежить від параметру впливу ІНМ у визначених вище інтервалах його значень, де забезпечується нульова похибка навчання. Як видно ІНМ забезпечує розпізнавання ТС лопаток робочого колеса ГТД (відсутність пошкодження та наявність малого тріщиноподібного пошкодження з =0,05 в одній з лопаток) з такими максимальними значеннями імовірності правильної класифікації:

- стаціонарний режим - К_е = 0,94 при =0,1;

- прийомистість - К_е = 0,942 при =0,1,...,0,2;

- запуск - К_е = 0,83 при =0,0018;

- дроселювання - К_е =0,93 при = 0,1.

При значенні параметру пошкодження =0,03 отримано такі максимальні значення імовірності правильної класифікації:

- стаціонарний режим - К_е = 0,27 при =0,005;

- прийомистість - К_е = 0,94 при =0,1,...,0,2;

- дроселювання - К_е =0,93 при = 0,1.

Отримані результати свідчать, що найбільш ефективним розпізнавання імовірнісною НМ ТС лопаток за амплітудними характеристиками віброакустичного сигналу є на режимах прийомистості та дроселювання, коли дефектний стан відповідає пошкодженню з параметром 0,03 та 0,05. На стаціонарному режимі розпізнавання є ефективним для пошкоджень з параметром 0,05 та більше. Для вказаних режимів імовірність неправильної класифікації (1- К_е) є меншою за середній ризик R=0,13, що має місце для значень імовірності пропуску пошкодження 0,005, імовірності хибної тревоги 0,03 та відношення ціни пропуску пошкодження та хибної тревоги , значення яких рекомендовано для діагностики систем ГТД.

В роботі розроблено схему системи визначення ТС лопаток з початковими тріщиноподібними пошкодженнями за амплітудними характеристиками віброакус-тичного сигналу. Класифікатор складається з 4-х мереж для розпізнавання на стаціонарному (НМ1) та нестаціонарних (НМ2-НМ4) режимах ГТД. Визначено, що мінімальний об'єм пам'яті, який необхідний для класифікатора, становить не менше 175 кБайт, час, який необхідний для розпізнавання одного образу, не перевищує 0,02мс. Розроблено та впроваджено алгоритмічне й програмне забезпечення класифікатора стану лопаток.

Четвертий розділ присвячено синтезу та оптимізації нейротехнічного класифікатора на основі ІНМ та мережі адаптивної резонансної теорії для розпізнавання стану лопаток у процесі моніторингу на стаціонарному режимі за значеннями модуля біспектру (БС) віброакустичних процесів. Результати оцінювання модуля БС, як функції двох частот та , являють собою тривимірну множину, яка може бути подана у вигляді тривимірних діагонально симетричних зображень. Поява та розвиток тріщини в лопатці робочого колеса двигуна призводить до зміни інтенсивності екстремумів модулів БС, деталізації зображень, появи додаткових складових низької інтенсивності. Розпізнавання за біспектральними ознаками проведено на менш інформативному стаціонарному режимі для визначення порогових значень ефективності розпізнавання за даними діагностичними ознаками.

Для розпізнавання технічного стану лопаток на стаціонарних режимах ГТД за результатами оцінювання модуля БС віброакустичного сигналу запропоновано використовувати у якості вхідних образів для НМ числові матриці, сформовані за тривимірними множинами оцінок модуля БС. З урахуванням їх діагональної симетрії було проведено перетворення матриць для зменшення витрат обчислювальних ресурсів та сформовано множини вхідних векторів (по 20 навчальних та тестових образів). Наведено приклад одного вхідного вектора (для наочності у вигляді зображення, за осями позначено кількість точок у виділеному фрагменті).

Спочатку класифікацію стану лопаток проведено з використанням раніше дослідженої двошарової ІНМ, перший шар якої містить 20 нейронів (за кількістю сформованих образів), а другий - два нейрони (для двокласової діагностики). Під час пред'явлення мережі об'єктів навчальної множини образів нульова похибка навчання забезпечувалась у діапазоні значень параметру впливу ІНМ =1,5,...,20, тому розпізнавання об'єктів тестової множини образів проводилось при змінюванні у вказаному діапазоні. Ефективність класифікації стану робочого колеса ІНМ оцінювалась за коефіцієнтом К_е при змінюванні параметру впливу та кількості n об'єктів навчальної множини образів. Результати досліджень показали, що ІНМ забезпечує безпомилкове розпізнавання ТС лопаток (?0,05) при значенні параметру впливу мережі 1,5...,11 та при кількості об'єктів навчальної множини образів не менше, ніж 8.

