Розробка теоретичних основ оцінки технічного стану авіаційних двигунів на базі методів штучного інтелекту, розпізнавання образів та теорії статистичних рішень

Abstract

Перевірено та підтверджено базову гіпотезу про можливість розпізнавання стану авіаційних двигунів з використанням методів розпізнавання образів, теорії статистичних рішень та методів штучного інтелекту. При цьому створено методологію процесу формування, побудови та визначення оптимальних параметрів алгоритмів, що базуються на наступних методах: мето- ди класифікації за евклідовою відстанню між точками просторі ознак; комплексний метод, що базується на використанні методу кластеризації за "картою кластерів"; методи визначення класу за різними мірами відстані; методи дискримінантного аналізу; метод мінімізації ризику, нейроні мережі. Структура отриманого алгоритмічного забезпечення пристосована для ідентифікації класу технічного стану авіаційного двигуна за параметрами функціонування, які реєструються у експлуатації. Методологія включає метод проведення чисельного експерименту з метою отри- мання наборів даних, що характеризують об’єкт діагностування та необхідні для оптимізації отриманих алгоритмів: навчальний, тестовий та перевірочний; метод оптимізації та перевірки роботоспроможності отриманого методичного, алгоритмічного та програмного забезпечення. Методологія процесу розпізнавання стану авіаційних двигунів з використанням перера- хованих методів включає в себе методи та алгоритми первинної обробки польотної інформації при якій виконується послідовне приведення зареєстрованих параметрів робочого процесу до стандартних атмосферних умов та до заданого режиму роботи двигуна, формування за їхніми значеннями ознак технічного стану ГТД (відносних діагностичних відхилень) та методи визна- чення за цими ознаками класу технічного стану до якого треба віднести підконтрольний об’єкт. На першому етапі роботи було розроблено методологію проведення чисельного експе- рименту, метою якого є отримання наборів даних для навчання нейроних мереж. На цьому ж етапі проведено формування нейроної мережі для розпізнавання випадку дискретної та посту- пової зміни функціональних характеристик елементів проточної частини ГТД. Для випадку класифікації дискретної зміни досліджено мережу, призначену для класифікації вхідних векто- рів - LVQ – мережу. Як параметр якості розпізнавання мережі використано величину відсотку помилок розпізнавання. Для більш загального випадку поступової деградації проведено ство- рення мережі методом прямого розповсюдження сигналу і проведено вибір кращого алгоритму навчання - алгоритму сполучених градієнтів Полака – Рібейри (Polak - Ribiere), CGP та порого- вого алгоритму зворотнього розповсюдження помилки Rprop. Проведено вибір типу нейронів мережі. Найкращі показники за точністю навчання показали мережі з нейронами, що мають фу- нкцію активації типу гіперболічного тангенса. Було визначено критерій якості навчання мережі - різниця між критеріями якості класифікації, отриманими на навчальній та на тестовій вибір- ках. Було проведено навчання двох-, трьох- та чотирьох - шарових мереж з різною кількістю нейронів у шарі з використанням запропонованого критерію як критерію заключного навчання та визначено оптимальну архітектуру мережі. Наприкінці дослідження було проведено створен- ня та навчання нейроної мережі з 4 шарами, призначеної для розпізнавання за неприведеними до режиму роботи ГТД даними класу технічного стану двигуна у широкому діапазоні режимів його роботи. На цьому ж етапі розроблені методи побудови, навчання та розпізнавання стану авіацій- них двигунів та газотурбінних установок за параметрами масла та вібраційними параметрами. На поточному етапі науково - дослідної роботи створено методичне, алгоритмічне та за- гальне програмне забезпечення ще п’яти груп методів. В ході дослідження було отримано на- ступні результати. Сформовано алгоритм додаткової обробки ознак технічного стану для їх використання у методах класифікації, що застосовують різні міри відстані між об’єктами. Досліджено групу методів класифікації на базі використання методів кластеризації за від- станню між об’єктами у просторі діагностичних нев’язок. Розглянуто наступні методи: кластеріза- ція побудовою бінарного дерева кластерів; група методів, що базуються на визначенні евклідової відстані від точки до: найближчого сусіда; до ряду найближчих сусідів; до ядра класу. Кращі пока- зники якості класифікації отримано для метода на базі урахування відстані до найближчого сусіда. Метод забезпечує відсоток помилкового розпізнавання 13 %, відсоток грубих помилок - 3,3 %. У ході проведення класифікації з використанням методу кластеризації "Карта кластерів" було проведено роботу з визначення оптимальної форми коваріаційної матриці, що використо- вується при побудові відсічної функції. Як таку матрицю запропоновано використовувати по- множену на постійний коефіцієнт коваріаційну матрицю, отриману за ознаками стану. Визна- чено значення цього коефіцієнту, яке забезпечує кращу якість класифікації. Значення цього ко- ефіцієнту лежить у межах 0,6 - 0,8. Найкращі результати класифікації отримано при поєднанні кластеризації за "картою кластерів" та метода класифікації за n найближчими сусідами. Метод забезпечує рівень помилок 9 % (2,5 % грубих помилок). На заключному етапі дослідження цієї групи методів проведено вибір міри відстані між об’єктам. Найкращі показники якості показав метод, що базується на мірі відстані Махаланобіса, який забезпечив рівень помилок 4 % (3,3 % грубих помилок). Проведено розпізнавання класів ТС ГТД з використанням методів дискримінантного аналізу та визначено показники якості розпізнавання. Метод дозволив отримати рівень поми- лок 3,3 % (2,5 % грубих помилок). Виконано розробку методу розпізнавання класів ТС ГТД з використанням методу мінімі- зації ризику. В ході роботи запропоновано новий метод формування матриці втрат в результаті помилки класифікації. Особливістю цієї матриці є те, що вона складена з відносних значень втрат і її результати можуть бути використані для широкого кола об’єктів. Проведено розпізнавання класу ТС ГТД при різних значеннях компонентів матриці втрат. Метод забезпечує рівень помилок 1 % (0 % грубих помилок). На заключному етапі проведено порівняльний аналіз методів визначення класу технічного стану ГТД. Як витікає з результатів цього аналізу найбільш точне розпізнавання забезпечує метод мінімізації ризику. Крім того використання цього методу дозволяє мінімізувати часові (фінансові) витрати, пов’язані з помилкою при визначенні ТС ГТД. Як альтернативу до цього метода можна рекомендувати використовувати нейроні мережі з прямим розповсюдженням сигналу для випадків діагностування об’єкту ознаки якого не підлягають нормальному розподілу.