Электронная библиотека диссертаций и авторефератов России
dslib.net
Библиотека диссертаций
Навигация
Каталог диссертаций России
Англоязычные диссертации
Диссертации бесплатно
Предстоящие защиты
Рецензии на автореферат
Отчисления авторам
Мой кабинет
Заказы: забрать, оплатить
Мой личный счет
Мой профиль
Мой авторский профиль
Подписки на рассылки



расширенный поиск

Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации Добродеев, Илья Павлович

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

Диссертация - 480 руб., доставка 10 минут, круглосуточно, без выходных и праздников

Автореферат - бесплатно, доставка 10 минут, круглосуточно, без выходных и праздников

Добродеев, Илья Павлович. Повышение эффективности нейросетевых моделей в системах диагностики технического состояния газотурбинных двигателей на основе функциональной адаптации : диссертация ... кандидата технических наук : 05.13.01 / Добродеев Илья Павлович; [Место защиты: Рыбин. гос. авиац.-технол. акад.].- Рыбинск, 2010.- 218 с.: ил. РГБ ОД, 61 11-5/607

Содержание к диссертации

Введение

ГЛАВА 1. Анализ интеллектуальных методов диагностики технического состояния ГТД 13

1.1 Направления диагностики ГТД и типы диагностических задач 14

1.2 Анализ особенностей методов искусственного интеллекта 18

1.3 Анализ существующих методов диагностики технического состояния ГТД на основе нейронных сетей 21

1.3.1 Реализация подзадачи оперативного контроля 21

1.3.2 Реализация задачи классификации технического состояния ГТД 22

1.3.3 Анализ трендов параметров ГТД 26

1.3.4 Комбинирование нейросетевых структур с другими интеллектуальными методами 26

1.4 Анализ особенностей нейросетевых моделей при решении задач 33

1.4.1 Анализ проблем нейросетевого диагностирования ГТД 33

1.4.2 Анализ методов оптимизации структуры нейросетевых моделей 38

1.5 Выводы по главе 42

ГЛАВА 2. Формализация подходов к построению нейросетевых моделей для решения основных типов задач диагностики технического состояния ГТД 45

2.1 Особенности ГТД как объекта диагностирования 45

2.2 Концепция функционально прозрачных нейронных сетей 47

2.3 Формализация принципов решения основных диагностических задач с использованием моделей ФПНС 51

2.3.1 Формирование ФПНС для описания моделей исправного состояния ГТД 51

2.3.2 Формирование ФПНС для моделей трендового контроля параметров ГТД 62

2.3.3 Формирование ФПНС для реализации прогнозирующих моделей 68

2.3.4 Формирование ФПНС для моделей классификации текущего технического состояния ГТД 74

2.4 Выводы по главе 83

ГЛАВА 3. Разработка и оптимизация нейросетевых моделей для решения задач диагностики ГТД 86

3.1 Разработка и исследование способа самоорганизации персептронов на основе функционального расширения селективных алгоритмов 86

3.1.1 Модель нейрона с адаптивной функциональностью в структуре самоорганизующихся нейросетей 87

3.1.2 Самоорганизация нейросетей с растущим числом межнейронных связей 94

3.1.3 Выбор критериев оценки качества обучения отдельного нейрона и самоорганизации слоя нейросети 96

3.1.4 Способы селекции нейронов в слое и критерии завершения самоорганизации 99

3.1.5 Исследование алгоритма самоорганизации и обучения нейросети... 102

3.2 Разработка и исследование способа топологической самоорганизации нейросети Кохонена 108

3.3.1 Разработка принципов топологической самоорганизации нейросети Кохонена 109

3.3.2 Разработка и исследование алгоритма топологической самоорганизации нейросети Кохонена 118

3.3.2 Исследование алгоритма топологической самоорганизации нейросети Кохонена 120

3.3 Разработка способа адаптации нейросети Хэмминга к работе с непрерывными входными векторами 122

3.2.1 Модель нейрона в слое расширения размерности 123

3.2.2 Характеристики слоя расширения размерности 126

3.2.3 Исследование функционирования слоя расширения размерности... 128

3.4 Выводы по главе 130

ГЛАВА 4. Экспериментальные исследования фпнс моделей при решении основных задач диагностики ГТД 133

