Isbn 5-7262-0634 нейроинформатика 2006

Вид материалаДокументы

Содержание


Список литературы
Подобный материал:

ISBN 5-7262-0634-7. НЕЙРОИНФОРМАТИКА – 2006. Часть 3

С.В. ЖЕРНАКОВ, И.И. МУСЛУХОВ

Уфимский государственный авиационный технический университет

svz@vtizi.ugatu.ac.ru, musluhovii@mail.ru


НЕЙРОВЫЧИСЛИТЕЛЬ ДЛЯ ВОССТАНОВЛЕНИЯ

ПОТЕРЯННОЙ ИНФОРМАЦИИ СО ШТАТНЫХ ДАТЧИКОВ

БОРТОВОЙ СИСТЕМЫ КОНТРОЛЯ И ДИАГНОСТИКИ


Аннотация

В приведенной работе рассматривается актуальная задача восстановления потерянной информации со штатных датчиков в режиме реального времени. Исследуются различные архитектуры вычислителей и алгоритмы восстановления. Предлагается инженерная процедура восстановления потерянной информации с использованием нейровычислителя. В результате использования нейровычислителя обеспечивается эффективное и качественное восстановление информации со штатных датчиков в условиях бортовой системы контроля и диагностики газотурбинного двигателя (БСКД).


В процессе управления эксплуатации сложного технического объекта осуществляется непрерывный мониторинг его параметров, для принятия решения о его фактическом состоянии. Так, например, в процессе полёта, блок синхронизации данных осуществляет непрерывную запись и анализ шестидесяти параметров, характеризующих динамику силовой установки летательного аппарата (СУЛА) и около двухсот дискретных параметров. За час полета в бортовую базу данных (БД) записывается более 3500 параметров. В этих условиях большое значение имеет надежность контрольно-измерительной аппаратуры, особенно датчиков, отказы которых в системе управления газотурбинным двигателем (ГТД) приводят к тяжелым последствиям, так как это сопряжено с досрочным завершением полетного задания или с преждевременным снятием ГТД с борта летательного аппарата. Известно, что 15-20 %% отказов авиационных двигателей ассоциируется с отказом датчиков.

Выход из строя датчика в одном из измерительных каналов – является наиболее тяжелым отказом, который может носить кратковременный или продолжительный характер, например, отказ датчика частоты вращения может привести к выдаче ложного сигнала регулятору частоты вращения на повышение расхода топлива (топливный насос – дозирующая игла) в камеру сгорания ГТД, что может привести к ее разрушению (прогару стенок) или термическому разрушению лопаток турбины.

Поэтому система мониторинга параметров авиационного двигателя должна обладать высокой отказоустойчивостью, которая обеспечивается, ею в процессе выполнения операций:

• обнаружение состояния отказа;

• локализация отказа;

• восстановление работоспособности.

Обнаружение отказа системы мониторинга ГТД осуществляется на основе требования максимального быстродействия. Поэтому при разработке таких систем одним из вопросов своего решения является анализ измеренных с ГТД данных.

Решение данной задачи напрямую связано с обнаружением отказов датчиков и восстановлением потерянной информации с них на основе применения нейросетевых методов и инженерной методики, реализующей следующую последовательность шагов:

1) статистическая обработка данных (этап предобработки);

2) выбор архитектуры нейронной сети;

3) выбор структуры нейронной сети;

4) выбор алгоритма обучения нейронной сети;

5) обучение нейронной сети;

6) тестирование нейронной сети;

7) оценка эффективности работы нейронной сети.

Одним из нейросетевых методов решения задачи восстановления потерянной информации является использование нейронной сети в качестве математической модели ГТД, полученной в процессе идентификации характеристик авиационного двигателя.

В работах [1-6] констатируется возможность восстановления потерянной информации с датчиков ГТД, но вместе с тем отсутствует методика на основе которой осуществляется восстановление потерянных данных. В работе [7] была предложена методика и написано программное обеспечение для процесса восстановления потерянной информации с датчиков ГТД в составе бортовой системы контроля и диагностики ГТД.

На рис. 1 показан процесс восстановления информации с датчиков на основе нейронной сети. Нейронная сеть включается непосредственно между датчиками Д1…Дn (или в общем информационным каналом) и системой управления авиационным двигателем.





