CC BY
119
УДК 004.056.3
НЕЙРОСЕТЕВАЯ МОДЕЛЬ ДАТЧИКА ДАВЛЕНИЯ В КАМЕРЕ СГОРАНИЯ ДЛЯ НАЗЕМНЫХ ОГНЕВЫХ ИСПЫТАНИЙ ЖРД И.Л. Каширина, И.Я. Львович, А.А.Тузиков
В статье рассматривается проблема повышения надежности системы регулирования тяги жидкостного ракетного двигателя при наземных испытаниях. Предлагается реализация системы регулирования по мажоритарному принципу "2 из 3-х" для датчиков обратной связи. Избыточность "2 из 3-х" реализуется с помощью двух датчиков давления в камере сгорания. В качестве третьего датчика используется нейронная сеть в виде многослойного персептрона
Ключевые слова: жидкостный ракетный двигатель, серийные огневые испытания, нейросетевая модель
Наземные огневые испытания жидкостных ракетных двигателей (ЖРД) имеют ряд специфических особенностей, связанных условиями эксплуатации и сложностью технологического процесса:
1. Кратковременность. Продолжительность работы ЖРД при огневом испытании не превышает нескольких минут. За это время производится запуск двигателя, работа на нескольких режимах по давлению в камере сгорания рк и соотношению компонентов к, выключение двигателя.
2. Высокая стоимость испытаний. Связана,
как правило, с большими расходами компонентов топлива, а также уникальностью испытательного оборудования. Высокая стоимость испытаний определяет жесткие требования к надежности информационно-управляющей системы
испытательного стенда.
Одним из важнейших параметров ЖРД является тяга, поэтому ее определение в зависимости от различных режимных и эксплуатационных факторов является основной задачей испытаний. Прямое измерение тяги не всегда бывает возможно в наземных стендовых условиях, поэтому часто тягу для расчетной высоты определяют косвенным методом через давление в камере сгорания рк[1].
В процессе полета космического аппарата невозможно использовать аэродинамические органы управления, поэтому ЖРД является единственным объектом, способным изменять вектор тяги. Кроме управления вектором тяги, ЖРД выполняет еще и функцию устройства, обеспечивающего
одновременное опорожнение баков с компонентами [2]. Для этого ЖРД оснащается специальной системой опорожнения баков (СОБ). Система СОБ, управляя дросселем, установленном в одном из
Каширина Ирина Леонидовна - ВГУ, канд. техн.
наук, доцент, тел.(4732) 96-33-56
Львович Игорь Яковлевич - ВГТУ, д-р техн. наук,
профессор, тел. (4732) 46-76-99
Тузиков Александр Александрович - ВГТУ,
аспирант, тел. (4732) 54-88-63
основных трактов ЖРД изменяет соотношение компонентов в камере сгорания, тем самым изменяя темп их расходования. Управление дросселем производится с помощью электропривода.
Некоторые из систем управления двигательной установкой (газовыми рулями, вдувом,
поворотными камерами) не влияют на процессы, происходящие внутри ЖРД. Другие системы (с рассогласованием тяги, СОБ) изменяют режим работы ЖРД. К таким системам относится система регулирования кажущейся скорости (РКС), которая использует ЖРД как исполнительный орган, изменяющий уровень тяги [2]. Система РКС при помощи электропривода управляет регулятором, установленным по линии питания газогенератора окислителем.
К серийным огневым испытаниям ЖРД относятся, как правило, контрольно-выборочные или контрольно-технологические. В зависимости от задания огневые испытания проводят по специальным программам (циклограммам). Как уже было отмечено выше, основной задачей огневого испытания ЖРД является проверка его работы на нескольких режимах по давлению в камере сгорания рк и соотношению компонентов к.
На рис.1 приведен пример программы изменения положения исполнительных органов регулятора РКС (фРКС) и дроссельного крана СОБ(«сов).
Рис.1. Пример циклограммы регулирования СОБ-РКС
Программа составлена таким образом, чтобы пройти все крайние точки так называемого рабочего квадрата [1] (рис.2).