4.1 Методика проведения экспериментов 133

4.2 Экспериментальное исследование описания исправного состояния ГТД с использованием ФПНС моделей 136

4.3 Экспериментальное исследование выявления тренда в характеристиках двигателя с использованием ФПНС моделей 145

4.4 Экспериментальное исследование прогнозирования изменения характеристик ГТД при помощи ФПНС моделей 156

4.5 Экспериментальное исследование ФПНС моделей классификации технического состояния ГТД 163

4.6 Разработка способа комплексного диагностирования ГТД на основе ФПНС моделей 171

4.7 Выводы по главе 176

Заключение 179

Список использованных источников 182

Введение к работе

з

Актуальность темы. Развитие подходов к диагностике технического состояния газотурбинных двигателей (ГТД) идёт в нескольких направлениях. Большое внимание уделяется совершенствованию алгоритмического обеспечения, дающего расширение возможностей диагностических моделей и повышение достоверности диагностирования. В работах С. В. Жернакова, А. М. Паша-ева, А. Г. Кучера, П. И. Ракова и др. показаны преимущества использования методов искусственного интеллекта перед классическими методами диагностики при выявлении неисправностей. Отмечено, что наиболее эффективными являются нейронные сети, т. к. они обладают высокими адаптационными характеристиками, могут решать сложные задачи по классификации и распознаванию образов. Существующие нейросетевые методы диагностики ограничены специфичностью решаемых задач, недостаточной разработанностью теории их применения для диагностирования ГТД, отсутствием универсальных и формализованных подходов, несовершенством самих методов. В связи с этим актуальными являются вопросы разработки общих принципов формирования диагностических нейросетевых моделей для решения основных задач диагностики и вопросы оптимизации нейросетевых методов для более эффективного их использования при диагностировании ГТД.

Цель и задачи исследования. Цель исследования заключается в повышении эффективности нейросетевых методов решения основных типов диагностических задач ГТД путем оптимизации нейросетевых моделей на основе функциональной адаптации.

Для достижения поставленной цели необходимо:

провести системный анализ методов диагностики технического состояния ГТД для выявления перспективных тенденций и существующих проблем;

разработать концепцию использования нейронных сетей при диагностике технического состояния ГТД для унификации диагностических подходов;

разработать принципы формирования нейронных сетей и моделей на их основе для решения основных типов диагностических задач;

разработать и исследовать способы и алгоритмы реализации нейросетевых диагностических моделей;

провести экспериментальное исследование разработанных моделей и алгоритмов для ГТД различных типов и назначений.

Объектом исследования являются нейросетевые диагностические системы газотурбинных двигателей.

Предметом исследования является методология построения эффективных нейросетевых диагностических моделей сложных технических объектов.

Методы исследования. Исследование проведено на основе системного анализа с использованием теории нейронных сетей; теории распознавания об-

разов; комбинаторики; дифференциального исчисления; методов: нечеткой логики, математической статистики, группового учета аргументов, планирования эксперимента, интерполяции и аппроксимации; математического, компьютерного и имитационного моделирования.

Научная новизна работы заключается в следующем:

разработана концепция функционально прозрачных нейронных сетей, обеспечивающая построение эффективных нейросетевых диагностических моделей на универсальных принципах и реализующая индивидуальный подход к решению задачи диагностирования ГТД;

на базе концепции функционально прозрачных нейронных сетей разработаны подходы к формированию нейромоделей, отличающихся функциональной адаптацией для решения основных типов диагностических задач;

-разработаны новые нейросетевые структуры и алгоритмы: алгоритм самоорганизации нейронной сети прямого распространения на базе метода группового учета аргументов с использованием предложенной автором расширенной модели нейрона и принципа растущего числа межнейронных связей; алгоритм топологической самоорганизации структуры нейронной сети Кохонена; нейросетевая архитектура функционально расширенной сети Хэмминга на основе предложенной автором модели нейрона для слоя расширения размерности входного вектора и перевода непрерывного вектора в биполярный. Основные положения, выносимые на защиту:

