PW206C 터보 축 엔진을 위해 신경회로망을 이용한 지능형 성능 진단 프로그램이 제안되었다. 이 엔진은 항공우주연구원에서 개발 중에 있는 틸트 로터 타입 스마트 무인기의 추진시스템으로 선정되었다. 1개의 은닉층, 입력층, 출력층을 가지는 BPN(Back Propagation Network)이 신경회로망을 학습시키기 위해 이용되었다 입력층은 7개의 뉴런을 가지는데 SHP, MF, PT2, TT2, PT4, TT4 및 TT5와 같은 측정파라미터이며 출력층은 6개의 뉴런으로 구성되어 있으며 각각은 압축기, 압축기 터빈, 동력 터빈의 유량함수 및 효율이다. 신경망을 훈련하고 테스트하기 위한 데이터 베이스는가스터빈 성능모사 프로그램을 이용하여 구성하였다. 훈련된 신경망을 PW206C 터보 축 엔진의 진단에 적용한 결과 제안된 진단 알고리즘이 압축기 오염과 압축기 터빈의 침식과 같은 단일 손상을 탐지하는데 유용함을 확인하였다.
PW206C 터보 축 엔진을 위해 신경회로망을 이용한 지능형 성능 진단 프로그램이 제안되었다. 이 엔진은 항공우주연구원에서 개발 중에 있는 틸트 로터 타입 스마트 무인기의 추진시스템으로 선정되었다. 1개의 은닉층, 입력층, 출력층을 가지는 BPN(Back Propagation Network)이 신경회로망을 학습시키기 위해 이용되었다 입력층은 7개의 뉴런을 가지는데 SHP, MF, PT2, TT2, PT4, TT4 및 TT5와 같은 측정파라미터이며 출력층은 6개의 뉴런으로 구성되어 있으며 각각은 압축기, 압축기 터빈, 동력 터빈의 유량함수 및 효율이다. 신경망을 훈련하고 테스트하기 위한 데이터 베이스는 가스터빈 성능모사 프로그램을 이용하여 구성하였다. 훈련된 신경망을 PW206C 터보 축 엔진의 진단에 적용한 결과 제안된 진단 알고리즘이 압축기 오염과 압축기 터빈의 침식과 같은 단일 손상을 탐지하는데 유용함을 확인하였다.
An intelligent performance diagnostic program using the Neural Network was proposed for PW206C turboshaft engine. It was selected as a power plant for the tilt rotor type Smart UAV(Unmanned Aerial Vehicle) which is being developed by KARI (Korea Aerospace Research Institute). For teeming the NN(Neur...
An intelligent performance diagnostic program using the Neural Network was proposed for PW206C turboshaft engine. It was selected as a power plant for the tilt rotor type Smart UAV(Unmanned Aerial Vehicle) which is being developed by KARI (Korea Aerospace Research Institute). For teeming the NN(Neural Network), a BPN(Back Propagation Network) with one hidden, one input and one output layer was used. The input layer has seven neurons: variations of measurement parameters such as SHP, MF, P2, T2, P4, T4 and T5, and the output layer uses 6 neurons: degradation ratios of flow capacities and efficiencies for compressor, compressor turbine and power turbine, respectively, Database for network teaming and test was constructed using a gas turbine performance simulation program. From application of the learned networks to diagnostics of the PW206C turboshaft engine, it was confirmed that the proposed diagnostics algorithm could detect well the single fault types such as compressor fouling and compressor turbine erosion.
An intelligent performance diagnostic program using the Neural Network was proposed for PW206C turboshaft engine. It was selected as a power plant for the tilt rotor type Smart UAV(Unmanned Aerial Vehicle) which is being developed by KARI (Korea Aerospace Research Institute). For teeming the NN(Neural Network), a BPN(Back Propagation Network) with one hidden, one input and one output layer was used. The input layer has seven neurons: variations of measurement parameters such as SHP, MF, P2, T2, P4, T4 and T5, and the output layer uses 6 neurons: degradation ratios of flow capacities and efficiencies for compressor, compressor turbine and power turbine, respectively, Database for network teaming and test was constructed using a gas turbine performance simulation program. From application of the learned networks to diagnostics of the PW206C turboshaft engine, it was confirmed that the proposed diagnostics algorithm could detect well the single fault types such as compressor fouling and compressor turbine erosion.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구에서는 개발 중인 스마트 무인기 추진시스템인 PW206C 엔진의 성능진단을 위해 정상 상태 성능해석 프로그램을 개발하고 신경회로망을 이용하여 압축기와 압축기 터빈의 손상을 진단할 수 있는 알고리즘을 제안하였다.
