Машошин Олег Федорович, доктор технических наук, профессор, заведующий кафедрой двигателей летательных аппаратов
г. Москва
Oleg F. Mashoshin, Doctor of Technical Sciences, Professor, The Head of the Aircraft Engines Chair
Moscow
Гусейнов Гусейн, аспирант кафедры двигателей летательных аппаратов
г. Москва
Huseyn Huseynov, Postgraduate Student, Aircraft Engines Chair
Moscow
Засухин Александр Сергеевич, начальник учебно-тренажерного центра, старший преподаватель кафедры двигателей летательных аппаратов
г. Москва
Aleksandr S. Zasukhin, The Head of the Training and Simulator Center, Senior Lecturer, Aircraft Engines Chair
Moscow
В данной работе представлена методика диагностирования технического состояния авиационных газотурбинных двигателей (ГТД) с использованием рекуррентных нейронных сетей (RNN) и сетей с длиннократкосрочной памятью (LSTM). Основное внимание уделено сравнению эффективности данных моделей для прогноза ключевых параметров работы ГТД, таких как вибрации, температуры газа перед турбиной и частоты вращения роторов низкого и высокого давления. В процессе исследования проведена тщательная очистка и нормализация данных, включающая обработку пропущенных значений, нормализацию методом Min-Max Scaling, удаление выбросов, декорреляцию данных и сглаживание временных рядов. Модели RNN и LSTM были обучены на основе алгоритма обратного распространения ошибки через время (BPTT) для точного прогноза параметров работы ГТД. Результаты показывают, что обе модели демонстрируют высокую точность прогноза, но модели RNN показывают лучшие результаты по большинству параметров. Для вибрационных параметров (VIB_N1FNT1, VIB_N1FNT2, VIB_N2FNT1 и VIB_N2FNT2) модели RNN показали более низкие значения RMSE и MAE, подтверждая их высокую точность. Для температурных параметров (EGT1 и EGT2) модели RNN также продемонстрировали более высокие показатели точности. В то же время модели LSTM показали лучшие результаты для некоторых параметров частоты вращения роторов низкого и высокого давления (N21 и N22). Выводы работы подчеркивают необходимость выбора подходящей модели в зависимости от характера данных и специфики параметров, которые необходимо прогнозировать. Будущие исследования могут быть направлены на разработку гибридных подходов, объединяющих преимущества обеих моделей для достижения наилучших результатов диагностики технического состояния авиационных ГТД.
This study presents a method for diagnosing the technical condition of aviation gas turbine engines (GTE) using recurrent neural networks (RNN) and long short-term memory networks (LSTM). The primary focus is on comparing the effectiveness of these models for forecasting key operating parameters of GTEs, such as vibrations, turbine-inlet temperatures, and rotor speeds of low and high pressure. The research involved thorough data cleaning and normalization, including handling missing values, normalization using Min-Max Scaling, outlier removal, data decorrelation, and time series smoothing. The RNN and LSTM models were trained using the backpropagation through time (BPTT) algorithm to accurately forecast GTE operating parameters. The results show that both models demonstrate high forecasting accuracy, but the RNN models perform better in most parameters. For vibration parameters (VIB_N1FNT1, VIB_N1FNT2, VIB_N2FNT1, and VIB_N2FNT2), RNN models achieved lower RMSE and MAE values, confirming their higher accuracy. For temperature parameters (EGT1 and EGT2), RNN models also showed higher accuracy rates. Meanwhile, LSTM models achieved better results for some rotor speed parameters (N21 and N22). The findings emphasize the necessity of choosing the appropriate model based on the nature of data and the specifics of the parameters to be forecast. Future research may focus on developing hybrid approaches that combine the advantages of both models to achieve optimal results in diagnosing the technical condition of GTEs.
The authors declare that there are no conflicts of interest present.