Розробка методу отримання даних для навчання нейронних мереж визначенню технічного стану газоперекачувальних агрегатів

Анотація

Одним з перспективних шляхів підвищення ефективності оцінки технічного стану газоперекачувальних агрегатів є використання засобів та методів штучного інтелекту на базі нейронних мереж. Для того, щоб така мережа почала працювати, її необхідно попередньо навчити, використовуючи заздалегідь підготовлені навчальні приклади. Ці дані повинні повно характеризувати роботу об'єкта в широкому діапазоні режимів роботи та при різному технічному стані вузлів, що діагностуються. Слід зазначати, що необхідно мати аналогічний набір даних для контролю якості навчання нейронної мережі. Для якісного навчання мережі розпізнанню одного типу несправностей необхідно мати набір, що містить від 20-200 і більш навчальних прикладів. Одержання такої інформації в експлуатації або при стендових випробуваннях є досить тривалим або дорогим процесом. Розроблено метод одержання навчального і контрольного наборів даних. Набори призначені для навчання статичної нейронної мережі розпізнаванню одиночних і множинних несправностей конструктивних вузлів проточної частини газотурбінного двигуна й газоперекачувального агрегату. Метод дозволяє одержувати набори параметрів робочого процесу, що характеризують роботу об'єкта з різним технічним станом проточної частини, вплив помилок виміру та функціонування об'єкта в широкому діапазоні режимів і зовнішніх умов. Для газоперекачувального агрегату додатково враховується склад газу, що перекачується. Для одержання необхідних параметрів використовується математична модель робочого процесу об'єкта другого рівня складності. Набори характеризують роботу справних об'єктів і об'єктів, що мають значні несправності каскадів компресорів, турбін і камери згоряння, а, у випадку газоперекачувального агрегату, і його нагнітача. Розглянуто два варіанти формування наборів: з використанням вимірюваних параметрів робочого процесу об’єкту; з використанням відхилень вимірюваних параметрів від еталонних значень та параметрів, які використано як режимні у математичній моделі робочого процесу. Даний підхід дозволяє здійснювати класифікацію технічного стану об’єкту з глибиною діагностування до конструктивного вузла.