Динамическая модель газотурбинного двигателя на основе структуры LSTM с изменяемой памятью

А. В. Кузнецов, Г. М. Макарьянц

Аннотация


Основным способом повышения эффективности газотурбинных двигателей является увеличение параметров цикла. Однако рост степени повышения температуры и давления по тракту двигателя приводит к усилению тепловой нагрузки на лопатки соплового аппарата турбины, что значительно снижает ресурс. Задача сохранения ресурса особенно важна для малоразмерных газотурбинных двигателей, поскольку их ограниченные габариты не позволяют реализовать многие мероприятия по охлаждению лопаток соплового аппарата. В сложившихся условиях возрастает роль контроля тепловой нагруженности элементов таких двигателей, что ужесточает требования к точности управления по основным регулируемым параметрам (оборотам ротора двигателя и температуре газа за турбиной). Повышение качества управления в современных газотурбинных двигателях решается за счёт использования бортовых математических моделей двигателя. Рабочие процессы, описываемые такими моделями, характеризуются быстротечностью и значительным перерегулированием, что предъявляет высокие требования к точности моделирования. Однако вопросы точного и в то же время ресурсосберегающего расчёта быстропеременных процессов изменения оборотов ротора и температуры газа за турбиной остаются малоизученными. В работе использовались нейросетевые методы для моделирования нестационарных режимов малоразмерных газотурбинных двигателей. С использованием данных, полученных в результате огневых испытаний двигателя JetCat P-60, создана его регрессионная нейросетевая модель. Главным вопросом, возникшим при создании модели, было описание динамики быстропеременных процессов с ярко выраженным перерегулированием. Для этого была проведена модификация архитектуры классической LSTM сети, суть которой сводилась к добавлению функциональной зависимости выходного узла от тензора памяти. Это позволило сделать размер памяти независимым от количества выходов модели и тем самым повысило точность моделирования. Разработанной архитектуре было предложено новое название – VMLSTM сеть. В результате сравнения с традиционной сетью Элмана и классической LSTM сетью разработанная VMLSTM сеть показала наименьшее значение средней ошибки при сопоставимом количестве изменяемых параметров модели. Кроме этого, в отличие от существующих нейросетей, разработанная сеть продемонстрировала возможность моделирования забросов температуры газа за турбиной в моменты изменения режима работы двигателя. Разработанная архитектура нейросети повысила достоверность моделирования динамики малоразмерного газотурбинного двигателя как объекта управления, что в условиях экономного использования вычислительных ресурсов открыло возможности её применения в бортовых электронно-вычислительных машинах.


Ключ. слова


Малоразмерный газотурбинный двигатель; моделирование переходных процессов; рекуррентные нейронные сети; LSTM с вариативной памятью

Полный текст:

PDF

Список литературы

1. Гуревич О.С. Системы автоматического управления авиационными ГТД: энциклопедический справочник. М.: Торус Пресс, 2011. 208 с.

2. Jaw L., Mattingly J. Aircraft engine controls. Reston, Va: American Institute of Aeronautics and Astronautics, Inc., 2009. 364 p.

3. Гольберг Ф.Д., Батенин А.В. Математические модели газотурбинных двигателей как объектов управления. М.: Московский авиационный институт, 1999. 79 с.

4. Интегральные системы автоматического управления силовыми установками самолёта / под ред. А.А. Шевякова. М.: Машиностроение, 1983. 283 с.

5. Шевяков А.А. Системы автоматического управления авиационными воздушно-реактивными силовыми установками. М.: Машиностроение, 1992. 424 с.

6. Теория автоматического управления силовыми установками летательных аппаратов / под ред. А.А. Шевякова. М.: Машиностроение, 1976. 344 с.

7. Badami M., Ferrero M.G., Portoraro A. Dynamic parsimonious model and experimental validation of a gas microturbine at part-load conditions // Applied Thermal Engineering. 2015. V. 75. P. 14-23. DOI: 10.1016/j.applthermaleng.2014.10.047

8. Arsalis A. Thermoeconomic modeling and parametric study of hybrid SOFC–gas turbine-steam turbine power plants ranging from 1.5 to 10MWe // Journal of Power Sources. 2008. V. 181, Iss. 2. P. 313-326. DOI: 10.1016/j.jpowsour.2007.11.104

9. Ахмедзянов Д.А. Неустановившиеся режимы работы авиационных ГТД // Вестник Уфимского государственного авиационно-технического университета. 2006. Т. 7, № 1 (14). С. 36-46.

