PL EN


Preferencje help
Widoczny [Schowaj] Abstrakt
Liczba wyników
Tytuł artykułu

ANN-based failure modeling of classes of aircraft engine components using radial basis functions

Treść / Zawartość
Identyfikatory
Warianty tytułu
PL
Modelowanie uszkodzeń elementów silnika samolotowego w oparciu o sztuczne sieci neuronowe o radialnych funkcjach bazowych
Języki publikacji
EN
Abstrakty
EN
The objective of this research is to present a model to predict failure of two categories of critical aircraft engine components; nonrotating components such as valves and gearboxes, and rotating components such as engine turbines. The work utilizes Weibull regression and artificial neural networks employing Back Propagation (BP) as well as Radial Basis Functions (RBF). The model utilizes training failure data collected from operators of turboprop aircraft working in harsh desert conditions, where sand erosion is a detrimental factor in reducing turbine life. Accordingly, the model is more suited for accurate prediction of life of critical components of such engines. The algorithm, which uses Radial Basis Function (RBF) NN, uses a closest point specifier. The activation is based on the deviation of the earlier prototype from the input vector. Two earlier models are used for comparison purposes; namely Weibull regression modeling and Feed-Forward BP network. Comparison results show that the failure times represented by RBF are in better compromise with actual failure data than both earlier modeling methods. Moreover, the technique has comparatively higher efficiency as the neuron’s number in each layer of ANN is reduced, to decrease computation time, with minimum effect on the accuracy of results.
PL
Celem pracy jest przedstawienie modelu służącego do predykcji uszkodzeń dwóch kategorii krytycznych elementów silnika samolotowego: elementów nieobrotowych, takich jak zawory i skrzynie biegów oraz elementów obrotowych, takich jak turbiny silnika. W pracy wykorzystano regresję Weibulla i sztuczne sieci neuronowe oparte na propagacji wstecznej oraz radialnych funkcjach bazowych (RBF). Model wykorzystuje dane o błędach zebrane od operatorów samolotów turbośmigłowych pracujących w trudnych warunkach pustynnych, gdzie erozja powodowana przez piasek stanowi szkodliwy czynnik ograniczający żywotność turbin. Prezentowany model jest więc szczególnie przydatny do trafnego prognozowania żywotności krytycznych elementów takich silników. Algorytm, który wykorzystuje sieci neuronowe o radialnych funkcjach bazowych, używa specyfikatora najbliższego punktu. Aktywacja bazuje na odchyleniu wcześniejszego prototypu od wektora wejściowego. Dwa wcześniejsze modele oparte na regresji Weibulla (Weibull regression modeling) oraz sieciach typu Feed-Forward Backpropagation wykorzystano do badań porównawczych. Wyniki porównania pokazują, że czasy uszkodzeń odwzorowane przez RBF pozostają w większej zgodzie z rzeczywistymi danymi o uszkodzeniach niż w przypadku obu wcześniejszych metod modelowania. Co więcej, technika ta ma porównywalnie większą efektywność, ponieważ liczba neuronów w każdej warstwie sieci neuronowej została zredukowana tak aby zmniejszyć czas obliczeń, przy minimalnym wpływie na dokładność wyników.
Rocznik
Strony
311--317
Opis fizyczny
Bibliogr. 21 poz., rys., tab.
Twórcy
  • Department of Aerospace Engineering King Fahd University of Petroleum and Minerals Dhahran, 31261, Saudi Arabia
  • Department of Aerospace Engineering King Fahd University of Petroleum and Minerals Dhahran, 31261, Saudi Arabia
  • Department of Aerospace Engineering King Fahd University of Petroleum and Minerals Dhahran, 31261, Saudi Arabia
Bibliografia
  • 1 Abdelrahman W G, Al-Garni A Z, Al-Wadiee W. Application of back propagation neural network algorithms on modeling failure of B-737 bleed air system valves in desert conditions. Applied Mechanics and Materials 2012; 225: 505-510, https://doi.org/10.4028/www.scientific.net/AMM.225.505.
  • 2. Al-Garni A Z, Ahmed S, Siddiqui M. Modeling failure rate for Fokker F-27 tires using neural network. Transactions – Japan Society for Aeronautical and Space Sciences 1998; 41: 29-37.
