RU2445598C1 - Diagnostic method of technical state of gas-turbine engine - Google Patents
Diagnostic method of technical state of gas-turbine engine Download PDFInfo
- Publication number
- RU2445598C1 RU2445598C1 RU2010134067/06A RU2010134067A RU2445598C1 RU 2445598 C1 RU2445598 C1 RU 2445598C1 RU 2010134067/06 A RU2010134067/06 A RU 2010134067/06A RU 2010134067 A RU2010134067 A RU 2010134067A RU 2445598 C1 RU2445598 C1 RU 2445598C1
- Authority
- RU
- Russia
- Prior art keywords
- parameters
- engine
- neuron
- deviations
- initial
- Prior art date
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
Предполагаемое изобретение относится к способам диагностики технического состояния газотурбинного двигателя (ГТД) с применением нейронных сетей.The alleged invention relates to methods for diagnosing the technical condition of a gas turbine engine (GTE) using neural networks.
Известен способ диагностики технического состояния двигателя, при котором выбирают параметры, подлежащие контролю, регистрируют эти параметры на диагностируемом ГТД, формируют векторы входных и выходных параметров, полученных путем измерений с помощью датчиков, и обрабатывают полученные данные с помощью нейронных сетей типа персептрон. Нейронную сеть предварительно обучают «с учителем». По полученным данным строят кривые состояния, являющиеся диагностическими нейромоделями процессов, происходящих в диагностируемом ГТД при его исправном состоянии и состоянии с различными неисправностями. Затем производят анализ технического состояния ГТД по этим моделям и делают вывод о его изменении [П.И.Раков. Соверешенствование процесса диагностирования узлов проточной части авиационных ГТД типа ПС-90 в условиях эксплуатации применением нейро-сетевых методов. Автореферат на соискание ученой степени к.т.н., Москва, 2009].There is a known method for diagnosing the technical condition of the engine, in which the parameters to be monitored are selected, these parameters are recorded on the diagnosed gas turbine engine, the input and output parameters vectors obtained by measurements using sensors are formed, and the data obtained is processed using perceptron neural networks. A neural network is pre-trained “with a teacher”. Based on the data obtained, state curves are constructed that are diagnostic neuromodels of processes occurring in the diagnosed gas turbine engine when it is in good condition and in a condition with various malfunctions. Then, the technical condition of the gas turbine engine is analyzed using these models and a conclusion is drawn about its change [P.I. Rakov. Improving the process of diagnosing the nodes of the flow part of aviation gas turbine engines of the PS-90 type in operating conditions using neural network methods. Abstract for the degree of candidate of technical sciences, Moscow, 2009].
Указанный способ позволяет проводить обработку данных с учетом технического состояния двигателя в прошлом, т.е. анализ временных рядов. Однако он не позволяет производить оценку технического состояния двигателя в динамике с учетом особенностей происходящих в двигателе процессов, т.к. обработка временных рядов в заявленном способе выполняется в виде алгебраических моделей, реализующих зависимость диагностического параметра от времени наработки, а не от предыдущего значения диагностического параметра.This method allows data processing taking into account the technical condition of the engine in the past, i.e. time series analysis. However, it does not allow to evaluate the technical condition of the engine in dynamics taking into account the features of the processes occurring in the engine, because the processing of time series in the claimed method is performed in the form of algebraic models realizing the dependence of the diagnostic parameter on the operating time, and not on the previous value of the diagnostic parameter.
Другим недостатком такого способа, является невозможность диагностики технического состояния двигателя, перечень неисправных состояний которого неизвестен заранее, а может быть выявлен только в процессе эксплуатации, т.к. используются априорно известные классы неисправностей, заложенные в нейросетевую модель в виде обобщенных характеристик определенного типа двигателей, что требует для обучения нейронной сети знать значения выходных параметров и, кроме того, не позволяет реализовать индивидуальный подход к объекту диагностирования.Another disadvantage of this method is the impossibility of diagnosing the technical condition of the engine, the list of failed states of which is unknown in advance, and can only be detected during operation, because they use a priori known classes of malfunctions embedded in the neural network model in the form of generalized characteristics of a certain type of engine, which requires learning the neural network to know the values of the output parameters and, moreover, does not allow for an individual approach to the diagnostic object.
Также известен способ диагностики технического состояния газотурбинного двигателя, при котором выбирают параметры, подлежащие контролю, определяют исходные значения этих параметров, а также регистрируют эти параметры на диагностируемом ГТД с помощью датчиков, определяют отклонения значений зарегистрированных параметров от исходных, формируют векторы входных параметров. Полученные данные обрабатывают с помощью нейронной сети Кохонена. Нейронную сеть предварительно обучают и проводят формирование структуры классов (кластеризацию) по обучающей выборке с указанием априорно известной структуры классов. При диагностике формируют выходные сигналы сети, выбирают нейрон с максимальным значением сигнала, определяют класс, к которому он относится, и делают вывод об изменении в техническом состоянии двигателя [С.В.Жернаков. Применение технологии нейронных сетей для диагностики технического состояния авиационных двигателей. Научно-практический журнал ИжГТУ «Интеллектуальные системы в производстве», 2006 г., №2, стр.70-80].There is also a known method for diagnosing the technical condition of a gas turbine engine, in which the parameters to be controlled are selected, the initial values of these parameters are determined, and these parameters are recorded on the diagnosed gas turbine engine using sensors, the deviations of the values of the registered parameters from the initial ones are determined, and the input parameter vectors are formed. The data obtained is processed using the Kohonen neural network. The neural network is pre-trained and the formation of the class structure (clustering) is carried out according to the training sample, indicating the a priori known class structure. During diagnostics, the output signals of the network are formed, a neuron with the maximum signal value is selected, the class to which it belongs is determined, and a conclusion is drawn about a change in the technical condition of the engine [S.V. Zhernakov. The use of neural network technology to diagnose the technical condition of aircraft engines. Scientific and Practical Journal of IzhSTU "Intelligent Systems in Production", 2006, No. 2, pp. 70-80].
