cahtНаучный вестник МГТУ ГАCivil Aviation High Technologies2079-06192542-0119Moscow State Technical University of Civil Aviation (MSTU CA)10.26467/2079-0619-2020-23-6-20-27caht-1763Research ArticleТРАНСПОРТTRANSPORTИспользование современных методов кластеризации для параметрической диагностики неисправностей турбовентиляторных двигателейUsing modern clustering techniques for parametric fault diagnostics of turbofan enginesBuraimahI. J.BuraimahI. J.

главный инженер отдела инженерных космических систем,

Абуджа

Principal Engineer in the Department of Engineering Space Systems, 

Abuja

jubril.buraimah@nasrda.gov.ngНациональное агентство космических исследований и разработокНигерияNational Space Research & Development Agency (NASRDA)Nigeria2020311220202362027Copyright © Buraimah I.J., 20202020Buraimah I.J.Buraimah I.J.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://avia.mstuca.ru/jour/article/view/1763

Авиационные и аэрокосмические технологии XXI века эволюционировали и стали более сложными и техническими. Турбореактивные двигатели, а также их собратья, ракетный двигатель (жидкий/твердый) прошли через несколько конструктивных улучшений и усовершенствований в ходе их проектирования и эксплуатации. Эти технологические усовершенствования сделали двигатели очень сложными и дорогими машинами, которые нуждаются в постоянном контроле во время их рабочей фазы. По мере того как спрос и использование таких двигателей неуклонно растут как в гражданском, так и в военном секторах, становится необходимым отслеживать и прогнозировать поведение параметрических данных, генерируемых этими сложными двигателями во время их рабочих фаз. В работе для определения неисправности двигателя используются такие параметры полета, как температура выхлопных газов (EGT), частоты вращения вентиляторов двигателя (N1 и N2), расход топлива (FF), температура масла (OT), давление масла (OP), вибрация и другие. Все турбовентиляторные двигатели проходят через несколько отчетливо различающихся рабочих фаз: взлета, круиза и посадки. Запись генерируемых параметрических данных на этих различных этапах приводит к огромному количеству бортовых данных и отчетов о техническом обслуживании, что делает задачу проектирования и разработки системы диагностики неисправностей чрезвычайно перспективной. Становится необходимым использовать современные методы анализа данных, позволяющих обрабатывать большие объемы генерируемых данных и давать четкие визуальные результаты для определения технического состояния двигателя, являющегося объектом исследования/мониторинга. Эти современные методики должны быть способны дать четкую и объективную оценку исследуемому объекту. Для построения кластеров были использованы методы кластерного анализа, основанные на нейронных сетях таких, как c-means, k-means, самоорганизующиеся карты и алгоритм DBSCAN. Различия в кластерных группировках/паттернах между исправным двигателем и двигателем с пониженной производительностью сравниваются и используются в качестве основы для определения неисправностей. Диагностика неисправностей играет очень важную роль в управлении авиационными двигателями. Своевременное и точное обнаружение неисправностей является основой, на которой базируются сроки выполнения технического обслуживания, эксплуатационные расходы и безопасность полетов. Данные, использованные в работе для анализа, были получены с бортового самописца в течение одного полетного цикла. Окончательное решение о неисправности принимает инженер.