Рис.2. Рабочий квадрат
На площадках а и б (см. рис.1, 2) производятся перекладки регулятора, имитирующие работу автомата стабилизации. С точки зрения процесса регулирования эти режимы (ФОРСИРОВАНИЕ, ДРОССЕЛИРОВАНИЕ и возврат в НОМИНАЛ) являются наиболее интересными, так как управление системой РКС осуществляется по обратной связи от датчика давления в камере сгорания (рк).
Пример регулирования давления в камере сгорания (ри) показан на рис.З.
1 : ~--Г- і :
:г: ■ Г?** +~~~ *— ~
: :п -Щ — ::::::: ;±;;; і:::::: .......
Рис.3. Процесс регулирования давления в камере сгорания
Стендовая информационно-управляющая система (ИУС) представляет собой совокупность средств измерений и устройств автоматики, объединенных общим алгоритмом
функционирования и предназначенных для получения информации от двигателя и стендовых систем, ее преобразования для непосредственного восприятия человеком, а также для использования для управления режимами двигателя.
На рисунке 4 представлена структурная схема измерительного тракта давления в камере сгорания (Рк).
Рис.4. Структура измерительного тракта
Сигнал от датчика через стендовый удлинитель и коммутационную коробку по стационарному кабелю подается на вторичный преобразователь-нормализатор. Обычно сигнал от датчика давления находится в диапазоне до 30В. В этом случае необходима нормализация сигнала к измерительному диапазону аналогово-цифрового преобразователя (обычно 5 или 10В).
Преобразователь-нормализатор питается вторичным источником питания. Как видно из рисунка 4, измерительный тракт состоит как минимум из семи звеньев, отказ любого из которых приводит к потере сигнала обратной связи.
С целью повышения надежности датчик рк обычно выполнен по дублированной схеме. Однако, для использования двух датчиков в обратной связи системы РКС необходимы весьма сложные алгоритмы для выявления параметрических отказов. Более простым и эффективным является метод мажоритарного контроля (по алгоритму 2 из 3-х). В этом случае необходим дополнительный (третий) канал измерения в виде математической модели. С этой целью было решено использовать нейросетевую модель. Нейронная сеть будет осуществлять нелинейную регрессию, то есть оценку значения выходной переменной по значениям входных переменных (рис 5).
давление в камере сгорания рх
Рис.5. Нейросетевая модель датчика давления.
В качестве базовой архитектуры нейронной сети был выбран многослойный персептрон, параметры которого (количество слоев, размеры скрытых слоев, алгоритм обучения) определялись в процессе масштабного тестирования,
осуществленного с помощью нейросетевого модуля пакета 81аЙ8Иса 7.0. Наилучшие результаты показала трехслойная сеть вида 3-7-7-1 (3 входа, по 7 нейронов в первом и во втором слое, 1 выход), использующая алгоритмом обратного
распространения ошибки. Эта сеть была обучена на данных одного из контрольно-выборочных испытаний и в процессе тестирования показала очень высокие результаты.
На рис. 6 приведены величины ошибок сети на обучающей, тестовой и валидационной выборках (они практически не отличаются), остальные результаты приведены в таблице 1. К ним относятся среднее значение и стандартное отклонение, вычисленные для обучающих данных и для ошибки прогноза.
Рго'11е : Ы1_Р 3:3^7-т-- . |т1ех= 7 . Тга1п РегГ = -3.-20-31
Рег--. = Э.120ЭВ6 . Рег-'. = -Э.-2-025
Таблица 1
Среднее значение данных -0,026689
Стандартное отклонение данных 3,824522
Среднее значение ошибки прогноза -0,005719
Стандартное отклонение ошибки прогноза 0,461099
Среднее значение абсолютной ошибки прогноза 0,272050
Отношение станд. откл. ошибки к станд. откл. данных 0,120564
Корреляция исходных и моделируемых данных 0,992728
В общем случае среднее значение ошибки прогноза должно быть очень близко к нулю. Наиболее важным показателем является стандартное отклонение ошибки прогноза. Если оно
существенно меньше стандартного отклонения обучающих данных, это означает, что сеть работает значительно лучше, чем простая оценка по среднему. Далее, в пакете БТЛТШТЮЛ Нейронные Сети пользователю выдается отношение стандартного отклонения ошибки прогноза к стандартному отклонению обучающих данных. Если оно существенно меньше единицы (например, ниже 0.15), то это также говорит о хорошем качестве регрессии [3]. Величину единица минус это регрессионное отношение иногда называют долей объясненной дисперсии модели.