В реальних умовах функціонування НМ кількість навчальних образів в навчальній множині може змінюватись з часом, постійно доповнюватись новими, більш не схожими на попередні, образами. Це може спричинити знищення чи зміну результатів попереднього навчання, бо навчаючись, мережа буде безперервно змінювати свої вагові коефіцієнти, не досягаючи при цьому задовільних результатів при розпізнаванні.

Такої нестабільності немає у мереж адаптивної резонансної теорії (АРТ), які відрізняються гнучкістю при навчанні нових образів, запобігаючи зміні раніше запам'ятованих. В роботі проведено розпізнавання ТС лопаток за оцінками модуля БС і мережею АРТ. Ця мережа працює з бінарними векторами (елементи вектора - числа 0 або 1), тому для отримання вхідного вектора числові матриці за стовпцями були перетворені у бінарний вектор, який і подавався на вхід НМ. Приклад вхідного бінарного вектора у вигляді зображення. Особливістю навчання мережі є те, що під час навчання потрібно змінювати параметр мережі - параметр подібності с, щоб забезпечити високу ефективність класифікації.

Тому оптимізація параметру подібності с є важливою задачею при побудові класифікатору на основі мережі АРТ, в якій запам'ятований образ не буде змінюватись, якщо вхідний вектор не буде достатньо схожий на нього, новий образ може створювати нові класифікаційні категорії, але вхідний образ не може змінити існуючу пам'ять. Така властивість мережі дозволяє проводити багатокласову діагностику, причому на кожному етапі роботи мережі відбувається уточнення та насичення кластерів, в результаті навчання та класифікації отримуємо інтегральні образи класів, що вміщують в собі інформацію про змінювання образів в межах кожного стану об'єкту діагностики.

В роботі проведено навчання мережі АРТ при незмінному та змінному параметрі с на навчальній множині, подання навчальних вхідних образів для класів без пошкодження та з пошкодженням проводилось почергово та послідовно. Для таких умов навчання проведено розпізнавання тестових образів та досліджено вірогідність розпізнавання. Показано, що використання мережі АРТ для розпізнавання ТС лопаток робочого колеса на стаціонарних режимах забезпечує безпомилкову класифікацію, визначено мінімальну кількість об'єктів навчальної множини, порядок їх подачі на вхід мережі, діапазон зміни параметра подібності мережі АРТ. Встановлено, що безпомилкове розпізнавання мережею АРТ на навчальній та тестовій множинах забезпечується при змінному впродовж навчання значенні параметру 0,1<с<0,7 за умови послідовного подання образів, при мінімальній кількості навчальних образів - 10.

В роботі розроблено схему системи визначення ТС лопаток з початковими тріщиноподібними пошкодженнями за результатами біспектрального аналізу на стаціонарному режимі експлуатації. Використання двох типів НМ для вирішення задачі розпізнавання ТС лопаток збільшує інформативність діагностичних даних і дозволяє не тільки безпомилково розпізнавати стани, а й відслідкувати динаміку зміни образу в межах класу. Розроблено алгоритмічне і програмне забезпечення, необхідний об'єм пам'яті для класифікатора повинен бути не менше 1260 кБайт, час на розпізнавання одного образу в ІНМ становить 0,04 мс, а в мережі АРТ - 0,02 мс.

У додатках наведено акти про впровадження та використання результатів дослідження.

ВИСНОВКИ

Головний науковий результат дисертаційної роботи полягає у науковому обґрунтуванні та розробці нейротехнічного класифікатора стану для системи віброакустичного моніторингу та діагностики початкових пошкоджень лопаток газотурбінних двигунів на стаціонарних та нестаціонарних режимах експлуатації.

1. В результаті аналізу традиційних методів розпізнавання технічного стану технічних об`єктів встановлено, що за своїми можливостями та вірогідністю розпізнавання традиційні методи не відповідають вимогам виявлення зміни стану лопаток в процесі експлуатації на якомога ранній стадії розвитку пошкодження, забезпечення нелінійного розділення простору ознак, гнучкості та здатності до розпізнавання за ознаками на основі сучасних методів обробки інформації, у випадках обмеженої інформації про образи, що розпізнаються, та обмеженої кількості образів для навчання. Обґрунтовано доцільність використання нейронних мереж для розпізнавання технічного стану лопаток у процесі віброакустичного моніторингу ГТД.