The 21st century aviation and aerospace technologies have evolved and become more complex and technical. Turbofan jet engines as well as their cousins, the rocket engines (liquid/solid) have gone through several design upgrades and enhancements during the course of their design and exploitation. These technological upgrades have made engines very complex and expensive machines which need constant monitoring during their working phase. As the demand and use of such engines is growing steadily, both in the civilian and military sectors, it becomes necessary to monitor and predict the behavior of parametric data generated by these complex engines during their working phases. In this paper flight parameters such as Exhaust Gas Temperature (EGT), Engine Fan Speeds (N1 and N2), Fuel Flow (FF), Oil Temperature (OT), Oil Pressure (OP), Vibration and others where used to determine engine fault. All turbo fan engines go through several distinctly different working phases: Take-off phase, Cruise phase and Landing phase. Recording generated parametric data during these different phases leads to a massive amount of in-flight data and maintenance reports, which makes the task of designing and developing a fault diagnostic system highly challenging. It becomes imperative to use modern techniques in data analysis that can handle large volumes of generated data and provide clear visual results for determining the technical status of the engine under investigation/monitoring. These modern techniques should be able to give clear and objective assessment of the object under investigation. Cluster analysis methods based on Neural Networks such as c-means, k-means, self-organizing maps and DBSCAN algorithm have been used to build clusters. Differences in cluster groupings/patterns between healthy engine and engine with degraded performance are compared and used as the bases for defining faults. Fault diagnosis plays a crucial role in aircraft engine management. Timely and accurate detection of faults is the foundation on which maintenance turnaround times, operational costs and flight safety are based. The data used in this paper for analysis was obtained from flight data recorder during one flight cycle. The final decision on a fault is taken by an engineer.