Результаты моделирования были проверены на данных еще 3-х контрольно-выборочных испытаний и везде были получены высокие результаты. Однако, оказалось, что эта сеть не обладает достаточной универсальностью в том смысле, что при использовании ее для моделирования датчика давления испытаний другого вида (контрольнотехнологических) точность существенно снизилась. На рис.7 серым цветом представлены смоделированные нейронной сетью 3-7-7-1 значения датчика для контрольно-технологических
испытаний, черным цветом - истинные значения датчика.
Рис.7. Истинные и смоделированные сетью 37-7-1 значения датчика давления для контрольнотехнологического испытания
Включать в обучающую выборку данные по испытаниям всех видов нецелесообразно, так как они имеют слишком большой объем (до 28000 значений для каждого испытания).
В результате повторного анализа наибольшую универсальность проявила сеть достаточно простой архитектуры. У нее 2 входа вместо трех (угол СОБ и угол РКС), 6 нейронов в единственном скрытом слое и один выход рк. (рис. 8)
Время оказалось лишним фактором, так как контрольно-технологические испытания короче (и показатель давления имеет несколько иную зависимость от времени, чем в контрольно -выборочных испытаниях). Обучалась эта сеть также
по методу обратного распространения ошибки (снова на данных одного из контрольновыборочных испытаний), при этом погрешность на данных других испытаний такого же типа была несколько больше, чем у первой сети (На рис. 8 приведены величины ошибок на обучающей, тестовой и валидационной выборках, которые выше, чем соответствующие значения для сети 3-7-7-1).
Protile : MLR 2.2-6-1.1 . Index = 8 Train Perf. =0,131309 , Select Perl. = 0.127927 . Test Pert. = 0,136929
Рис.8. Сеть вида 2-6-1
На рис. 9 серым цветом приведены
смоделированные нейронной сетью значения датчика давления для испытаний того же типа, что и в обучающей выборке (поверх истинных значений, показанных черным цветом). На рис.10 серым цветом представлены значения датчика на контрольно-технологическом испытании,
смоделированные нейронной сетью, обученной на контрольно-выборочном испытании. Погрешность в обоих случаях не превышает допустимых норм.
Рис.9. Истинные и смоделированные сетью 26-1 значения датчика давления для контрольновыборочного испытания
Рис.10. Истинные и смоделированные сетью 2-6-1 значения датчика давления для контрольнотехнологического испытания
Статья выполнена в рамках научноисследовательских работ по теме: «Разработка
поисковой среды интеллектуальной поддержки проектно-производственного процесса освоения инвестиций в создание жидкостных ракетных двигателей»
Литература
1. Испытания жидкостных ракетных двигателей. Учеб. пособие для авиац. специальностей вузов под. ред. В.З.Левина-М.:Машиностроение, 1981 .-199с., ил.
2. Гликман Б.Ф. Автоматическое регулирование жидкостных ракетных двигателей. -2-е изд., перераб. и доп./ Б.Ф. Гликман,- М.:Машиностроение, 1989.-296с.
3. Нейронные сети. Statistica Neural Networks: Методология и технологии современного анализа данных/ Под ред. В.П. Боровикова.-М.: Горячая линия-Телеком, 2008.-392 с.
Воронежский государственный технический университет Воронежский государственный университет
MODEL ON THE BASIS OF THE NEURAL NETWORK FOR THE PRESSURE SENSOR IN THE CAMERA OF COMBUSTION FOR TERRESTRIAL FIRE TESTS OF LRE
I.L. Kashirina, I.Y. Lvovich, A.A.Tuzikov
This article considers the problem of the reliability increase of the traction regulation system of the liquid-propellant rocket engine at the aboveground tests. In this article an realization of the regulation system by a majority principle "2 out of 3" for feedback gages is offered. The redundancy "2 out of 3" is implemented by the two pressure gages in the combustion chamber. The neural network in form of multi-layered perceptron is used as the third gage
Key words: the liquid rocket engine, serial fire tests, model on the basis of the neural network