модели, сформированные на основе концепции функционально прозрачных нейронных сетей, обладающие функциональной адаптацией к объекту диагностики и обеспечивающие повышение эффективности решения задач описания моделей исправного состояния, трендового контроля, прогнозирования и классификации технического состояния ГТД;

способы самоорганизации нейронной сети путем селекции и деления, отличающиеся новыми архитектурными элементами, критериями формирования и правилами обучения, обеспечивающие функциональную прозрачность нейронной сети;

- алгоритмы самоорганизации и обучения нейронной сети, позволяющие
автоматически формировать функционально адаптированные к предмету ис
следования структуры нейронных сетей, обеспечивающие повышение эффек
тивности нейросетевых методов диагностики.

Практическая ценность работы заключается в следующем:

предложена структура универсальной нейросетевой диагностической системы, реализующая индивидуальный подход к диагностике ГТД;

разработанные диагностические модели обладают способностью функциональной адаптации и могут быть использованы для различных типов ГТД;

разработано программное обеспечение, обеспечивающее формирование функционально прозрачных нейронных сетей для решения основных задач ди-

агностики.

Реализация и внедрение полученных результатов. Основные результаты работы внедрены на ОАО «НПО «Сатурн» для диагностирования двигателей ГТД-6/8РМ, М70ФРУ, М75РУ, использованы на ОАО «Сатурн - Газовые турбины» и в учебном процессе ГОУ ВПО РГАТА.

Апробация результатов исследования. Основные научные положения и результаты диссертации докладывались и обсуждались на следующих конференциях: «Проблемы исследования и проектирования машин»: III международная научно-техническая конференция. - Пенза, 2007; «Исследования и перспективные разработки в авиационной промышленности»: IV Научно-практическая конференция молодых учёных и специалистов, - Москва, 2007; «Navy and Shipbuilding nowadays»: IV International conference - С.-Петербург, 2007; «Теория и практика системного анализа»: I Всероссийская научная конференция молодых учёных, - Рыбинск, 2010; «Информационные технологии в науке, образовании и производстве 2010»: IV Научно-техническая конференция, - Орел, 2010; «Кибернетика и высокие технологии XXI века» (С&Г 2010): XI Международная научно-техническая конференция, - Воронеж, 2010.

Публикации. Основной материал диссертации опубликован в 12 печатных работах, в т. ч. 2 статьи - в рецензируемых научных журналах, входящих в Перечень ВАК, имеется 2 свидетельства о регистрации программ для ЭВМ.

Структура и объем работы. Диссертация содержит введение, 4 главы, заключение, изложенных на 181 странице машинописного текста, список использованных источников, включающий 113 наименований, 4 приложения. Материал работы включает 28 таблиц и 55 рисунков.

Комбинирование нейросетевых структур с другими интеллектуальными методами

Основная задача трендового анализа — это выявление закономерностей в последовательности данных. В работе [10] рассмотрено применение классических методов трендового анализа (параметрических, непараметрических и смешанных) и НС для определения «разладки» в измеренных параметрах временного ряда, т. е. анализ статистических характеристик результатов регистрации контролируемых параметров с целью определения их стационарности. Идентификация динамических систем требует модели с запоминающими элементами, поэтому статические полноразмерные НС расширяются динамическими структурами. К таким НС с внешней динамикой относятся нелинейные модели: с обратной связью со входа; с конечным импульсным ответом и нелинейные ортогональные модели базисных функций. В качестве низкочастотного фильтра может быть выбран персептрон, для высокочастотного фильтра - сеть радиально-базисных функций.

Другим подходом к анализу трендов ГТД является сравнение измеренных параметров со значениями тех же параметров, измеренных ранее на том же двигателе и том же режиме работы или вычисленных по модели ГТД. При сравнении определяются отклонения, и по ним уже проводится трендовый контроль. В качестве модели ГТД в данном методе выступает НС.

Трендовый анализ при помощи НС здесь призван не заменить классические методы, а дополнить новыми функциональными возможностями, что повышает достоверность диагностики и эффективность принятия решений.

