Использование современных методов кластеризации для параметрической диагностики неисправностей турбовентиляторных двигателей

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.

диагностика неисправностей двигателей, параметрические данные, турбовентиляторные реактивные двигатели, мониторинг, обработка полетных данных, нейронная сеть, c-means, k-means, DBSCAN, кластерный анализ, кластерный паттерн, методы кластеризации, алгоритм, параметры полета, температура выхлопных газов, анализ данных, самоорганизующиеся карты

1. Бураймах 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.

2. 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/10.1115/1.2818515

3. Polycarpou M.M. An on-line approximation approach to fault monitoring, diagnosis, and accommodation // SAE Technical Paper 941217. 1994. DOI: https://doi.org/10.4271/941217

4. Merrigton 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/10.1115/1.2906830

5. Gorinevsky 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.2002.1185136

6. Бураймах 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.

7. 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.2008.4602248

8. Luo 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.2003.1243596

9. Ofsthum 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.2004.1368185

10. Bezdek J.C. Pattern recognition with fuzzy objectives function algorithm. New York: Springer US, 1981. 272 p. DOI: 10.1007/978-1-4757-0450-1

11. Dunn 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/10.1080/01969727308546046