В данном способе устраняется один из недостатков предыдущего тем, что структура классов состояний формируется динамически при помощи нейронной сети Кохонена так, что количество классов заранее неизвестно. Однако дальнейшая реализация данного способа предусматривает, что все полученные классы идентифицируются по уже известной априорной структуре, определенной разработчиком диагностической модели. А обучение нейронной сети осуществляют по априорным данным, характеризующим известные классы неисправностей. Поэтому при возникновении иных неисправностей оценка технического состояния двигателя не может быть произведена.In this method, one of the disadvantages of the previous one is eliminated by the fact that the structure of state classes is formed dynamically using the Kohonen neural network so that the number of classes is not known in advance. However, further implementation of this method provides that all the classes obtained are identified by the already known a priori structure determined by the developer of the diagnostic model. And the training of the neural network is carried out according to a priori data characterizing the known classes of malfunctions. Therefore, in the event of other malfunctions, an assessment of the technical condition of the engine cannot be made.
Кроме того, этот способ не обеспечивает отслеживание технического состояния ГТД в процессе развития неисправности, т.е. не позволяет проводить обработку временных рядов, т.к. выполняет только оценку текущего технического состояния, без учета технического состояния в прошлом (не формируется авторегрессионая зависимость), поэтому не допускает выявления процессов развития неисправностей ГТД на ранних стадиях.In addition, this method does not provide tracking of the technical condition of the gas turbine engine during the development of a malfunction, i.e. does not allow the processing of time series, because it only evaluates the current technical condition, without taking into account the technical condition in the past (autoregressive dependence is not formed), therefore, it does not allow revealing the development processes of GTE malfunctions in the early stages.
Техническим результатом, на достижение которого направлено предлагаемое решение, является расширение технологических возможностей способа определения технического состояния газотурбинного двигателя путем обеспечения возможности выявления новых классов, характеризующих неисправности двигателя, выявления неисправностей на ранних стадиях и отслеживания технического состояния двигателя в динамике.The technical result to which the proposed solution is directed is to expand the technological capabilities of the method for determining the technical condition of a gas turbine engine by providing the ability to identify new classes that characterize engine malfunctions, identify malfunctions in the early stages and monitor the technical condition of the engine in dynamics.
Заявляемый технический результат достигается тем, что при реализации способа диагностики технического состояния ГТД выбирают параметры, подлежащие диагностическому контролю, определяют исходные значения этих параметров, а также регистрируют параметры на диагностируемом ГТД с помощью датчиков и определяют отклонения значений зарегистрированных параметров от исходных значений. Затем формируют из этих отклонений векторы входных параметров, обрабатывают полученные данные с помощью нейронной сети Кохонена, которую предварительно обучают, формируют структуры классов по обучающей выборке, формируют выходные сигналы сети, выбирают нейрон с максимальным значением сигнала, определяют класс, к которому он относится, и делают вывод об изменении в техническом состоянии двигателя,The claimed technical result is achieved by the fact that when implementing the method for diagnosing the technical condition of a gas turbine engine, the parameters to be diagnosed are selected, the initial values of these parameters are determined, and parameters are recorded on the diagnosed gas turbine engine using sensors and the deviations of the values of the registered parameters from the initial values are determined. Then, input parameter vectors are formed from these deviations, the data are processed using the Kohonen neural network, which is pre-trained, class structures of the training sample are formed, network output signals are generated, a neuron with the maximum signal value is selected, the class to which it relates is determined, and conclude a change in the technical condition of the engine,
Новым в предлагаемом способе является то, что исходные характеристики контролируемых параметров определяют на диагностируемом двигателе в заведомо исправном его состоянии, например в процессе приемо-сдаточных испытаний в виде математических зависимостей, назначают эталонный промежуток N времени, производят последовательную регистрацию каждого параметра с выбранным интервалом в пределах эталонного промежутка N времени. Регистрацию параметров для последующего диагностического контроля производят за пределами этого промежутка времени и, после определения отклонений каждого из этих параметров от исходной характеристики, производят сглаживание величин отклонений. Обучающую выборку для нейронной сети Кохонена формируют из данных эталонного промежутка N времени, для чего формируют наборы исходных кортежей по m последовательных сглаженных значений отклонений параметра в каждом, при этом первый кортеж каждого набора начинают формировать с первого сглаженного значения отклонения, а последующие путем сдвига на одно значение, определяют статистические характеристики для каждого из сформированных кортежей, нормируют параметры исходного кортежа относительно статистических характеристик для каждого набора исходных кортежей и формируют дополнительные кортежи. Вектор входных параметров для нейронной сети формируют из исходного и дополнительного