Рассмотрим вопросы косвенного использования НС для решения задач диагностики как вспомогательного звена при обработке информации для ЭС и методов НЛ.

В работе [10] затронуты вопросы применения НС совместно с экспертными системами, ставятся основные задачи, которые должна решать НС в рам-ках экспертных систем, применительно к диагностированию ГТД. Основное преимущество за счет использования НС состоит в том, что можно существенно расширить спектры решаемых задач как на установившихся, так и на переходных режимах работы ГТД. Экспертная система при этом становится активной, т. е. может функционировать в режиме on-line, способной отслеживать огромные объемы быстро меняющейся информации, принимать качественные и своевременные решения по управлению эксплуатируемым объектом. Способность НС хранить качественные знания нашла своё отражение в структуре активной ЭС в виде баз знаний прецедентов и нейросетевой базы знаний. Граница между этими двумя типами баз знаний условна и связана в основном с особенностями хранения знаний, а также методами принятия решений, реализованными на НС (архитектурой НС, алгоритмами обучения и т. д.). К таким активным ЭС также можно добавить элементы нечёткой логики для расширения их функциональных возможностей. Принятие решений активными ЭС осуществляется по таблицам неисправностей, графам причинно-следственных связей и допускового контроля на основе гетерогенной базы знаний (семантические сети, фреймы, продукции, логические модели) и баз знаний прецедентов, реализованные на НС.

Кроме того, рассмотрена нейросетевая ЭС контроля и диагностики летательного аппарата, приведена структурная схема универсальной бортовой интегрированной системы контроля и диагностики на основе НС и нечёткой логики, расширяющая спектр задач контроля и диагностики ГТД. Схема состоит из трёх модулей: числовых данных, методов и диагностического модуля оптимизации параметров. Модуль числовых данных отвечает за сбор информации, модуль методов хранит методы для обработки диагностической информации, а модуль оптимизации диагностических параметров применяется для принятия оптимального решения в процессе комплексного контроля и диагностики параметров силовой установки. В качестве автоматизированной обработки показано использование графов причинно-следственной связи (метод ветвей и границ) и таблицы неисправностей. Система классифицирует отказы в соответствии с причинами их появления и визуально интерпретирует их в виде дерева решений. Каждый узел в дереве это атрибут, а каждая ветвь — значение атрибута. Листья дерева соответствуют классам «норма» и «отказ». В процессе вычисления значений атрибутов в каждом узле используется информационный показатель — энтропия. Решающие деревья способны классифицировать состояния ГТД с точностью 90 %.

В работах [48, 49] рассматривается одна из актуальных проблем систем искусственного интеллекта — построение диагностических нейро-нечетких ЭС, основанных на разнородных знаниях, анализируется ее функционирование в условиях неопределенности ряда параметров ГТД с учетом применения в качестве динамической базы знаний комбинированных моделей НС.

Предлагается архитектура нейро-нечеткой экспертной системы и ее отдельных подсистем, рассматривается решение проблемы эффективного взаимодействия разнородных знаний в гибридной нейро-нечеткой экспертной системе при диагностировании авиационного газотурбинного двигателя.

При диагностировании гибридная ЭС осуществляет поиск неисправности в глубину и в ширину. При этом глобальная цель разбивается на ряд подцелей, среди которых выбирается оптимальная, соответствующая более детальному уровню описания задачи. Например, при диагностировании ГТД гибридная ЭС на основе типовых отказов будет осуществлять уточнение признаков и симптомов этих отказов до тех пор, пока предполагаемая гипотеза не будет окончательно отвергнута. При поиске в ширину ЭС анализирует все симптомы, находящиеся на одном уровне пространства состояний, даже если они относятся к разным отказам, и лишь затем перейдет к симптомам следующего уровня детальности.

