В.И. Дубровин, С.А. Субботин

Запорожский государственный технический университет

Интенсивное развитие и усложнение сложных и дорогостоящих технических систем, требования безопасности, безотказности и долговечности, предъявляемые к ним, делают весьма важной оценку состояния технических систем и их надежности. Как известно, наиболее важным показателем надежности является отсутствие отказов во время функционирования технической системы.

Одной из деталей авиадвигателей, наиболее сильно подверженной действию негативных факторов, является лопатка. Трещины в лопатках, возникающие в процессе эксплуатации, приводят к снижению надежности двигателя и, как следствие, выходу его из строя.

Следовательно, для обеспечения надежности двигателей необходимо осуществлять своевременное выявление дефектных лопаток. Однако эта процедура является весьма трудоемкой и сопряжена со значительными неудобствами для обслуживающего персонала. Поэтому автоматизация процесса выявления дефектных лопаток крайне важна для упрощения процесса обслуживания авиадвигателей, обеспечения и повышения их надежности.

Для определения дефектов собираются данные - спектры свободных затухающих колебаний лопаток после ударного возбуждения (см. рис.). На основе этих данных необходимо уметь осуществлять классификацию лопаток (годный / дефектный). Основная трудность здесь состоит в том, что каждый параметр лопатки характеризуется не одним значением, а целым набором значений и использование традиционно применяемых статистических методов в этом случае затруднительно.

Для каждой из сверток проводились эксперименты по классификации на основе одного признака. Алгоритм эвристической классификации на основе одного признака с итеративным подбором свертки имеет вид.

Шаг 2. В соответствии с целевой функцией проводится выбор значения порога классификации для каждой свертки.

Шаг 3. Для лопаток из обучающей и/или контрольной выборки производится классификация, при этом лопатка относится к одному классу, если значение свертки превышает значение порога, в противном случае - к другому классу. Вычисляются риски потребителя, производителя и общая ошибка классификации. Та свертка, которая наилучшим образом удовлетворит целевую функцию, принимается в качестве базовой.

В качестве целевой функции в разных сериях экспериментов использовались минимумы общей ошибки классификации, рисков потребителя и производителя.

Результаты экспериментов показали, что классификация на основе одного признака, хотя и возможна, но не отвечает требованиям надежности, предъявляемым к авиадвигателям. Полученные риски потребителя, варьировавшиеся в пределах от 0.063 до 0.312 для разных сверток наборов значений спектров экземпляров обучающей выборки, оказались неприемлемыми –для авиадвигателей риск потребителя должен быть равен нулю. Кроме того, эксперименты показали, что алгоритм эвристической классификации с использованием свертки не позволяет достигать минимизации риска потребителя без существенного увеличения риска производителя.

Вместе с тем, этот алгоритм может применяться для решения задач, которые не столь требовательны к надежности изделий, а также для отбора наиболее информативных признаков-сверток с целью использования в алгоритмах классификации по нескольким признакам.

Для решения задачи классификации по нескольким признакам использовались многослойные нейронные сети (НС). Применение нейросетей в данном случае целесообразно, так как они способны обучаться аппроксимировать многомерные функции, то есть могут извлекать, правда, в неявном для пользователя виде, знания из исследуемой предметной области.

На выход НС подавалось значение, сопоставленное номеру класса, к которому относится экземпляр обучающей выборки (для годных лопаток – 0.1, для дефектных 0.9).

Фрагмент результатов экспериментов приведен в таблице.

Таб. 1. Фрагмент результатов экспериментов

Эксперименты показали, что программный комплекс, реализующий НС, успешно решает задачу классификации спектров затухающих колебаний лопаток авиадвигателей, обеспечивая при этом достаточно высокую надежность классификации при сравнительно небольшом времени обучения.

1.Биргер И.А. Техническая диагностика.- М.: “Машиностроение”,1978.-240 с.

2.Нейрокомпьютеры и интеллектуальные роботы / Амосов Н.М., Байдык Т.Н., Гольцев А.Д. и др.; под ред. Амосова Н.М.-Киев: Наукова думка, 1991.-272 с.

3.Boseniuk T., van der Meer M., Poschel T. A Multiprocessor system for high speed simulation of neural networks.-Journal of New Generation Computer Systems.-1990, № 3.-pp. 65-71.

4.Neural Network Toolbox User’s Guide / Demuth H., Beale M.- Natick: MathWorks Inc, 1997.- 700 p.

5.Васильев В.Н., Гуров И.П. Компьютерная обработка сигналов в приложении к интерферометрическим системам.-Спб.:БХВ-Санкт-Петербург,1998.-240с