кортежей, а также статистических характеристик исходного кортежа и после обработки полученных данных, в процессе которой выполняется обучение и кластеризация нейронной сети Кохонена, составляют список нейронов, характеризующий классы состояния двигателя. Из отклонений значений параметров для диагностического контроля от исходных характеристик аналогично формируют набор кортежей, после кластерного анализа которого и выбора нейрона с максимальным значением выходного сигнала сопоставляют этот нейрон со списком нейронов, характеризующим классы состояния двигателя. Вывод об отсутствии изменений в техническом состоянии двигателя делают при наличии выбранного нейрона в составленном списке.New in the proposed method is that the initial characteristics of the controlled parameters are determined on the diagnosed engine in a condition that is known to be in good condition, for example, during acceptance tests in the form of mathematical dependencies, a reference interval N time is assigned, each parameter is sequentially recorded with a selected interval within reference interval N time. Registration of parameters for subsequent diagnostic monitoring is carried out outside this period of time and, after determining the deviations of each of these parameters from the original characteristics, smooth the deviations. A training sample for the Kohonen neural network is formed from data of the reference time interval N, for which purpose sets of initial tuples of m consecutive smoothed values of parameter deviations in each are formed, while the first tuple of each set begins to form from the first smoothed deviation value, and the subsequent tuples are shifted by one value, determine the statistical characteristics for each of the generated tuples, normalize the parameters of the initial tuple relative to the statistical characteristics for each a set of initial tuples and form additional tuples. The vector of input parameters for the neural network is formed from the initial and additional tuples, as well as the statistical characteristics of the initial tuple, and after processing the received data, during which the Kohonen neural network is trained and clustered, a list of neurons characterizing the state classes of the engine is made. From deviations of the parameter values for diagnostic control from the initial characteristics, a set of tuples is likewise formed, after cluster analysis of which and selection of a neuron with the maximum output signal value, this neuron is compared with a list of neurons characterizing the state classes of the engine. The conclusion about the absence of changes in the technical condition of the engine is made in the presence of the selected neuron in the compiled list.
На прилагаемых графических материалах, поясняющих сущность способа, изображено:The accompanying graphic materials explaining the essence of the method, shows:
Фиг.1 - Пример представления сглаженных значений отклонений параметров эталонного промежутка N времени в режиме «движущегося окна».Figure 1 - An example of a representation of the smoothed deviations of the parameters of the reference period N time in the "moving window" mode.
Фиг.2 - Тренд параметра отклонения температуры газа за турбиной двигателя ГТД-6РМ.Figure 2 - Trend parameter deviation of the gas temperature behind the turbine of the engine GTD-6RM.
Фиг.3 - Топографическая карта Кохонена после обучения и кластеризации.Figure 3 - Topographic map of Kohonen after training and clustering.
Фиг 4 - Топографические карты выходов начальных классов.Fig 4 - Topographic maps of the outputs of primary classes.
Фиг 5 - Топографические карты выходов для нового класса.Fig 5 - Topographic output maps for the new class.
Фиг 6 - Графики входных векторов для обучающей и проверочной выборок, соответствующие одинаковому кластеру.Fig 6 - Graphs of input vectors for training and test samples corresponding to the same cluster.
Заявляемый способ осуществляется следующим образом.The inventive method is as follows.
До начала эксплуатации ГТД выбирают параметры, подлежащие диагностическому контролю и регистрируют параметры с помощью датчиков на диагностируемом ГТД в заведомо исправном его состоянии, например в процессе заводских приемо-сдаточных испытаний, формируют их исходные характеристики в виде математических моделей, полученных, например, методом группового учета аргументов (МГУА). Каждый параметр регистрируют последовательно через выбранный интервал времени в пределах назначенного эталонного промежутка N времени.Before the start of operation of the gas turbine engine, the parameters to be diagnosed are selected and parameters are recorded using the sensors on the gas turbine engine being diagnosed in a condition that is known to be in good condition, for example, during factory acceptance tests, their initial characteristics are formed in the form of mathematical models obtained, for example, using the group accounting method arguments (MGUA). Each parameter is recorded sequentially at a selected time interval within the assigned reference time interval N time.
Для последующего контроля также регистрируют эти параметры на диагностируемом двигателе, но за пределами эталонного промежутка N времени, т.е. во время эксплуатации двигателя.For subsequent monitoring, these parameters are also recorded on the diagnosed engine, but outside the reference time interval N time, i.e. during engine operation.
Для каждого из параметров определяют относительное отклонение от исходного значения:For each of the parameters, a relative deviation from the initial value is determined:
где ПТЕК - текущее значение диагностического параметра, ПИСХ - исходное значение диагностического параметра, полученное по исходной характеристике.where P TEK is the current value of the diagnostic parameter, P ISC is the initial value of the diagnostic parameter obtained from the initial characteristic.
