Методика диагностирования технического состояния авиационных газотурбинных двигателей с применением рекуррентных нейронных сетей (RNN) и длинно-краткосрочной памяти (LSTM)

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.

1. Fentaye A.D., Zaccaria V., Kyprianidis K. Aircraft engine performance monitoring and diagnostics based on deep convolutional neural networks [Электронный ресурс] // Machines. 2021. Vol. 9, iss. 12. ID: 337. DOI: 10.3390/machines9120337 (дата обращения: 27.02.2024).

2. Al-Tekreeti W.K.F., Kashyzadeh K.R., Ghorbani S. Advancements in gas turbine fault detection: a machine learning approach based on the temporal convolutional network-autoencoder model [Электронный ресурс] // Applied Sciences. 2024. Vol. 14, iss. 11. ID: 4551. DOI: 10.3390/app14114551 (дата обращения: 27.02.2024).

3. Berghout T. ProgNet: A transferable deep network for aircraft engine damage propagation prognosis under real flight conditions / T. Berghout, M.-D. Mouss, L.-H. Mouss, M. Benbouzid [Электронный ресурс] // Aerospace. 2023. Vol. 10, iss. 1. ID: 10. DOI: 10.3390/aerospace10010010 (дата обращения: 27.02.2024).

4. Hochreiter S., Schmidhuber J. Long short-term memory // Neural computation. 1997. Vol. 9, iss. 8. Pp. 1735–1780. DOI: 10.1162/neco.1997.9.8.1735

5. Zhao J., Li Y.-G., Sampath S. Convolutional neural network denoising autoencoders for intelligent aircraft engine gas path health signal noise filtering [Электронный ресурс] // Journal of Engineering for Gas Turbines and Power. 2023. Vol. 145, iss. 6. ID: 061013. DOI: 10.1115/1.4056128 (дата обращения: 27.02.2024).

6. Garg S., Simon D. Challenges in aircraft engine gas path health management [Электронный ресурс] // Proceedings of the Tutorial on Aircraft Engine Control and Gas Path Health Management, Cleveland, OH, USA, 2012. 64 p. URL: https://ntrs.nasa.gov/api/citations/20150009565/downloads/20150009565.pdf (дата обращения: 15.02.2024).

7. Mohammadi R. Fault diagnosis of gas turbine engines by using dynamic neural networks / R. Mohammadi, E. Naderi, K. Khorasani, S. Hashtrudi-Zad // 2011 IEEE International Conference on Quality and Reliability. Bangkok, Thailand, 2011. Pp. 25–30. DOI: 10.1109/ICQR.2011.6031675

8. Goodfellow I., Bengio Y. Courville A. Deep learning. The MIT Press, 2016. 800 p.

9. Clifton D. Condition monitoring of gasturbine engines [Электронный ресурс] // Transfer Report. Department of Engineering Science, University of Oxford, 2006. 60 p. URL: https://www.robots.ox.ac.uk/~davidc/pubs/transfer.pdf (дата обращения: 27.02.2024).

10. Upadhyay A. A deep-learning-based approach for aircraft engine defect detection / A. Upadhyay, J. Li, S. King, S. Addepalli [Электронный ресурс] // Machines. 2023. Vol. 11, iss. 2. ID: 192. DOI: 10.3390/machines11020192 (дата обращения: 27.02.2024).

11. Zhou D. Fault diagnosis of gas turbine based on partly interpretable convolutional neural networks / D. Zhou, Q. Yao, H. Wu, S. Ma, H. Zhang [Электронный ресурс] // Energy. 2020. Vol. 200. ID: 117467. DOI: 10.1016/j.energy.2020.117467 (дата обращения: 27.02.2024).

12. Falsetti C., Sisti M., Beard P.F. Infrared thermography and calibration techniques for gas turbine applications: A review [Электронный ресурс] // Infrared Physics & Technology. 2021. Vol. 113. ID: 103574. DOI: 10.1016/j.infra red.2020.103574 (дата обращения: 27.02.2024).

13. Zhao F. Gas turbine exhaust system health management based on recurrent neural networks / F. Zhao, L. Chen, T. Xia, Z. Ye, Y. Zheng // Procedia CIRP. 2019. Vol. 83, no. 12. Pp. 630–635. DOI: 10.1016/j.procir.2019.04.122

14. Pitkänen J. NDT methods for revealing anomalies and defects in gas turbine blades / J. Pitkänen, T. Hakkarainen, H. Jeskanen, P. Kuusinen, K. Lahdenperä, P. Särkiniemi [Электронный ресурс] // 15th World Conference on Nondestructive Testing. Italy, Roma, 15–21 October 2000. URL: https://www.ndt.net/article/wcndt00/papers/idn629/idn629.htm (дата обращения: 27.02.2024).

15. Loboda I. Neural networks for gas turbine diagnosis [Электронный ресурс] // Artificial Neural Networks-Models and Applications, 2016. DOI: 10.5772/63107 (дата обращения: 27.02.2024).

16. Pineda F.J. Generalization of backpropagation to recurrent neural networks [Электронный ресурс] // Physical Review Letters. 1987. Vol. 59, iss. 19. ID: 2229. DOI: 10.1103/PhysRevLett.59.2229 (дата обращения: 27.02.2024).

17. Панков Е.А., Чайка Н.Ф. Возможности спектральных методов для диагностики авиационных двигателей // Интерэкспо Гео-Сибирь. 2016. № 9. С. 8–13.