Рис. 1. Функциональная схема управления ГТД на основе

автоассоциативной нейронной сети (АНС)


На рис. 2 приведена зависимость качества восстановления потерянной информации АНС при отказе одного из штатных датчиков ГТД:P2*­­­ (датчик давления в сечении за компрессором).

Достоинствами функциональной схемы, приведенной на рис. 1, являются простота ее реализации, и прозрачность работы АНС в составе системы управления.

Для вычисления погрешности восстановления потерянной с датчиков информации используется формула следующего вида:



где realvalue – реальное значение параметра; nwavalue – восстановленное значение параметра; maxvalue, minvalue – максимальное и минимальное значения параметра.




Рис. 2. Восстановление потерянной информации автоассоциативной нейронной

сетью при одиночном отказе датчика P2*­­­ (обрыве)


Недостатком данного подхода является высокая погрешность восстановления одиночных отказах датчиков БСКД: погрешность восстановления значения с датчиков составляет 4,5-5 % в случае обрыва и до 5,5 % при постепенном отказе.

Другим подходом к восстановлению потерянной информации с датчиков БСКД на основе автоассоциативной нейронной сети является использование буфера (стека памяти), для сохранения последнего правильного значения с отказавшего датчика.

Этот подход был рассмотрен в работах [4, 7, 8]. В отличие от [1-6] в них рассматривается метод определения оптимального размера горла АНС, но отсутствовала инженерная методика получения работающей автоассоциативной нейронной сети, для процесса восстановления потерянной с датчиков БСКД информации. Исследование метода главных компонент, позволяет построить автоассоциативную нейронную сеть оптимальной структуры, использование которой для решения данной задачи уменьшает погрешность восстановления потерянной информации с датчиков БСКД.

На рис. 3 приведена зависимость процесса восстановления потерянной информации с датчиков БСКД «оптимальной» АНС в случае одиночных отказов датчиков (их обрыве).





Рис. 3. Восстановление потерянной информации «оптимальной» АНС

в случае одиночных отказов датчиков БСКД


Экспериментальные исследования с «оптимальной» АНС показывают, что погрешность восстановления ею потерянной информации с датчиков БСКД в случае одиночных отказов составляет 1,5-2 %, а при их постепенных отказах не превышает 2,5 %. Дальнейшее уменьшение погрешности восстановления потерянной с датчиков БСКД информации осуществляется на основе использования логики обнаружения отказов, которая идентифицирует отказ и изолирует отказавший датчик.

Для повышения эффективности и уменьшении погрешности восстановления потерянной информации авторами предлагается следующее усовершенствование существующих ранее подходов:
  1. запись данных измерений в буфер (стек-память) осуществляется непрерывно: если датчик исправен, то записывается показание с исправного датчика; в противном случае его восстановленное значение;
  2. при обнаружении отказа датчика нейронная сеть функционирует в соответствии со следующей последовательностью шагов:
  1. Взять исходные данные с датчиков (вместо параметра отказавшего датчика его предыдущее значение из буфера), задать максимальное количество вычислений d, и уже проведенных вычислений q=0;
  2. Вычислить в эмуляторе выходы нейронной сети и увеличить параметр q на 1 (q=q+1);
  3. Записать исходные данные с датчиков (вместо параметра отказавшего датчика его предыдущее значение с выхода АНС)
  4. Если q
  5. Иначе завершить вычисления и выдать результат системе управления с сохранением восстановленного значения в буфер.
  1. Использовать дополнительную нейронную сеть для диагностики (НСД) параметров объекта управления (в качестве диагностической нейронной сети используется персептрон с одним скрытым слоем).

Усовершенствованная функциональная схема восстановления потерянной информации с датчиков БСКД показана на рис. 4.





Рис. 4. Усовершенствованная функциональная схема восстановления

потерянной информации в БСКД


На рис. 4 сплошной линией показаны каналы передачи данных, а пунктирной сигналы соответствующих команд управления. Так, если системой контроля, в штатном режиме работы БСКД, не обнаружен отказ датчика, то в качестве данных используется текущее значение с датчика. При обнаружении отказа датчика, запись в буфер (стек памяти) осуществляется на основе вычислений автоассоциативной нейронной сети. При этом отказ датчика выявляется встроенной системой допускового контроля, которая в случае выхода показаний датчика за границы поля допуска, объявляет последний неисправным и для восстановления его значения использует последнее, записанное в буфер, значение.