Производят сглаживание величин относительного отклонения каждого диагностического параметра. Сглаженное значение относительного отклонения диагностического параметра формируют методом экспоненциального сглаживания по рекуррентной формуле:Smoothing the values of the relative deviation of each diagnostic parameter. The smoothed value of the relative deviation of the diagnostic parameter is formed by the method of exponential smoothing according to the recurrence formula:
где 
α≈0,25…0,3 - постоянная сглаживания (весовой коэффициент).α≈0.25 ... 0.3 - smoothing constant (weight coefficient).
Обработку полученных данных осуществляют с помощью нейронной сети Кохонена, для обучения которой формируют обучающую выборку из данных эталонного промежутка N.Processing of the obtained data is carried out using the Kohonen neural network, for the training of which a training sample is formed from the data of the reference interval N.
Для этого формируют наборы исходных кортежей.For this, sets of initial tuples are formed.
Эталонный промежуток N времени разбивают на n-m+1 векторов из сглаженных значений относительных отклонений параметров. Здесь n - число сглаженных значений сглаженных отклонений диагностических параметров в исходном промежутке N времени, m - размер кортежа, т.е. число последовательно идущих сглаженных значений отклонений исходного параметра, который измеряют в разные моменты времени (размер малой выборки).The reference time interval N is divided into n-m + 1 vectors from the smoothed values of the relative deviations of the parameters. Here n is the number of smoothed values of smoothed deviations of diagnostic parameters in the initial time interval N, m is the size of the tuple, i.e. the number of consecutive smoothed deviation values of the original parameter, which is measured at different points in time (small sample size).
Первый кортеж каждого набора начинают формировать с первого сглаженного значения отклонения параметра, а последующие путем сдвига на одно значение в эталонном промежутке N времени, т.е. реализуют так называемый способ «движущегося окна». Пример представления сглаженных значений отклонений параметров эталонного промежутка N времени в режиме «движущегося окна» приведен в таблице, см. фиг.1.The first tuple of each set begins to form from the first smoothed value of the parameter deviation, and the subsequent ones by shifting by one value in the reference interval N time, i.e. implement the so-called "moving window" method. An example of the presentation of the smoothed deviations of the parameters of the reference time interval N time in the "moving window" mode is shown in the table, see figure 1.
Таким образом, каждый из n-m+1 векторов содержит m-1 компонентов предыдущего и последующего векторов (кроме первого и последнего векторов).Thus, each of the n-m + 1 vectors contains m-1 components of the previous and subsequent vectors (except for the first and last vectors).
Затем определяют статистические характеристики для каждого из сформированных кортежей, формируют из них вектор 
- математическое ожидание;- expected value;
- дисперсия;- variance;
- среднеквадратическое отклонение;- standard deviation;
- эксцесс;- excess;
- скос;- bevel;
- среднегармоническое значение (для ненулевых величин);- average harmonic value (for non-zero values);
- среднегеометрическое значение (для положительных величин) и др.- geometric mean value (for positive values), etc.
Параметры исходных кортежей нормируют относительно ихThe parameters of the original tuples are normalized relative to their
статистических характеристик и формируют дополнительный кортеж 
где 
σх - среднеквадратическое отклонение по исходному кортежу.σ x is the standard deviation of the original tuple.
Дополнительный нормированный кортеж отличается от исходного кортежа из сглаженных значений отклонений контролируемого параметра тем, что для двух последовательных примеров компоненты нормированного кортежа не будут совпадать, в отличие от компонент исходного кортежа из сглаженных значений отклонений контролируемого параметра.An additional normalized tuple differs from the original tuple of smoothed deviations of the controlled parameter in that for two consecutive examples the components of the normalized tuple will not coincide, in contrast to the components of the original tuple of smoothed deviations of the controlled parameter.
Вектор входных параметров для нейронной сети формируют из исходного и дополнительного кортежей 
Далее формируют нейронную сеть (НС) Кохонена, которую обучают по обучающей выборке и обрабатывают полученные данные с помощью НС, на вход которой подают входной вектор из обучающей выборки, рассчитывают выходной сигнал нейронной сети и определяют нейрон-победитель и нейрон-проигравший (у нейрона-победителя минимально расстояние от весового вектора до входного сигнала, а выходной сигнал максимален, у нейрона-проигравшего наоборот), для каждого нейрона в нейронной сети рассчитывают уровень активности выхода относительно диапазона выходных сигналов нейрона-победителя и нейрона-проигравшего, нейроны у которых уровень активности выше порогового значения Р считаются принадлежащими к одному кластеру (величина порога Р задается достаточно большой - около 85-90%, таким образом в кластер попадает относительно малое число нейронов), номер которого равен номеру кластера у нейрона-победителя, при этом если для нейрона победителя еще не определен кластер, то формируется новый кластер в НС. После формирования кластерной структуры в НС остается большое количество свободных нейронов, не принадлежащих ни к одному из кластеров, такое поле свободных нейронов позволяет выявлять новые классы во входных данных.Next, a Kohonen neural network (NS) is formed, which is trained according to the training sample and processed by the NS using the input of which the input vector from the training sample is input, the output signal of the neural network is calculated, and the winner neuron and the losing neuron are determined (in the winner is the minimum distance from the weight vector to the input signal, and the output signal is maximum, for the losing neuron, on the contrary), for each neuron in the neural network, the level of output activity relative to the output range is calculated signals of the winning neuron and the losing neuron, neurons whose activity level above the threshold value P are considered to belong to one cluster (threshold value P is set quite large - about 85-90%, so a relatively small number of neurons fall into the cluster), number which is equal to the cluster number of the winner neuron, and if a cluster has not yet been determined for the winner neuron, a new cluster is formed in the National Assembly. After the formation of the cluster structure in the NS, a large number of free neurons remain that do not belong to any of the clusters; this field of free neurons allows us to identify new classes in the input data.