2. Виконано порівняльний структурно-функціональний аналіз нейронних мереж для докласового розпізнавання стану лопаток за методом вільних коливань, в результаті якого встановлено, що найбільш ефективною мережею є імовірнісна нейронна мережа, яка забезпечує нелінійне розділення простору ознак на класи з найбільшою вірогідністю. Імовірнісна мережа обрана як основа для побудови нейротехнічного класифікатора стану лопаток.

3. Проведено структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі імовірнісної нейронної мережі для розпізнавання стану лопаток за амплітудними характеристиками віброакустичних процесів на стаціонарних та нестаціонарних режимах ГТД. Проведено розпізнавання стану лопаток з початковими пошкодженнями, в результаті чого встановлено, що на нестаціонарних режимах прийомистості та дроселювання мережа забезпечує розпізнавання стану з пошкодженням =0,03, а на стаціонарному режимі та запуску - з пошкодженням 0,05. Визначено максимальні значення вірогідності правильної класифікації стану лопатки та встановлено інтервали значень параметру впливу нейронної мережі у, в яких забезпечується максимальне значення вірогідності на стаціонарному та нестаціонарних режимах.

4. Проведено структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі імовірнісної нейронної мережі для розпізнавання стану лопаток на стаціонарних режимах за результатами оцінювання модуля біспектру. Проведено навчання мережі та розпізнавання стану лопаток з початковими пошкодженнями 0,05, оцінено вірогідність розпізнавання, в результаті чого встановлено, що імовірнісна мережа забезпечує безпомилкове розпізнавання стану лопаток. Визначено інтервал значень параметру впливу у та мінімальну кількість об`єктів навчальної множини образів для безпомилкового розпізнавання.

5. Проведено структурно-параметричний синтез та оптимізацію нейротехнічного класифікатора на основі мережі адаптивної резонансної теорії для розпізнавання стану лопаток на стаціонарних режимах за результатами оцінювання модуля біспектру. Проведено навчання мережі та розпізнавання стану лопаток з початковими пошкодженнями 0,05, оцінено вірогідність розпізнавання, в результаті чого встановлено, що мережа забезпечує безпомилкове розпізнавання стану лопаток. Визначено мінімальну кількість об`єктів навчальної множини, порядок їх подання на вхід мережі, діапазон зміни параметра подібності с для безпомилкового розпізнавання.

6. Розроблено структурну схему класифікатора на основі імовірнісної нейронної мережі для розпізнавання стану лопаток за амплітудними характеристиками віброакустичних процесів на стаціонарному та нестаціонарних режимах вібраційного збурення, структурну схему класифікатора на основі імовірнісної нейронної мережі та мережі адаптивної резонансної теорії для розпізнавання стану лопаток за оцінками модуля біспектру на стаціонарному режимі, розроблено алгоритмічне та програмне забезпечення нейротехнічного класифікатора.

7. Результати роботи впроваджені в практику контролю авіаційної техніки на ДП завод 410 ЦА (м. Київ) та використовуються в навчальному процесі кафедри приладів і систем орієнтації та навігації Національного технічного університету України «КПІ».

СПИСОК ОПУБЛІКОВАНИХ ПРАЦЬ ЗА ТЕМОЮ ДИСЕРТАЦІЇ

1. Зажицкий А.В. Классификация состояния объекта виброакустической диагностики с использованием нейротехнических структур/А.В.Зажицкий, Н.И. Бурау, А.Н. Тяпченко // Авіаційно-космічна техніка і технологія. - Харків, 2002. - Вип. 31. - С.181-185.

Здобувачем проведено моделювання нейронних мереж, розпізнавання стану лопаток, вибрано оптимальну мережу для побудови класифікатора стану.

2. Зажицький О. Аналіз ефективності розпізнавання технічного стану об`єкту віброакустичної діагностики нейронними мережами/ Олександр Зажицький, Надія Бурау// Методи та прилади контролю якості. - 2003. - №11. - С.21-26.

Здобувачем проведено розпізнавання, досліджено ефективність розпізнавання для первісних та нелінійно перетворених діагностичних ознак.

...