В работе [50] рассматривается бортовая программа диагностики и контроля параметров бортовой силовой установки ADEPT, разработанная компанией CFMI совместно с General Electric, позволяет осуществлять мониторинг параметров двигателя в процессе полёта. С этой целью она производит сравнительный анализ измеренных в реальном времени параметров двигателя с данными так называемого базового «эталонного» двигателя, параметры которого определены заводом-изготовителем, т. е. она реализует метод допускового контроля. Такая система позволяет существенно расширить «классические» методы анализа данных, увеличивая точность принимаемого решения в условиях частичной или полной неопределённости измеряемых параметров. Она учитывает интеграцию методов оптимизации и диагностических методов, включает в себя поддержку принятых решений для выявления комплексных отказов и устранения их в процессе полёта. Для этих целей был создан банк данных для парка эксплуатируемых двигателей, в котором хранятся детально проанализированные данные о типовых отказах двигателей в процессе полётов. НС используются для обучения типовым ситуациям из баз данных и на их основе решают задачи идентификации и классификации состояния ГТД и их подсистем.

Формирование ФПНС для описания моделей исправного состояния ГТД

Предлагаемая концепция должна формализовать правила построения нейросетевых диагностических моделей для комплексного решения диагностических задач с учётом как обобщенных, так и индивидуальных характеристик объекта диагностирования [65].

Особенности сложного технического объекта, созданного на основе теоретических и практических знаний, позволили сформулировать концепцию, обеспечивающую систему взглядов на оптимизацию нейросетевых моделей. Введем понятие «функционально прозрачная» нейронная сеть, которое определит тип моделей НС, отражающих особенности функционирования ОД. Исходя из этого понятия, сформулируем концепцию функционально прозрачной нейронной сети, которая состоит в отражении особенностей функционирования ОД за счёт объективной самоорганизации при реализации зависимости, соответствующей физическому смыслу процессов, происходящих в определённом узле или объекте в целом, и обеспечивает настройку модели на проектные характеристики с последующей адаптацией к индивидуальным особенностям реального объекта

Концепция ФПНС основана на следующих основных аспектах формирования нейросетевой диагностической модели. 1) Семантическая адаптация функциональных зависимостей к физическому смыслу процессов в объекте диагностирования.

Работу каждого отдельного узла в ГТД, а также ГТД в целом, можно представить в виде определённой физической зависимости. Входные и выходные параметры в данной зависимости будут связаны между собой посредством внутренних характеристик объекта, например КПД узлов, величины расходов рабочего тела и т. п. Подобное представление имеет место на этапе технического проектирования в виде математических моделей объекта, однако для реального экземпляра ГТД такие зависимости неприменимы, т. к. различные факторы, такие как погрешности при производстве и сборке, неточности измерения и т. п., приводят к тому, что заложенные модельные характеристики узлов ГТД не соответствуют реальным.

В этом случае работу отдельных узлов или всего двигателя можно также представить функциональной зависимостью, т. е. выразить изменение параметров в неявной форме, например, в виде регрессионной зависимости. Зачастую такие зависимости реализуются в самой упрощённой форме, когда параметры ГТД описываются только в зависимости от режима его работы, который выражается через определённый управляющий параметр.

Применение нейронных сетей позволяет представить функциональные зависимости в нейросетевом базисе в виде чёрного ящика [32 — 37, 66 — 68], при этом, когда известна математическая модель ГТД и его узлов, нейронные сети позволяют перейти от отдельных уравнений, малосвязанных между собой, к описанию узла в целом. При описании параметров в зависимости от режимов его работы НС позволяют выполнять учёт большого числа управляющих и влияющих факторов (с точки зрения физического смысла процесса), влияние работы различных узлов ГТД друг на друга.

Таким образом выдвинутый принцип позволяет заложить знания об объекте в процесс формирования структуры сети, что требует выбора входных и выходных параметров НС для реализации функциональной зависимости максимально полно отражающей физический смысл процессов, происходящих в соответствующем узле, либо в ГТД в целом. 2) Функциональное сочетание расчётных и реальных характеристик.

Как уже было отмечено выше, расчётные и реальные характеристики объекта зачастую различаются, поэтому результаты математического моделирования используются для диагностики крайне редко. С другой стороны математическая модель объекта содержит большое количество диагностической информации, характеризующей данный тип объектов.