Затем составляют список нейронов, характеризующий классы состояния двигателя. По результатам анализа обучающей выборки идентифицируют классы исходных данных, т.е. выделяют зоны микротрендов, определяют их направленность и сопоставляют с нейронами из списка.Then make a list of neurons characterizing the classes of state of the engine. Based on the results of the analysis of the training sample, the classes of source data are identified, i.e. identify microtrend zones, determine their orientation and compare them with neurons from the list.
Из параметров для диагностического контроля, зарегистрированных за пределами эталонного промежутка времени N, по мере их регистрации датчиками в процессе эксплуатации двигателя, формируют векторы входных параметров для НС, для чего каждый раз аналогично формируют набор кортежей:From the parameters for diagnostic control recorded outside the reference time interval N, as they are recorded by the sensors during the operation of the engine, the vectors of input parameters for the NS are formed, for which each time a set of tuples is formed in the same way:
- выполняют определение относительного отклонения текущих зарегистрированных диагностических параметров от своих базовых значений;- carry out the determination of the relative deviation of the current recorded diagnostic parameters from their base values;
- выполняют экспоненциальное сглаживание последовательно регистрируемых величин отклонений диагностического параметра;- perform exponential smoothing of sequentially recorded values of the deviations of the diagnostic parameter;
- выполняют формирование входного вектора НС из основного и дополнительного кортежей 
После чего осуществляют обработку полученных данных с помощью нейронной сети Кохонена и определяют нейрон-победитель с максимальной величиной выходного сигнала. Затем сопоставляют этот нейрон со списком нейронов, характеризующий классы состояния двигателя. При наличии нейрона в этом списке делают вывод об отсутствии изменений в техническом состоянии двигателя. Если нейрон-победитель отсутствует в списке, т.е. не принадлежит ни к одному из кластеров, а находится в зоне свободных нейронов НС, то значит обнаружен новый класс состояний во входном векторе, который характеризует значимое изменение диагностического параметра ГТД.After that, the processing of the obtained data is carried out using the Kohonen neural network and the winner neuron is determined with the maximum value of the output signal. Then this neuron is compared with a list of neurons characterizing the classes of the state of the engine. If there is a neuron in this list, they conclude that there are no changes in the technical condition of the engine. If the winning neuron is not listed, i.e. Since it does not belong to any of the clusters, but is located in the zone of free neurons of the NS, it means that a new class of states has been detected in the input vector, which characterizes a significant change in the diagnostic parameter of the gas turbine engine.
Оценка выходного сигнала и расстояния от компонент весового вектора до нейрона-победителя позволит определить степень соответствия исходному классу. Если новый класс во входных данных не обнаружен, но при этом имеются значимые отличия в таких характеристиках нейронов-победителей, как расстояние до входного вектора и выходной сигнал при сравнении с аналогичными показателями для параметров нейронов-победителей в этом же кластере из списка нейронов, то должно быть принято решение о дополнительном исследовании входных векторов НС. Значимость отклонений характеристик кластера (степень соответствия исходным классам) подтверждается при сравнении их с пороговым значением. Если класс данных можно характеризовать как микротренд, то такая характеристика нейрона-победителя как расстояние до входного вектора служит степенью развития микротренда.Evaluation of the output signal and the distance from the components of the weight vector to the winning neuron will determine the degree of compliance with the original class. If a new class is not found in the input, but there are significant differences in the characteristics of the winning neurons, such as the distance to the input vector and the output signal when compared with similar parameters for the parameters of the winning neurons in the same cluster from the list of neurons, then a decision will be made on an additional study of the input vectors of the NS. The significance of the deviations of the cluster characteristics (the degree of correspondence to the initial classes) is confirmed by comparing them with a threshold value. If the data class can be characterized as a microtrend, then such a characteristic of the winning neuron as the distance to the input vector serves as the degree of microtrend development.
Применение предлагаемого способа рассмотрено на примере анализа отклонения от исходного значения по времени наработки температуры газа за силовой турбиной газотурбинного двигателя, предназначенного для привода электрического генератора с номинальной мощностью 6 МВт.The application of the proposed method is considered as an example of an analysis of deviations from the initial value for the time the gas temperature was generated behind a power turbine of a gas turbine engine designed to drive an electric generator with a rated power of 6 MW.
Изменение температуры газа за турбиной ГТД определяет не только уровень деградации двигателя, но и режимные параметры, влияющие на величину механических знакопеременных нагрузок, а также факторы, вызывающие газодинамические и температурные неравномерности при работе двигателя.The change in gas temperature behind the turbine engine determines not only the level of engine degradation, but also the operating parameters that affect the magnitude of alternating mechanical loads, as well as factors that cause gas-dynamic and temperature irregularities during engine operation.
