ساخت یک مدل عیب‌یاب بر پایة شبکة عصبی برای یک موتور سوخت مایع با سامانة داده‌برداری معیوب

خدادادیان, سجاد; فرخی, رضا; رمش, داوود

ساخت یک مدل عیب‌یاب بر پایة شبکة عصبی برای یک موتور سوخت مایع با سامانة داده‌برداری معیوب

نویسندگان

سجاد خدادادیان

رضا فرخی

داوود رمش

چکیده

هدف اصلی این مقاله، ارائة روشی مبتنی بر شبکة‌ عصبی هوشمند همراه با شبیه‌سازی دینامیکی برپایة تحلیل‌های ریاضی برای عیب‌یابی موتور سوخت مایعی است که امکان وجود اختلال در سامانة داده‌برداری آن وجود دارد. عیب، به شکل وقوع گرفتگی در مسیرهای متفاوت موتور و اختلال در سامانة داده‌برداری به صورت وجود اغتشاش در اندازه‌گیری یک پارامتر خروجی از موتور مدل می‌شود. نقطة کلیدی این طرح، به‌کارگیریشبکه‌های عصبی موازی چند لایة «پیشخور» در تشخیص محل وقوع و میزان عیب،با استفاده از پارامترهای خروجی سامانة داده‌برداری معیوب است. شبیه‌سازی دینامیکی موتور انجام شده است تا به‌وسیلة آن بتوان به داده‌های مورد نیاز برای آموزش شبکة عصبی دست یافت. از یک الگوریتم فیلترینگ برای شناسایی و حذف داده اغتشاشی استفاده شده است. الگوریتم، ماتریس دادة تشکیل شده را به عنوان ورودی برای شبکة عصبی در نظر می‌گیرد که با داده‌هایی از همان جنس آموزش دیده است. روش عیب‌یابی مورد نظر، به‌وسیلة داده‌های آزمایشگاهی یک موتور سوخت مایع اعتبارسنجی شده است.

کلیدواژه‌ها

عیبیابی

شبکة عصبی

موتور سوخت مایع

سیستم دیتابرداری معیوب

Yam L.H., Yan Y.J. and Jiang J.S., “Vibration-Based Damage Detection for Composite Structures Using Wavelet Transform and Neural Network Identification,” Composite Structures, Vol. 60, Issue 4, 2003, pp. 403-412.
Hua, Y.F., Bing, L.H. and Jin, T.G., “Application of Neural Network Ensemble for Structural Damage Detection,” Journal of Jilin University (Engineering and Technology Edition), 37, Issue 2, 2007, pp. 438-441.
Wu, J.D. and Chan, J.J., “Faulted Gear Identification of a Rotating Machinery Based on Wavelet Transform and Artificial Neural Network,” Expert Systems with Applications, 36, Issue 5, 2009, pp. 8862–8875.
Rajakarunakaran, S., Venkumar, P., Devaraj, D. and Surya Prakasa Rao K., “Artificial Neural Network Approach for Fault Detection in Rotary System,” Artificial Neural Network Approach for Fault Detection in Rotary, 8, Issue 1, 2008, pp. 740–748.
Wu, J.D., Huang, C.K., Chang,Y.W. and Shiao, Y.J., “Fault Diagnosis for Internal Combustion Engines using Intake Manifold Pressure and Artificial Neural Network,” Expert Systems with Applications, Vol. 37, Issue 2, 2010, pp. 949-958.
Talebi, H.A., “A Recurrent Neural-Network-Based Sensor and Actuator Fault Detection and Isolation for Nonlinear Subsystem,” IEEE Transactions on Neural Networks, Vol. 20, Issue 1, 2009, pp. 45 – 60.
Dervilis, N., Barthorpe, R.J., Antoniadou, I., Staszewski, W.J. and Worden, K., “Damage Detection in Carbon Composite Material Typical of Wind Turbine Blades Using Auto-Associative Neural Networks,” (Proceedings Paper), Health Monitoring of Structural and Biological Systems, 8348, 2012.
Farrokhi, R. and Ramesh, D., “Nonlinear Dynamic Simulation of Liquid Propellant Engine with Four Combustion Chamber,” 15^th International Conference of Mechanical Engineering, Amirkabir University, Tehran, 2007.
Manfletti, Ch., “Transient Simulation of Liquid Rocket Engines: A Step Towards a More Educated Propellant Choice between Kerosene and Methane,” 2^nd International Conference on Green Propellants for Space Propulsion, Cagliari, Sardinia, Italy, ESA, 2004.
Beliaev, Chevanov, V., Chervakov, V., “Mathematical Modeling of Operating Process of Liquid Propellant Rocket Engines”, In Russian, 1999.
Ramesh D., Aminpour M., “Nonlinear Dynamic Simulation of Liquid Propellant Engine,” 2^nd International Conference of Aerospace Engineering,
Kurkova, V., “Kolmogorov’s Theorem and Multilayer Neural Networks”, Neural Networks, Vol. 5, No. 3, 1992, 501–506.
Snorek, M., Neural Networks and Neurocomputers, Vydavatelstvi, CVUT, Prague, Czech Republic, 2002.
Singh, V., Gupta, I. and Gupta, H.O., “ANN-Based Estimator for Distillation Using Levenberg-Marquardt Approach,” Engineering Applications of Artificial Intelligence 20, 2007, pp. 249–259.