Одной из главных особенностей НС, как интеллектуального элемента, является то, что перед использованием их по своему прямому предназначению НС необходимо обучить. То есть сформированная НС, с определёнными входными и выходными сигналами, максимально соответствующими физическому смыслу процессов, происходящих в ГТД, должна быть обучена по определённым входным данным. Именно способность к обучению может обеспечить реализацию второго принципа функционально прозрачных НС.

Обучение проводится за два этапа. На первом этапе НС обучается по расчётным данным, полученным с математической модели ГТД или его узлов. Это позволяет НС сформировать внутри себя обобщённый образ объекта данного типа (или его части). На втором этапе НС уже обученная на обобщённый образ объекта, дообучается на основе реальных данных, зарегистрированных в процессе эксплуатации конкретного экземпляра ГТД. Таким образом происходит настройка НС на конкретный объект. При этом реализуется один из самых главных принципов технической диагностики — индивидуальный подход к объекту диагностирования. В целом принцип обеспечивает возможность настройки как на обобщенные, так и на индивидуальные характеристики ОД

Необходимо отметить, что в ряде диагностических задач нельзя заранее иметь расчётную модель процесса, например, при построении прогностической модели по развивающемуся тренду. В этом случае принцип функционального сочетания расчётных и реальных характеристик трансформируется в совместное использование в обучающих данных диагностических признаков, полученных как по результатам непосредственного измерения параметров ГТД, так и по результатам математических расчётов (косвенное измерение). Обучение в этом случае выполняется только за один этап. 3) Самоорганизация интеллектуальных элементов внутри модели.

Для диагностических моделей субъективный выбор структур приведёт к снижению их эффективности. Для общей нейросетевой системы, включающей в свой состав большое число различных диагностических нейромоделей, даже незначительное снижение эффективности отдельных элементов приведёт к значительному ухудшению её диагностических качеств. Наиболее эффективным в данном случае будет формирование нейросете-вых моделей на основе методов самоорганизации, рассмотренных в 1-й главе. Дополнительным преимуществом такого выбора структуры НС является то, что он осуществляется в процессе обучения и позволяет выявлять самые значимые связи между входными сигналами НС и их отображениями в выходные сигналы. Для диагностической модели в процессе самоорганизации усиливаются значимые для диагностики факторы и ослабляются малозначимые, всё это приводит к повышению достоверности результатов диагностической обработки информации при помощи НС для задач аппроксимации и классификации. Самоорганизация может быть реализована как на этапе начальной настройки, так и в процесс функционирования модели, обеспечивая адаптацию диагностической модели в процессе эксплуатации объекта.

Выбор критериев оценки качества обучения отдельного нейрона и самоорганизации слоя нейросети

Для формирования алгоритма самоорганизации НС большое значение имеет принцип проведения селекции нейронов в слое. Выбор модели оптимальной сложности из множества возможных моделей является многозначной некорректной математической задачей. Для того чтобы определение модели было однозначным, в МГУА дополнительно формулируют соответствующие регуляризи-рующие функционалы - критерии отбора моделей. Основные критерии МГУА представлены в приложении А в таблице А.2. Большое количество различных критериев селекции модели оптимальной сложности требуется для того, чтобы подобрать критерий, обеспечивающий наиболее «острый» выбор: значение критерия для искомой модели должно быть значительно меньше, чем для ее соседей по оси сложности. Кроме того, разнообразие критериев необходимо для того, чтобы полнее выразить различные аспекты требований к результату моделирования.

Кроме критериев из таблицы А.2 в алгоритмах МГУА имеются и другие критерии [3.14], которые применяются в зависимости от выбранного типа задачи, алгоритмов МГУА, требуемой точности и т. п. Часто точная модель может выбираться по комбинированному критерию, составленному из нескольких других.