На рис. 5 приведена зависимость процесса восстановления потерянной с датчика P2* информации АНС на основе предложенного (модернизированного) авторами подхода метода.





Рис. 5. Восстановление потерянной информации АНС и системой контроля БСКД

с датчика P2* при его отказе


Для настройки, обучения и тестирования нейронных сетей предлагается использовать разработанное авторами программное обеспечение. Погрешность восстановления потерянной информации с отказавшего датчика P2* в случае его обрыва и при постепенном отказе составила менее 0,45%[9]. Предлагается следующая инженерная методика создания, обучения и тестирования нейронных сетей для восстановления потерянной информации с датчиков БСКД:
  1. предобработка данных (нормировка, калибровка, оцифровывание) для обучения нейронной сети;
  2. статистическая обработка данных для выявления грубых ошибок измерения;
  3. масштабирование данных;
  4. выбор архитектуры НС;
  5. выбор структуры НС:
  1. для АНС размер горла выбирается исходя из результатов ковариационного анализа, в основе которого лежит метод главных компонент [4], выбор функций активации был рассмотрен в работе [7];
  2. для НСД размер одного скрытого слоя выбирается равным размеру входного слоя, функция активации логистическая;
  1. выбор алгоритма обучения;
  2. обучение нейронной сети;
  3. тестирование;
  4. оценка эффективности разработанных нейронных сетей для процесса восстановления потерянной с датчиков БСКД информации.

Таким образом, использование АНС в БСКД для восстановления информации позволяет обеспечить отказоустойчивость измерительных каналов систем управления ГТД. Основным преимуществом применения нейронных сетей в рамках БСКД является возможность обучения и дообучения в режиме реального времени с учетом индивидуальных характеристик конкретного авиационного двигателя.

Восстановление информации при отказе датчиков с помощью АНС обеспечивает погрешность восстановления данных не более 0,45 % в случае одиночных отказов и не более 0,6 % в случае двойных отказов; при этом время 1 цикла восстановления данных при использовании пяти штатных датчиков составляет 49 мкс для вычислителя Thompson ST10F269 и 3,4 мкс для специализированного нейропроцессора Л1879ВМ1, что удовлетворяет требованиям бортовой реализации в составе БСКД.


Список литературы


1. Валеев С.С., Васильев В.И., Ильясов Б.Г., Сун Жан-Гуо Отказоустойчивые системы управления сложными динамическими объектами с использованием искусственных нейронных сетей // Нейрокомпьютеры: разработка, применение. – 2000 . – №1. – С. 32 – 35.

2. Guo T., Nurre J. Sensor Failure Detection and Recovery by Neural Networks, NASA TM 104484, 1992.

3. Guo T., Musgrave J., Lin C. Neural Networks Based Sensor Validation for Reusable Rocket Engines // Proceedings of the American Control Conference, 1995. – P.1367 – 1372.

4. Guo T., Sans J. Sensor Validation for Turbofan Engines Using an Autoassociative Neural Network // Proceedings of the AIAA Guidance, Navigation and Control Conference, 1996. – P.1 – 7.

5. Kramer M. Autoassociative Neural Networks, Computers &Chemical Engineering. Vol.16. – 1995. – No.4. – P. 313 – 328.

6. Zedda M., Singh R. Fault Diagnosis of a Turbofan Engine Using Neural Networks: a Quantitative Approach // Proc. of the 34 th AIAA /ASME/ SAE/ASEE, Joint Propulsion Conference & Exhibit, 1998. – P.1 – 10.

7. Муслухов И.И. Парирование отказов датчиков нейронными сетям для повышения отказоустойчивости газотурбинных двигателей. Bachelor thesis, Ufa State Aviation Technical University, 2003.

8. Жернаков С.В., Муслухов И.И. Парирование отказов датчиков газотурбинных двигателей с помощью нейронных сетей // Вычислительная техника и новые информационные технологии 2003, С. 35-41.

9. Жернаков С.В. Контроль и диагностика технического состояния авиационных двигателей на основе интеллектуального анализа данных // Автореферат диссертации доктора техн. наук: – Уфа: УГАТУ, 2005. – 32 с.


УДК 004.032.26(06) Нейронные сети