Исходная зависимость изменения температуры газа за турбиной компрессора двигателя с учетом режимов и условий работы двигателя вида ТСТ=f(nТК ПР,αНА,GT ПР) сформирована по данным приемо-сдаточных испытаний с использованием МГУА в классе полиномиальных моделей не выше второго порядка. С учетом базовой зависимости рассматривается относительное отклонение температуры газа по времени наработки, приведенное на фиг.2. Проведены операции по сглаживанию и статистической оценке параметров временного ряда. Сглаженный тренд отклонения Ттк также приведен на фиг.2.The initial dependence of the change in gas temperature behind the engine compressor turbine, taking into account the engine operating conditions and conditions of the form T CT = f (n TK PR , α ON , G T PR ), is formed according to acceptance tests using MGUA in the class of polynomial models no higher than the second order. Taking into account the basic dependence, we consider the relative deviation of the gas temperature over the operating time shown in Fig.2. The operations on smoothing and statistical estimation of time series parameters were carried out. The smoothed trend of the deviation Ttk is also shown in figure 2.
Данные представлены в двух диапазонах - первый от 3887 до 4454 часов наработки, а второй от 6041 до 7057 часов наработки. Для обучения нейронной сети выбран первый этап наработки, второй этап выбран для проверки работы способа диагностического контроля параметров ГТД.The data are presented in two ranges - the first from 3887 to 4454 operating hours, and the second from 6041 to 7057 operating hours. To train the neural network, the first stage of operating time was selected, the second stage was selected to test the operation of the method for the diagnostic control of GTE parameters.
Размер выборки для постановки диагноза был выбран m=5.The sample size for diagnosis was m = 5.
Результаты начальных математических преобразований представлены в таблицах 1 и 2 для обучающей и проверочной выборок соответственно.The results of the initial mathematical transformations are presented in tables 1 and 2 for the training and test samples, respectively.
Для контроля изменения параметров была сформирована нейронная сеть Кохонена, представленная топографической картой размером 60×60 нейронов. Сеть была обучена по обучающей выборке в течение 30000 эпох обучения. Под эпохой обучения понимается полный «проход» по всем примерам обучающей выборки. Обученная и кластеризованная карта представлена на фиг.3.To control the change in parameters, the Kohonen neural network was formed, represented by a topographic map 60 × 60 neurons in size. The network has been trained in a training sample for 30,000 learning eras. The epoch of learning is understood as a complete “passage” for all examples of the training sample. Trained and clustered map is presented in figure 3.
По результатам кластеризации в обучающей выборке выявлено 7 классов данных, они приняты как исходные классы с незначительным трендом.Based on the results of clustering, 7 data classes were identified in the training sample, they are accepted as source classes with a slight trend.
Выявление тренда базировалось на определении нового кластера в нейронной сети. В таблицах 3 и 4 приведены результаты проверки соответствия примеров из обучающей и проверочной выборок классам во входных данных. Класс «0» означает, что НС выявила новую информацию во входных данных.The identification of the trend was based on the definition of a new cluster in the neural network. Tables 3 and 4 show the results of checking the correspondence of examples from the training and test samples to the classes in the input data. Class “0” means that the National Assembly has revealed new information in the input data.
Обозначения в таблице 3:Designations in table 3:
№ вектора - номер вектора из обучающей выборкиVector number - vector number from the training set
№ кластера - номер кластера в НСCluster number - cluster number in the National Assembly
Dist - дистанция до входного вектора у нейрона-победителяDist - distance to the input vector of the winning neuron
Y - выходной сигнал нейрона-победителяY - output signal of the winning neuron
Топографические карты выходных сигналов НС для каждого из 7 классов представлены на Фиг 4.Topographic maps of the output signals of the National Assembly for each of the 7 classes are presented in Fig. 4.
Как видно из таблиц 3 и 4, для проверочных данных зафиксировано 5 случаев выявления новых кластеров во входном векторе. Для топографической карты выходов характерно резкое изменение окраски (дополнительный визуальный диагностический признак), результаты показаны на Фиг 5.As can be seen from tables 3 and 4, for the verification data, 5 cases of revealing new clusters in the input vector were recorded. The topographic map of the outputs is characterized by a sharp change in color (an additional visual diagnostic feature), the results are shown in Fig. 5.
Кроме того, имеется существенное различие в компоненте расстояния до входного вектора - Dist. Данный параметр может характеризовать степень развития тренда, при условии, что он выделен в исходной обучающей выборке. Как пример можно привести входные вектора, относящиеся к самому большому кластеру №1 (Фиг 6). Данный класс можно обозначить как «Возрастающий микротренд». Удаленность текущего входного вектора от соответствующего весового вектора нейрона победителя свидетельствует о степени развития данного тренда, например, для проверочных данных наиболее удаленным является вектор №18. Несмотря на относительно небольшие уровни отклонения температуры газа за турбиной, данный вектор характеризует выход из нисходящего тренда и начало резкого возрастания, т.е. начало значимого изменения параметра, что может свидетельствовать о появлении какого-либо дефекта и должно быть предметом для дополнительного исследования.In addition, there is a significant difference in the component of the distance to the input vector, Dist. This parameter can characterize the degree of trend development, provided that it is highlighted in the initial training sample. As an example, you can give input vectors related to the largest cluster No. 1 (Fig 6). This class can be referred to as an "Increasing microtrend." The remoteness of the current input vector from the corresponding weight vector of the winner’s neuron indicates the degree of development of this trend, for example, for test data, vector No. 18 is the most distant. Despite the relatively small levels of deviation of the gas temperature behind the turbine, this vector characterizes the exit from the downtrend and the beginning of a sharp increase, i.e. the beginning of a significant change in the parameter, which may indicate the appearance of any defect and should be the subject of additional research.