При оценке качества обучения НС используется обычно критерий средне-квадратической ошибки обучения на обучающей и проверочной выборках: По сути, критерий (3.11) - это некоторое подобие критериев А2 (А) и А (В) из таблицы А.2, однако критерии МГУА являются более информативными и универсальными, и поэтому целесообразно применить их при самоорганизации структуры НС. При этом особенности самоорганизации НС, а именно по-нейронное обучение, означают, что использование различных критериев будет осуществляться применительно не к НС в целом, но к каждому конкретному нейрону последнего слоя. Если использовать только критерий А2(А), его значение становится все меньше и меньше по мере добавления к модели новых членов. Чем сложнее модель, тем она точнее. Это всегда так, если используется лишь критерий А2 (А), определяющий качество модели на основании той же информации, которая уже использовалась для построения модели. В результате возникает эффект «переобучения» модели, когда она начинает моделировать шум во входных данных. Это обстоятельство справедливо как для моделей, полученных при помощи алгоритмов МГУА, так и для нейронных сетей. Следовательно необходимо применять внешние критерии, которые базируются на проверочных и экзаменационных данных и в значительной степени соответствуют требованию воспроизводимости результата. В качестве основных критериев МГУА для этого выступают критерии регулярности, несмещенности и баланса переменных. Отдельно необходимо отметить критерий минимума смещения (несмещенности) [29, 30]. Интерпретация критерия: модель, оценка которой получена по данным определенного интервала наблюдения или в определенной точке наблюдения, должна как можно ближе совпадать с моделью, полученной по данным другого интервала наблюдения или в другой точке наблюдения. Критерий выражает требование непротиворечивости модели, поэтому является одним из основных при оценке. Имеющееся различие между МГУА и НС, выражающееся в том, что коэффициенты моделей МГУА по обучающей выборке вычисляются однозначно при помощи метода наименьших квадратов, а весовые коэффициенты нейронов с НС корректируются после каждого примера из обучающей выборки, обуславливает необходимость адаптации критерия минимума смещения к особенностям НС модели следующим образом: - обучающая выборка разбивается на 2 части; - проводится обучение нейронов в течение к эпох цикла обучения на первой части выборки и рассчитывается выходной сигнал нейрона; - вычисляется массив выходных сигналов слоя для 1-й части выборки, после чего для того, чтобы сохранить объективность процесса проводится разобучение нейронов; - проводится обучение нейронов в течение А: эпох цикла обучения на второй части выборки, рассчитывается выходной сигнал нейрона; - вычисляется массив выходных сигналов слоя для 2-й части выборки, после чего проводится разобучение нейронов; - вычисляется критерий минимума смещения. Под эпохой обучения понимается полный проход по всем примерам выделенной части выборки (число эпох к= 5... 10). Критерий баланса применяется главным образом при прогнозировании и позволяет выбрать лучший прогноз из многообразия возможных трендов для каждого прогнозируемого процесса, его можно применять при одновременном прогнозе нескольких переменных.

Учитывая итеративный характер обучения, обеспечивающий постоянное изменение настроечных характеристик НС, нельзя применять только критерий внешнего дополнения. Контроль за процессом самоорганизации должен обеспечивать завершение обучения в позиции минимума ошибки как на обучающем, так и на проверочном множестве. Это требование обеспечит одновременное оптимальное сочетание аппроксимирующих и экстраполирующих свойств НС. Другим требованием является равномерность аппроксимации, проверяемая с помощью критерия минимума смещения.

Экспериментальное исследование выявления тренда в характеристиках двигателя с использованием ФПНС моделей

Для проверки адекватности предложенных моделей и тестирования разработанных автором алгоритмов решения задач трендового контроля и прогнозирования выбран промышленный двигатель ГТД-6/8РМ. Одной из целей исследования была разработка модели функционально прозрачной НС, обеспечивающей эффективное решение задачи трендового контроля параметров ГТД в условиях ограниченного объема обучающих данных по малой выборке. В соответствии с предложенными принципами, тренд рассматривается как новый класс состояния в векторе входных данных. Поэтому задачей исследования в данном примере является кластеризация сети по обучающей выборке и дальнейшая проверка данных экзаменационной выборки на предмет выявления новых классов в структуре данных.

