Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации

• Автор: Добродеев, Илья Павлович
• Шифр специальности: 05.13.01
• Научная степень: Кандидатская
• Год защиты: 2010
• Место защиты: Рыбинск
• Количество страниц: 218 с. : ил.

ВВЕДЕНИЕ.

ГЛАВА 1. АНАЛИЗ ИНТЕЛЛЕКТУАЛЬНЫХ МЕТОДОВ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД

1.1 Направления диагностики ГТД и типы диагностических задач

1.2 Анализ особенностей методов искусственного интеллекта

1.3 Анализ существующих методов диагностики технического состояния ГТД

на основе нейронных сетей.

1.3.1 Реализация подзадачи оперативного контроля

1.3.2 Реализация задачи классификации технического состояния ГТД

1.3.3 Анализ трендов параметров ГТД.

1.3.4 Комбинирование нейросетевых структур с другими

интеллектуальными методами

1.4 Анализ особенностей нейросетевых моделей при решении задач
1.4.1 Анализ проблем нейросетсвого диагностирования ГТД.
1.4.2 Анализ методов оптимизации структуры нейросетевых моделей
1.5 Выводы по главе.
ГЛАВА 2. ФОРМАЛИЗАЦИЯ ПОДХОДОВ К ПОСТРОЕНИЮ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ОСНОВНЫХ ТИПОВ ЗАДАЧ ДИАГНОСТИКИ ТЕХНИЧЕСКОГО СОСТОЯНИЯ ГТД
2.1 Особенности ГТД как объекта диагностирования
2.2 Концепция функционально прозрачных нейронных сетей
2.3 Формализация принципов решения основных диагностических задач с
использованием моделей ФПНС.
2.3.1 Формирование ФПНС для описания моделей исправного состояния
2.3.2 Формирование ФПНС для моделей трендового контроля параметров
2.3.3 Формирование ФПНС для реализации прогнозирующих моделей
2.3.4 Формирование ФПНС для моделей классификации текущего технического состояния ГТД.
2.4 Выводы по главе.
ГЛАВА 3. РАЗРАБОТКА И ОПТИМИЗАЦИЯ НЕЙРОСЕТЕВЫХ МОДЕЛЕЙ ДЛЯ РЕШЕНИЯ ЗАДАЧ ДИАГНОСТИКИ ГТД.
3.1 Разработка и исследование способа самоорганизации персеи гронов на основе функционального расширения селективных алгоритмов.
3.1.1 Модель нейрона с адаптивной функциональностью в структуре самоорганизующихся нейросетей
3.1.2 Самоорганизация нейросетей с растущим числом межнейронных связей.
3.1.3 Выбор критериев оценки качества обучения отдельного нейрона и самоорганизации слоя нейросети.
3.1.4 Способы селекции нейронов в слое и критерии завершения самоорганизации
3.1.5 Исследование алгоритма самоорганизации и обучения нейросети.
3.2 Разработка и исследование способа топологической самоорганизации нейросети Кохонена
3.3.1 Разработка принципов топологической самоорганизации нейросети Кохонена
3.3.2 Разработка и исследование алгоритма топологической самоорганизации нейросети Кохонена
3.3.2 Исследование алгоритма топологической самоорганизации нейросети Кохонена
3.3 Разработка способа адаптации нейросети Хэмминга к работе с непрерывными входными векторами.
3.2.1 Модель нейрона в слое расширения размерности.
3.2.2 Характеристики слоя расширения размерности.
3.2.3 Исследование функционирования слоя расширения размерности
3.4 Выводы по главе.
ГЛАВА 4. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ ФПНС МОДЕЛЕЙ ПРИ РЕШЕНИИ ОСНОВНЫХ ЗАДАЧ ДИАГНОСТИКИ ГТД
4.1 Методика проведения экспериментов.
4.2 Экспериментальное исследование описания исправного состояния ГТД с использованием ФПНС моделей
4.3 Экспериментальное исследование выявления тренда в характеристиках двигателя с использованием ФПНС моделей.
4.4 Экспериментальное исследование прогнозирования изменения характеристик ГТД при помощи ФПНС моделей
4.5 Экспериментальное исследование ФС моделей классификации технического состояния ГТД.
4.6 Разработка способа комплексного диагностирования ГТД на основе
ФШС моделей
4.7 Выводы по главе.
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ


Прогнозирование обеспечивает контроль времени достижения предельных значений параметров ГТД с учтом их текущего изменения, контроль изменения параметров за заданный промежуток времени и общего технического состояния ГТД. Диагностические модели ОД для решения описанных задач диагностирования формируются с использованием разных методов 9, , , их сравнительная характеристика представлена в приложении Л в таблице А. Анализ существующих подходов и методов диагностики показывает, что стандартных универсальных средств для диагностики ТС ГТД не существует. Для каждой задачи есть свои методы, зачастую никак друг с другом не связанные, при этом для решения одной задачи могут использоваться разные методы, различающиеся по сложности реализации и эффективности работы. Конкретные количественные показатели эффективности диагностических методов трудно указать, в связи с большой индивидуальностью ОД. Так как точность метода зависит и ог анализируемых данных, т. ОД разными методами. В противном случае количественные оценки методов не будут корректными. Анализ различных источников, посвященных технической диагностике ГТД позволил автору выявить некоторые общие требования или перспективные показатели для решения отдельных диагностических задач, классификация которых представлена на рис. При решении задач генезиса описание моделей объекта должно обеспечивать точность, достаточную для диагностирования конкретного образца ГТД с учтом погрешностей системы измерения. Рис. Так при описании моделей объекта по реальным данным ошибка восстановления характеристик более 3 от реальных значений уже может считаться не приемлемой 9. При решении задач диагностирования для трендового контроля параметров ГТД актуально определение значимых отклонений в параметрах временных рядов трендов по малыхг меньше значений выборкам 9, , , а при классификации ТС ГТД определение одновременного проявления нескольких неисправностей 9, . При этом требования к точности указания значений прогнозируемой переменной определено в пределах до 6, , а глубина прогнозирования время упреждения около от продолжительности наблюдения , . Конечно все эти требования являются ориентировочными, т. ОД. Как отмечается в 6, 9, наиболее эффективным является комплексный подход к диагностике, который охватывает решение всех типов диагностических задач при выдаче результата диагностирования постановке диагноза о ТС. В более широком смысле под комплексным подходом понимается постановка диагноза о ТС с использованием различных методов параметрической диагностики, вибрационной диагностики, неразрушающего контроля и т. При переходе к системам ИИ и разработке на их основе различных диагностических методов, необходимо стремиться к реализации комплексного подхода решения диагностических задач. Контроль и диагностика ТС ГТД и его подсистем является сложной задачей, связанной с необходимостью учта большого числа факторов, в том числе факторов неопределенности. Применение методов ИИ позволяет найти новые подходы к решению данной проблемы, основанные на применении знаний и опыта экспертов, теории распознавания образов, обучения, адаптации к изменяющимся внешним условиям, принятия решения при дефиците информации, наличии шумов в измерениях и т. Методы ИИ в настоящее время разделяются на два подхода детерминированные и эволюционные. К детерминированным относятся экспертные системы, а также системы на базе нечткой логики. Сравнительные характеристики различных методов ИИ и их возможное применение при решении задач диагностики ГТД представлены в таблице 1. Таблица 1. Экспертные системы Решение неформализованных задач Необходима большая база знаний об объекте, которая не доступна для нового двигателя. Нейронные сети Типовые элементы, параллельная обработка, универсальная аппроксимация, классификация. В работе автором обоснованы возможности по применению методов ИИ для решения основных задач диагностики. Методы, основанные на Г А, находятся намного ближе к задачам оптимизации, чем к задачам диагностики и поэтому для решения задач диагностики ГТД практически применения иметь не будут, либо будут выступать в связке с другими методами искусственного интеллекта, например как один из вариантов алгоритмов обучения.