Предлагаемый способ определения технического состояния двигателя позволяет за счет использования сглаженных зависимостей изменения диагностического параметра (с учетом условий и режимов работы ГТД), дополненных статистической предобработкой, выделить и расширить вектор диагностических признаков, что дает возможность дифференцировать изменения параметров, связанные с деградацией техники и изменения параметров, обусловленных условиями и режимами работы двигателя.The proposed method for determining the technical condition of the engine allows, through the use of smoothed dependencies, changes in the diagnostic parameter (taking into account the conditions and modes of operation of the gas turbine engine), supplemented by statistical pre-processing, to isolate and expand the vector of diagnostic features, which makes it possible to differentiate parameter changes associated with degradation of equipment and parameter changes due to engine conditions and conditions.
Такой способ дает возможность автоматически выявлять значимые изменения в параметрах ГТД, контролировать техническое состояние по малой реализации временного ряда диагностического параметра, а также выделять изменения диагностических параметров, связанных с деградацией техники, и изменения, обусловленные режимами и условиями работы двигателя.This method makes it possible to automatically detect significant changes in the parameters of the gas turbine engine, to monitor the technical condition of the small implementation of the time series of the diagnostic parameter, as well as highlight changes in the diagnostic parameters associated with degradation of equipment, and changes due to the modes and conditions of the engine.
Claims (1)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010134067/06A RU2445598C1 (en) | 2010-08-13 | 2010-08-13 | Diagnostic method of technical state of gas-turbine engine |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2010134067/06A RU2445598C1 (en) | 2010-08-13 | 2010-08-13 | Diagnostic method of technical state of gas-turbine engine |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2445598C1 true RU2445598C1 (en) | 2012-03-20 |
Family
ID=46030241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2010134067/06A RU2445598C1 (en) | 2010-08-13 | 2010-08-13 | Diagnostic method of technical state of gas-turbine engine |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2445598C1 (en) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2536759C1 (en) * | 2013-12-04 | 2014-12-27 | Открытое акционерное общество "Севернефтегазпром" | Technical diagnosis method for gas turbine plant |
| RU2561236C2 (en) * | 2013-12-30 | 2015-08-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана") | Method for diagnosis of cyclic machines - metal-cutting machines using phase-chronometric method |
| RU2575243C1 (en) * | 2014-10-01 | 2016-02-20 | Открытое акционерное общество "Уфимское моторостроительное производственное объединение" ОАО "УМПО" | Vibroacoustic diagnostics of gas turbine engine bearings |
| RU2582876C2 (en) * | 2014-09-18 | 2016-04-27 | Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") | Method for diagnosis of complex technical objects |
| RU176166U1 (en) * | 2016-07-13 | 2018-01-11 | Общество с ограниченной ответственностью "Космотехтранс" | DEVICE FOR REGISTRATION OF VALUES OF DIAGNOSTIC PARAMETERS |
| RU2648413C1 (en) * | 2017-01-20 | 2018-03-27 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Method of the modes control based on the neural network diagnostics of faults and technical condition of the electric-drive gas-compressor unit |
| RU2698157C1 (en) * | 2019-02-12 | 2019-08-22 | Акционерное общество Научно-производственный центр "Электронные вычислительно-информационные системы" (АО НПЦ "ЭЛВИС") | System for searching for violations in order of location of objects |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
| RU2310180C1 (en) * | 2006-03-21 | 2007-11-10 | Федеральное государственное унитарное предприятие "Центральный институт авиационного моторостроения имени П.И. Баранова" | Method of testing gas turbine engines |
| EP1619489B1 (en) * | 2004-07-19 | 2008-03-19 | Techspace Aero | Test equipment for the development of an aircraft gas turbine engine |
| RU2369854C2 (en) * | 2007-10-01 | 2009-10-10 | Открытое акционерное общество "Авиадвигатель" | Method to control gas turbine engine state |
| RU2379645C2 (en) * | 2007-06-19 | 2010-01-20 | Андрей Павлович Ушаков | Method to diagnose health of gas turbine engine assembly units and parts and device to this end |
| RU2389999C1 (en) * | 2008-10-14 | 2010-05-20 | Открытое акционерное общество "Авиадвигатель" | Method of diagnosing aircraft engine state |
-
2010
- 2010-08-13 RU RU2010134067/06A patent/RU2445598C1/en active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
| EP1619489B1 (en) * | 2004-07-19 | 2008-03-19 | Techspace Aero | Test equipment for the development of an aircraft gas turbine engine |
| RU2310180C1 (en) * | 2006-03-21 | 2007-11-10 | Федеральное государственное унитарное предприятие "Центральный институт авиационного моторостроения имени П.И. Баранова" | Method of testing gas turbine engines |