  • 3. Al-Garni A Z, Jamal A, Ahmad A, Al-Garni A, Tozan M. Failure-rate prediction for De Havilland Dash-8 tires employing neural network technique. AIAA Journal of Aircraft 2006; 43(2): 537-543, https://doi.org/10.2514/1.16609.
  • 4. Al-Garni A Z, Tozan M, Al-Garni A, Jamal A. Failure forecasting of aircraft air conditioning/cooling pack with field data. Journal of Aircraft 2007; 44(3): 996-1002, https://doi.org/10.2514/1.26561.
  • 5. Al-Qutub A, Al-Garni A Z. Comparison between neural network and Weibull models for failure of Boeing 737 engines. Transactions of the Japan Society for Aeronautical and Space Sciences 1999; 42(137):128-134.
  • 6. Al-Wadiee W. Back propagation neural network algorithms on modeling failure of B-737 bleed air system valves in desert conditions. MS Thesis: King Fahd University of Petroleum and Minerals, 2011.
  • 7. Bin G, Gao J, Li X, Dhillon B. Early fault diagnosis of rotating machinery based on wavelet packets—Empirical mode decomposition feature extraction and neural network. Mechanical Systems and Signal Processing 2012; 27: 696-711, https://doi.org/10.1016/j.ymssp.2011.08.002.
  • 8. Broomhead D, Lowe D. Multivariable function interpolation and adaptive networks. Computer Systems 1988; 2: 321–355.
  • 9. Hopfield J. Neural networks and physical systems with emergent collective computational abilities. Proceedings of the National Academy of Sciences 1982; 79(8): 2554-2558, https://doi.org/10.1073/pnas.79.8.2554.
  • 10. Kutsurelis J. Forecasting financial markets using neural networks: An analysis of methods and accuracy. PhD dissertation: Naval Postgraduate School, 1998.
  • 11. Lin X S, Li B W, Yang X. Engine components fault diagnosis using an improved method of deep belief networks. 7th International Conference on Mechanical and Aerospace Engineering (ICMAE) 2016; 18-20 July 2016, https://doi.org/10.1109/ICMAE.2016.7549583.
  • 12. Nieto P G, García-Gonzalo E, Lasheras F S, de Cos Juez, F J. Hybrid PSO–SVM-based method for forecasting of the remaining useful life for aircraft engines and evaluation of its reliability. Reliability Engineering & System Safety 2015; 138: 219-231, https://doi.org/10.1016/j.ress.2015.02.001.
  • 13. Parker D. Learning logic. Technical Report TR-87. Cambridge, MA: Center for Computational Research in Economics and Management Science MIT, 1985.
  • 14. Paul S, Kapoor K, Jasani, D, Dudhwewala R, Gowda V B, Nair T R. Application of artificial neural networks in aircraft maintenance, repair and overhaul solutions. arXiv preprint arXiv:1001.3741, 2010.
  • 15. Qattan N A. Reliability analysis of C-130 turboprop engine components using artificial neural network. PhD dissertation: King Fahd University of Petroleum and Minerals, 2013.
  • 16. Sheikh A K, Al-Garni, A Z, Affan Badar M. Reliability analysis of aeroplane tyres. International Journal of Quality & Reliability Management 1996; 13(8): 28-38, https://doi.org/10.1108/02656719610128475.
  • 17. Tian Z. An artificial neural network method for remaining useful life prediction of equipment subject to condition monitoring. Journal of Intelligent Manufacturing 2012; 23(2): 227-237, https://doi.org/10.1007/s10845-009-0356-9.
  • 18. Tozan M, Al-Garni A Z, Jamal A. Failure Distribution Modeling for Planned Replacement of Aircraft Auxiliary Power Unit Oil Pumps. Maintenance Journal 2006; 19(1): 60-69.
  • 19. Vanini Z S, Khorasani K, Meskin N. Fault detection and isolation of a dual spool gas turbine engine using dynamic neural networks and multiple model approach. Information Sciences 2014; 259: 234-251, https://doi.org/10.1016/j.ins.2013.05.032.
  • 20. Wang Z, Wang P. A new approach for reliability analysis with time-variant performance characteristics. Reliability Engineering & System Safety 2013; 115:70-81, https://doi.org/10.1016/j.ress.2013.02.017.
  • 21. Zaretsky E Y. Fatigue criterion to system design, life, and reliability. Journal of Propulsion and Power 1987; 3(1): 76-83, https://doi.org/10.2514/3.22955.
Typ dokumentu
Bibliografia
Identyfikator YADDA
bwmeta1.element.baztech-1aa3c0fa-32ac-4076-8262-cdfcbdf95dfb
JavaScript jest wyłączony w Twojej przeglądarce internetowej. Włącz go, a następnie odśwież stronę, aby móc w pełni z niej korzystać.