10. Грасько Т.В., Маяцкий С.А. Методика анализа процессов горения в регулируемой основной камере сгорания перспективного газотурбинного двигателя численными методами // Вестник Уфимского государственного авиационно-технического университета. 2014. Т. 18, № 3 (64). С. 23-29.

11. Максимов А.В., Киселёв Е.А., Кургалин С.Д., Зуев С.А. Математическая модель, описывающая динамику воздушных потоков в турбинном спирометре // Труды Института системного программирования РАН. 2019. Т. 31, № 1. С. 105-114. DOI: 10.15514/ISPRAS-2019-31(1)-7

12. Бирюков Р.В., Киселёв Ю.В. Эмпирическая модель теплового состояния роторных подшипников и масляной системы ГТД // Известия Самарского научного центра РАН. 2016. Т. 18, № 2 (3). С. 848-852.

13. Asgari H., Chen X.Q., Morini M., Pinelli M., Sainudin R., Spina P.R., Venturini M. NARX models for simulation of the start-up operation of a singleshaft gas turbine // Applied Thermal Engineering. 2016. V. 93. P. 368-376. DOI: 10.1016/j.applthermaleng.2015.09.074

14. Nikpey H., Assadi M., Breuhaus P. Development of an optimized artificial neural network model for combined heat and power micro gas turbines // Applied Energy. 2013. V. 108. P. 137-148. DOI: 10.1016/j.apenergy.2013.03.016

15. Ali Lilo M., Latiff L.A., Abu A.B.H., Al Mashhadany Y.I., Ilijan A.K. Gas Turbine bearing and vibration classification of using multi-layer Neural Network // 2015 International Conference on Smart Sensors and Application (ICSSA) (May, 26-28, 2015, Kuala Lumpur, Malaysia). 2015. P. 20-23. DOI: 10.1109/ICSSA.2015.7322503

16. Elman J.L. Finding structure in time // Cognitive science. 1990. V. 14, Iss. 2. P. 179-211. DOI: 10.1016/0364-0213(90)90002-E

17. Jordan M.I. Serial order: A parallel distributed processing approach // Advances in Psychology. 1997. V. 121. P. 471-495. DOI: 10.1016/s0166-4115(97)80111-2

18. Siegelmann H.T., Horne B.G., Giles C.L. Computational capabilities of recurrent NARX neural networks // IEEE Transactions on Systems, Man and Cybernetics, Part B (Cybernetics). 1997. V. 27, Iss 2. P. 208-215. DOI: 10.1109/3477.558801

19. Hochreiter S., Schmidhuber J. Long short-term memory. Tech. Rep. no. FKI-207-95. Fakultat fur Informatik, Technische Universitat Munchen, 1995.

20. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. 1997. V. 9, Iss. 8. P. 1735-1780. DOI: 10.1162/neco.1997.9.8.1735

21. Gers F.A., Schmidhuber J., Cummins F. Learning to forget: continual prediction with LSTM // Neural Computation. 2000. V. 12, Iss. 10. P. 2451-2471. DOI: 10.1162/089976600300015015

22. Gers F.A., Schmidhuber J. Recurrent nets that time and count // Proceedings of the IEEE-INNS-ENNS International Joint Conference on Neural Networks. IJCNN 2000. Neural Computing: New Challenges and Perspectives for the New Millennium (July, 25-27, 2000, Como, Italy). 2000. DOI: 10.1109/ijcnn.2000.861302

23. Greff K., Srivastava R.K., Koutnik J., Steunebrink B.R., Schmidhuber J. LSTM: A search space Odyssey // IEEE Transactions on Neural Networks and Learning Systems. 2017. V. 28, Iss. 10. P. 2222-2232. DOI: 10.1109/tnnls.2016.2582924


DOI: http://dx.doi.org/10.18287/2541-7533-2020-19-2-38-52

Ссылки

  • Ссылки не определены.


© Вестник Самарского университета. Аэрокосмическая техника, технологии и машиностроение, 2020

 

Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 International License.

 

ISSN: 2541-7533