Исследование выполнялось для газотурбинного двигателя ГТД-6/8РМ № В6-06, работающего в составе газотурбинной электростанции в г. Усинске. Материалы исследования представлены за два этапа эксплуатации ГТД - первый с 3887 часов до 4500 часов наработки, а второй после 6000 часов. Для анализа был выбран параметр приведенной температуры газа за силовой турбиной. Такой выбор обоснован тем, что последствия многих неисправностей ГТД проявляются в увеличении значений температуры газа за турбиной. 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.

По результатам приемо-сдаточных испытаний была сформирована базовая модель в виде регрессионной зависимости как полином второй степени от параметра мощности ГТД. При этом опытные данные были зарегистрированы практически на одинаковых режимах 3-3,7 МВт (при номинальной мощности 6 МВт). Изменение параметра 87т и его сглаженного значения по времени наработки показано на рис. 4.11.

Общие изменения контролируемого параметра были в пределах 3 % от базового значения, что для температуры газа турбиной не является критичным, особенно учитывая погрешность при измерении температуры газа.

Из-за отсутствия материалов по начальному периоду эксплуатации ГТД в качестве обучающей выборки были использованы материалы 1-го этапа из представленных данных (с 3887 часов до 4500 часов наработки). Этот промежуток был принят за условно стационарный. Второй этап принят в качестве экзаменационных данных. Для формирования и обучения НС были прияты следующие начальные условия: 1) размер т «скользящего окна», по которому определяется класс состояния, равен 5 последовательным значениям временного ряда; 2) коэффициент сглаживания при обработке исходных данных а = 0,3; 3) при самоорганизации НС нейроны считались принадлежащими к одному кластеру, если их дистанция D до входного сигнала относительно дистан 148 ции нейрона победителя по величине была больше 90 %; 4) аналогично правилу формирования кластера для завершения обучения НС было принято условие для комплексного показателя ошибки RE=(l-EmN)-YmN 0,9; 5) общий размер обучающей выборки был равен 14 примерам. Перечень входных сигналов НС представлен в таблице 4.2, в качестве выходных сигналов рассматриваются выходные сигналы нейронов в НС, формирующих топографическую карту. В процессе самоорганизации НС Кохонена получена структура содержащая 394 нейрона, при этом НС разделила входные данные на 6 классов и 242 независимых нейрона. На рис. 4.12 представлен вид НС с указанием на ней классов, в приложении В представлен вид этой НС с указанием связей наследования (рис. В.5). Основные характеристики для кластеров, полученные в процессе обучения НС и проверке по обучающей выборке представлены в таблице 4.3. Оценка входных сигналов для каждого кластера позволяет в целом выявить два наиболее важных с точки зрения трендового контроля кластера - это кластеры 1 и 2, которые можно охарактеризовать как возрастающие микротренды. Кластер 3 это кластер изменения характера тренда, а кластеры 4, 5 и 6 выражают относительно стабильные значения входных сигналов. Графическое представление компонент входного вектора НС для разных кластеров приведено в приложении В на рис. В.6 - В.9. представлены топографические карты расстояний и выходных сигналов НС для каждого из 6 кластеров. При этом следует отметить, что для разных примеров, относящихся к одному и тому же кластеру, эти карты практически аналогичны, что говорит о схожести входных данных. Результаты проверки НС на обучающей и экзаменационной выборках представлены в таблице 4.4. По результатам тестирования при подаче на вход НС экзаменационной выборки со второго периода эксплуатации, содержащей 20 примеров, было зафиксировано 5 случаев, когда нейроном-победителем становился нейрон, не попадающий ни в один из начальных кластеров (в таблице 4.4 обозначен как 0-й кластер), т. е. выявлены новые классы состояния во входных данных. Кроме того, наиболее часто в проверочной выборке встречались вектора 1-го (7 примеров) и 2-го классов (6 примеров), т. е. по большей части имел место возрастающий тренд. Характерными являются значения дистанции и выходного сигнала для нейронов-победителей. При сравнении этих показателей для обучающей и проверочной выборок становится ясно, что дистанция между вектором весовых коэффициентов и входным вектором нейрона увеличивается, а выходной сигнал нейрона уменьшается. Диаграмма распределений в осях «расстояние - выходной сигнал» для экзаменационной и обучающей выборок представлена нарис. 4.15.

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