| RU2379645C2 (en) * | 2007-06-19 | 2010-01-20 | Андрей Павлович Ушаков | Method to diagnose health of gas turbine engine assembly units and parts and device to this end |
| RU2369854C2 (en) * | 2007-10-01 | 2009-10-10 | Открытое акционерное общество "Авиадвигатель" | Method to control gas turbine engine state |
| RU2389999C1 (en) * | 2008-10-14 | 2010-05-20 | Открытое акционерное общество "Авиадвигатель" | Method of diagnosing aircraft engine state |
Non-Patent Citations (1)
| Title |
|---|
| ЖЕРНАКОВ С.В. Применение технологии нейронных сетей для диагностики технического состояния авиационных двигателей, Научно-практический журнал ИЖГТУ «Интеллектуальные системы в производстве, 2006, №2, с.70-80. * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2536759C1 (en) * | 2013-12-04 | 2014-12-27 | Открытое акционерное общество "Севернефтегазпром" | Technical diagnosis method for gas turbine plant |
| RU2561236C2 (en) * | 2013-12-30 | 2015-08-27 | Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования "Московский государственный технический университет имени Н.Э. Баумана" (МГТУ им. Н.Э. Баумана") | Method for diagnosis of cyclic machines - metal-cutting machines using phase-chronometric method |
| RU2582876C2 (en) * | 2014-09-18 | 2016-04-27 | Открытое акционерное общество Научно-исследовательский и конструкторско-технологический институт подвижного состава (ОАО "ВНИКТИ") | Method for diagnosis of complex technical objects |
| RU2575243C1 (en) * | 2014-10-01 | 2016-02-20 | Открытое акционерное общество "Уфимское моторостроительное производственное объединение" ОАО "УМПО" | Vibroacoustic diagnostics of gas turbine engine bearings |
| RU176166U1 (en) * | 2016-07-13 | 2018-01-11 | Общество с ограниченной ответственностью "Космотехтранс" | DEVICE FOR REGISTRATION OF VALUES OF DIAGNOSTIC PARAMETERS |
| RU2648413C1 (en) * | 2017-01-20 | 2018-03-27 | федеральное государственное бюджетное образовательное учреждение высшего образования "Санкт-Петербургский горный университет" | Method of the modes control based on the neural network diagnostics of faults and technical condition of the electric-drive gas-compressor unit |
| RU2698157C1 (en) * | 2019-02-12 | 2019-08-22 | Акционерное общество Научно-производственный центр "Электронные вычислительно-информационные системы" (АО НПЦ "ЭЛВИС") | System for searching for violations in order of location of objects |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2445598C1 (en) | Diagnostic method of technical state of gas-turbine engine | |
| CN107228766B (en) | Based on the Fault Diagnosis of Roller Bearings for improving multiple dimensioned fuzzy entropy | |
| KR102681637B1 (en) | AI system and pre-conditioning method in use with noise data for detecting noise source | |
| CN111241673B (en) | Health state prediction method for industrial equipment in noisy environment | |
| CN108664690A (en) | Long-life electron device reliability lifetime estimation method under more stress based on depth belief network | |
| KR20170093613A (en) | Method for bearing fault diagnosis | |
| CN107101829B (en) | A kind of intelligent diagnosing method of aero-engine structure class failure | |
| CN111553178A (en) | Intelligent identification method for vibration characteristics of rotating machinery | |
| CN112308147A (en) | Rotating machinery fault diagnosis method based on integrated migration of multi-source domain anchor adapter | |
| CN111964909A (en) | Rolling bearing operation state detection method, fault diagnosis method and system | |
| CN111079348B (en) | Method and device for detecting slowly-varying signal | |
| Zhang et al. | Remaining Useful Life Prediction of Rolling Bearings Using Electrostatic Monitoring Based on Two‐Stage Information Fusion Stochastic Filtering | |
| CN114912640A (en) | Method and system for detecting abnormal mode of generator set based on deep learning | |
| CN115098962A (en) | Method for predicting residual life of mechanical equipment in degradation state based on hidden half Markov model | |
| CN110991471A (en) | Fault diagnosis method for high-speed train traction system | |
| CN115901249A (en) | Rolling bearing performance degradation evaluation method combining feature optimization and multi-strategy optimization SVDD | |
| He et al. | The diagnosis of satellite flywheel bearing cage fault based on two-step clustering of multiple acoustic parameters | |
| CN115374811A (en) | Novel fault state diagnosis method for rolling bearing | |
| Sudharson et al. | Improved EM algorithm in software reliability growth models | |
| Bourelly et al. | Ga-based features selection for electro-chemical impedance spectroscopy on lithium iron phosphate batteries | |
| CN113743534B (en) | Transformer oil gas composite imaging identification method based on depth residual error network | |
| CN115931359A (en) | Turbine pump bearing fault diagnosis method and device | |
| Tian et al. | Rolling element bearing fault detection using density-based clustering | |
| CN113537288B (en) | Method and system for training target model based on modification of sample signal | |
| CN115375038A (en) | Aircraft engine failure mode identification and service life prediction method |