Нейросетевой имитатор газотурбинных двигателей для прототипирования и отладки систем управления неустановившимися режимами

Рассмотрен принцип создания нейросетевого имитатора газотурбинных двигателей в виде рекуррентных нейронных сетей и их применение в полунатурном моделировании для тестирования и отладки систем автоматического управления, контроля и диагностики. Проведено сравнение нейросетевых имитаторов на базе архитектур NARX и GRU. Описана методика построения нейросетевого имитатора (модели) газотурбинной установки и ее реализация на стенде полунатурного моделирования. Полунатурное моделирование используется для прототипирования, испытаний и сертификации разрабатываемых изделий (физических объектов) с комплексом математических моделей, где реальные системы сопряжены с виртуальными моделями, в составе которого они находятся. В работе представлены результаты полунатурного моделирования параметров газотурбинного двигателя с реальной системой автоматического управления, контроля и диагностики двигателя для режимов запуска, на земле и в полете. Проведен анализ точности и адекватности рассмотренных моделей. Подтверждена точность, необходимая для решения задач управления и формирования требований к агрегатам электронных систем управления. Подход на основе интеллектуального моделирования может быть использован для создания полноценных (комплексных) цифровых двойников, где модель физических процессов и поведения объекта на основе рекуррентных нейронных сетей может быть подключена к трехмерному твердотельному моделированию для решения задач анализа и синтеза объекта, его оптимизации и повышения надежности. Развитие таких технологий позволяет создавать интеллектуальные модели, которые могут быть использованы в цифровых двойниках сложных технических систем

1. Prokhorov A., Lysachev M., Borov kov A. Digital twin. Analysis, trends, world experience, Moscow, LLC "AlliancePrint", 2020. 401 p. (in Russian).

2. Fuller A., Fan Z., Day C., Barlow C. Digital twin: Enabling technologies, challenges and open research, IEEE Access, 2020, vol. 8, pp. 108 952—108 971, available: https://doi.org/10.1109/access.2020.2998358

3. Zaccaria V., Stenfelt M., Aslanidou I., Kyprianidis K. G. Fleet Monitoring and Diagnostics Based on Digital Twin of Aero-Engines, GT2018-76414, ASME Turbo Expo 2018, 2018, Oslo, Norway.

4. Panov V., Cruz-Manzo S. Gas turbine performance digital twin for real-time embedded systems, ASME Turbo Expo 2020: Turbomachinery Technical Conference and Exposition, 2020, paper No: GT2020-14664, V005T05A010, 8 p., available: https://doi.org/10.1115/GT2020-14664

5. Zhou L., Wang H., Xu S. Aero-engine gas path system health assessment based on depth digital twin, Engineering Failure Analysis, 2022, vol. 142.

6. Jingkai Zh., Zhitao W., Shuying L., Pengfei W. A Digital Twin Approach for Gas Turbine Performance Based on Deep Multi-Model Fusion, available at http://dx.doi.org/10.2139/ssrn.4654368.

7. Lazzaretto A., Toffolo A. Analytical and neural network models for gas turbine design and off-design simulation, International Journal of Applied Thermodynamics, 2001, vol. 4, no. 4, pp. 173—182.

8. Basso M., Giarré L., Groppi S., Zappa G. NARX mo dels of an industrial power plant gas turbine, IEEE Transactions on Control Systems Technology, 2005, vol. 13, no. 4, pp. 599—604.

9. Baklacioglu T., Turan O., Aydin H. Dynamic modeling of exergy efficiency of turboprop engine components using hybrid genetic algorithm-artificial neural networks, Energy, 2015, vol. 86, pp. 709—721.

10. Asgari H., Xiaoqi Chen, Morini M., Pinelli M., Sainudiin R., Spina P. R., Venturini M. NARX models for simulation of the start-up operation of a single-shaft gas turbine, Applied Thermal Engineering, 2016, vol. 93, pp. 368—376.

11. Pogorelov G. I., Kulikov G. G., Abdulnagimov A. I., Badamshin B. I. Application of Neural Network Technology and High-performance Computing for Identification and Real-time Hardware-in-the-loop Simulation of Gas Turbine Engines, Procedia Engineering, 2017, vol. 176, pp. 402—408.

12. Chung J., Gulcehre C., Cho K., Bengio Y. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling, NIPS 2014 Workshop on Deep Learning, December 2014, 2014.

13. Cherkasov B. A. Automatics and control of jet engines. Textbook for high schools, Moscow, Mashinostrienie, 1988, 360 p. (in Russian).

14. Kulikov G., Thompson H. (Eds.). Dynamic modelling of gas turbines: identification, simulation, condition monitoring, and optimal control, London, New York, Springer, 2004, 309 p.

15. Moller M. F. A Scaled Conjugate Gradient Algorithm for Fast Supervised Learning, in Neural Networks, 1993, vol. 6, pp. 525—533.

16. Diederik K., Ba J. Adam: A method for stochastic optimization, 2014, arΧiv:1412.6980 [cs.LG].

17. Kulikov G. G., Arkov V. Yu., Fatikov V. S., Abdulnagimov A. I., Pogorelov G. I. Methodology of complex hardwarein- the-loop functional modelling of gas turbines and its systems, Vestnik of the Samara state aerospace university, 2009, no. 3-2 (19), pp. 392—400 (in Russian).

18. Beale M. H., Hagan M. T., Demuth H. B. Deep Learning Toolbox™ User’s Guide [Online], available at: https://www.mathworks.com/help/deeplearning/index.html (date of access: 01.07.2024).