диагностика неисправностей двигателейпараметрические данныетурбовентиляторные реактивные двигателимониторингобработка полетных данныхнейронная сетьc-meansk-meansDBSCANкластерный анализкластерный паттернметоды кластеризацииалгоритмпараметры полетатемпература выхлопных газованализ данныхсамоорганизующиеся картыengine fault diagnosticsparametric dataturbofan jet enginesmonitoringin-flight data handlingneural networkcmeansk-meansdbscanclustering analysiscluster patternclustering techniquesalgorithmflight parametersexhaust gas temperaturedata analysisself-organizing mapsReferencesБураймах И.Д. Применимости нейросетевых алгоритм к оценке технического состояния авиационных двигателей // Научные чтения по авиации, посвященные памяти Н.Е. Жуков ского: сборник докладов XII Всероссийской научно-технической конференции. Москва, 16–17 апреля 2015 г. М.: ООО «Экспериментальная мастерская НаукаСофт». С. 104–106.Buraimah, I.J. (2015). Primenimosti neyrosetevykh algoritm k otsenke tekhnicheskogo sostoyaniya aviatsionnykh dvigateley [Application of the neural network algorithm for determining technical condition of aircraft engine]. Nauchnyye chteniya po aviatsii, posvyashchennyye pamyati N.Ye. Zhukovskogo: sbornik dokladov XII Vserossiyskoy nauchno-tekhnicheskoy konferentsii [12th Russian Scientific and Technical Conference, (technical reading on aviation), Dedicated to the memory of Ghukovski, N.E.], pp. 104–106. (in Russian).DePold H.R., Gass F.D. The application of expert systems and neural networks to gas turbine prognostics and diagnostics // ASME. Journal of Engineering for Gas Turbines and Power. 1999. Vol. 121, iss. 4. Pp. 607–612. DOI: https://doi.org/10.1115/1.2818515DePold, H.R. and Gass, F.D. (1999). The application of expert systems and neural networks to gas turbine prognostics and diagnostics. ASME. Journal of Engineering for Gas Turbines and Power, vol. 121, issue 4, pp. 607–612. DOI: https://doi.org/10.1115/1.2818515Polycarpou M.M. An on-line approximation approach to fault monitoring, diagnosis, and accommodation // SAE Technical Paper 941217. 1994. DOI: https://doi.org/10.4271/941217Polycarpou, M.M. (1994). An on-line approximation approach to fault monitoring, diagnosis, and accommodation. SAE Technical Paper 941217. DOI: https://doi.org/10.4271/941217Merrigton G.L. Fault diagnosis in gas turbines using a model-based technique // ASME. Journal of Engineering for Gas Turbines and Power. 1994. Vol. 116, iss. 2. Pp. 374–380. DOI: https://doi.org/10.1115/1.2906830Merrigton, G.L. (1994). Fault diagnosis in gas turbines using a model-based technique. ASME Journal of Engineering for Gas Turbines and Power, vol. 116, issue 2, pp. 374–380. DOI: https://doi.org/10.1115/1.2906830Gorinevsky D., Nwadiogbu E., Mylaraswany D. Model based diagnostics for small-scale turbomachines // Proceedings of the 41st IEEE Conference on Decision and Control. NV, USA, Las Vegas, 2002. Vol. 4. Pp. 4784–4789. DOI: 10.1109/CDC.2002.1185136Gorinevsky, D., Nwadiogbu, E. and Mylaraswany, D. (2002). Model based diagnostics for small-scale turbomachines. Proceedings of the 41st IEEE Conference on Decision and Control, Las Vegas, NV, USA, vol. 4, pp. 4784–4789. DOI: 10.1109/CDC.2002.1185136Бураймах И.Д. О применимости нейросетевых алгоритмов к оценке технического состояния авиационных двигателей // Авиация: история, современность, перспективы развития: сборник трудов IV международной научно-практической конференции. Минск, 22 мая 2013 г. Минск, 2014. С. 87–88.Buraimah, I.J. (2014). O primenimosti neyrosetevyye algoritm k otsenke tekhnicheskogo sostoyaniya aviatsionnykh dvigateley [Using neural network based algorithm to determine technical condition of aircraft engines]. Aviatsiya: istoriya, sovremennost, perspektivy razvitiya: sbornik trudov IV Mezhdunarodnoy nauchno-prakticheskoy konferentsii [4th International Technical and Scientific Conference, ‘Aviation: history, current technology, perspective development’]. Minsk, Belarus. (in Russian)Wang X., Syrmos V. Fault detection, identification and estimation in the electro-hydraulic actuator system using EKF-based multiple-model estimation // 16th Mediterranean Conference on Control and Automation, 2008. Pp. 1693–1698. DOI: 10.1109/MED.2008.4602248Wang, X. and Syrmos, V.L. (2008). Fault detection, identification and estimation in the electro-hydraulic actuator system using EKF-based multiple-model estimation. 16th Mediterranean Conference on Control and Automation, pp. 1693–1698. DOI: 10.1109/MED.2008.4602248Luo J. Model-based prognostic techniques [maintenance applications] / J. Luo, M. Namburu, K. Pattipati, L. Qiao, M. Kawamoto, S. Chigusa // Proceedings AUTOTESTCON 2003. IEEE Systems Readiness Technology Conference. Anaheim, CA, USA, 2003. Pp. 330–340. DOI: 10.1109/AUTEST.2003.1243596Luo, J., Namburu, M., Pattipati, K., Qiao, L., Kawamoto, M. and Chigusa, S. (2003). Model-based prognostic techniques [maintenance applications]. Proceedings AUTOTESTCON 2003. IEEE Systems Readiness Technology Conference, Anaheim, CA, USA, pp. 330–340. DOI: 10.1109/AUTEST.2003.1243596Ofsthum S.C., Wilmering T.J. Model-driven development of integrated health management architectures // IEEE Aerospace Conference Proceedings (IEEE Cat. No.04TH8720). Big Sky. MT, 2004. Vol. 6. Pp. 3692–3705. DOI: 10.1109/AERO.2004.1368185Ofsthum, S.C. and Wilmering, T.J. (2004). Model-driven development of integrated health management architectures. IEEE Aerospace Conference Proceedings (IEEE Cat. No.04TH8720). Big Sky, MT, vol. 6, pp. 3692–3705. DOI: 10.1109/AERO.2004.1368185Bezdek J.C. Pattern recognition with fuzzy objectives function algorithm. New York: Springer US, 1981. 272 p. DOI: 10.1007/978-1-4757-0450-1Bezdek, J.C. (1981). Pattern recognition with fuzzy objectives function algorithm. Springer US, New York, 272 p. DOI: 10.1007/978-1-4757-0450-1Dunn J.C. A fuzzy relative of the ISODATA process and its use in detecting compact, well separated clusters // Cybernetics and System Journal. 1973. Vol. 3, iss. 3. Pp. 32–57. DOI: https://doi.org/10.1080/01969727308546046Dunn, J.C. (1973). A fuzzy relative of the ISODATA process and its use in detecting compact, wellseparated clusters. Cybernetics and System Journal, vol. 3, issue 3, pp. 32–57. DOI: https://doi.org/10.1080/01969727308546046

The authors declare that there are no conflicts of interest present.