Распознавание режимов работы авиационного ГТД с использованием технологии нейронных сетей
Курсовой проект - Компьютеры, программирование
Другие курсовые по предмету Компьютеры, программирование
отности воздействий, погрешностях измерений на всех режимах работы ГТД;
классификация осуществляется только на установившихся режимах работы ГТД;
низкое качество классификации из-за погрешностей оценок масштаба распределения, обусловленных как недостоверной априорной информацией о вероятностных характеристиках классов, так и погрешностями вычислений и близостью центров распознаваемых классов.
Постановка задачи распознавания режимов работы ГТД в нейросетевом базисе
Алгоритмы должны обеспечить распознавание тех динамических режимов, начало которых характеризуется только изменениями значений аналоговых параметров. При этом на первом уровне, например, непосредственно в начальный период динамического режима, алгоритмом осуществляется предварительное распознавание до уровня подмножества mr множества Mr динамических режимов. Окончательное распознавание до вида обработки, формы генерируемого печатного протокола и названия динамического режима осуществляется алгоритмом на втором уровне после окончания процесса измерения параметров.
Анализ режимов и видов испытаний изделий показывает, что алгоритмы должны cодержать операторы, основанные на формуле Байеса:
,
где P(A) - априорная вероятность гипотезы A(A | B) - вероятность гипотезы A при наступлении события B (апостериорная вероятность);(B | A) - вероятность наступления события B при истинности гипотезы A;(B) - вероятность наступления события B.
Для автоматизированных испытаний авиационных двигателей унифицированный алгоритм должен содержать для первого уровня распознавания в качестве комплекса признаков K следующие элементы: признак k1, описывающий идентификаторы начальных установившихся режимов работы двигателей, с которых может начинаться анализируемое подмножество динамических режимов; признаки k2 и k3, определяющие возможные направления и скорости изменения режимного параметра в начале динамического режима.
Априорное пространство признаков процесса окончательного распознавания динамических режимов должно содержать комплекс признаков K, включающий информацию об идентификаторах, направлениях и скоростях изменения режимного параметра для начального и промежуточных установившихся режимов.
Классификация и распознавание классов состояний динамического объекта необходимы для согласования стратегии оптимального управления с состоянием объекта.
Будем полагать, что поведение ГТД как сложного динамического объекта может быть представлено в виде уравнений в пространстве состояний:
где - вектор переменных состояния ГТД;
- вектор управляющих воздействий;
- вектор внешних возмущающих воздействий;
- вектор наблюдаемых (выходных) координат; , G - нелинейные вектор-функции.
Тогда основными причинами смены состояний ГТД можно считать изменение векторов и , параметров авиационного двигателя , а также изменение операторов F и G при его функционировании.
На рисунке 1 показан ориентированный граф, описывающий процесс смены режимов работы (классов состояний) авиационного двигателя [1-6].
Рисунок 1 - Модель процесса изменения классов состояний ГТД
- класс установившихся режимов, для которых
- класс режимов, сопровождающихся линейным трендом параметров, для которого
- класс переходных режимов работы (состояний), для которых
- класс неустановившихся режимов работы (разгон, дросселирование), для которых
Вообще говоря, кроме перечисленных (исправных) состояний различают класс неисправных (отказовых) состояний, характеризуемый изменением класса операторов F и G в (1).
При этом классификация состояний ГТД теоретически возможна в пространстве состояний, если использовать переменные состояния как параметры классификации. Однако, доступными для наблюдения являются компоненты вектора , включающие аддитивные случайные шумы измерений. Следовательно, существует проблема определения рабочего набора признаков для построения решающих правил, инвариантных к случайным шумам наблюдений. Другой проблемой повышения качества распознавания является повышение точности определения границ классов состояний авиационного двигателя. Эта проблема обусловлена тем, что они существенно зависят от соотношений между динамическими параметрами ГТД (и спектральными характеристиками всех видов воздействия и возмущений, имеющих случайный характер, и, следовательно, являются условными).
В настоящее время процесс классификации режимов работы ГТД, как правило, осуществляется вручную, с участием высококвалифицированного специалиста, длительная и монотонная работа которого, с одной стороны, может привести к ошибкам классификации, а с другой стороны, к значительным временным затратам.
Для ликвидации перечисленных выше недостатков автором предлагается алгоритм решения задачи классификации режимов работы ГТД на основе нейронных сетей.
Постановку задачи можно свести к следующему. Имеется временной ряд, образованный наборами данных по результатам измерения термогазодинамических параметров двигателя на некотором интервале наблюдения . Требуется выделить характерные участки временного ряда, соответствующие определенным классам состояний авиационного двигателя: , где So - класс возможных режимов (исправных состояний) ГТД.
Процедура решения данной задачи с помощью нейронной сети показана на рисунке 2.
Рисунок 2 - Схема нейросе