가설 설정
1) 전 구성품의 유량은 일정해야 한다.
2) 압축기와 같은 로터 축으로 연결된 압축기 터빈의 일은 같아야 한다.
3) 압축기와 같은 로터 축으로 연결된 터빈의 회전수는 같아야 한다.
4) 전 구성품의 성능은 구성품 성능도를 따른다.
제안 방법
개발된 정상상태 성능해석 프로그램을 이용하여 가상 엔진 손상에 대한 데이터를 획득하고 신경망을 이용하여 훈련하였다. 훈련에는 BPN(Back Propagation Network)를 적용하였으며 압축기와 압축기터빈의 단일 손상의 경우에 적용한 결과 오염과 침식의 손상을 효과적으로 탐지함을 확인할 수 있었다.
훈련하였다. 또한 오차가 감소되는 경우에만 가중치를 갱신하도록 하였다. 네트워크 출력값과목표값과의 오차는 다음과 같이 RMS로 정의하였다.
스마트 무인기용 PW206C 엔진은 지상 정지상태에서 최대 출력이 561hp로 제한하여 운용됨에 따라 Flat-rated 성능해석을 위해 출력이 561hp 를 초과하게 되면 가스발생기 회전수를 감소시키는 알고리즘을 추가하였다.
가스발생기 회전수와 고도 변화에 따른 성능 비교 결과 최대 오차율 3% 이내에서 잘 일치함을 확인할 수 있었다. 엔진의 축 마력이 지상 정지상태에서 561hp로 제한되는 특성에 따라 비행마하수가 증가함에 따라 오차율이 커졌으나 축마력이 제한값을 초과하게 되면 가스발생기 회전수를 감소시키는 알고리즘을 적용하여 프로그램의 신뢰성을 검증하였다.
제시하였다[1]. 이 방법은 고장 시 엔진 전체의 성능과 운용에 치명적인 영향을 미치는 주요구성품(압축기, 연소기, 터빈 등)의 상태를 정량적으로 분석하여 주요구성품의 상태를 진단하고 고장의 원인을 예측한다. 그 후로 GPA 기법의 성능을 향상시키기 위한 연구들이 활발히 진행되어 Esher(1995)는 선형 GPA 기법의 한계를 극복하기 위한 비선형 GPA 기법을 제안하고 임의 엔진에 적용할 수 있는 비선형 GPA 기법을 이용한 객체지향 프로그램을 개발하였다 [2].
대상 데이터
1 단 압축기 구동용 터빈, 1단 동력터빈, 애뉼러형 연소기 챔버로 구성되었다. PW206C 터보 축 엔진은 현재 한국항공우주연구원 (KARI : Korea Aerospace Research Institute) 에서 개발 중인 틸트 로터 타입 스마트 무인기의 추진기관으로 선정되었으며 Fig.
1 단 압축기 구동용 터빈, 1단 동력터빈, 애뉼러형 연소기 챔버로 구성되었다. PW206C 터보 축 엔진은 현재 한국항공우주연구원 (KARI : Korea Aerospace Research Institute) 에서 개발 중인 틸트 로터 타입 스마트 무인기의 추진기관으로 선정되었으며 Fig. 1은 이 엔진의 개략도이다.
연구대상 엔진은 Pratt-Whitney 사의 206C 분리 축 방식 터보축 엔진으로 1단 원심 압축기. 1 단 압축기 구동용 터빈, 1단 동력터빈, 애뉼러형 연소기 챔버로 구성되었다.
데이터처리
스마트 무인기용 추진시스템 PW206C 엔진의 정상 상대 성능해석 프로그램을 개발하고 해석 결과를 제작사에서 제공한 성능덱 해석 결과와 비교하였다. 가스발생기 회전수와 고도 변화에 따른 성능 비교 결과 최대 오차율 3% 이내에서 잘 일치함을 확인할 수 있었다.
이론/모형
압축기와 터빈의 단일 구성품 손상을 진단하기 위해 Table 2와 3과 같은 손상패턴을 신경회로망의 BPN(Back Propagation Network) 알고리즘을 이용하여 훈련하였다.
성능/효과
가스발생기 회전수와 고도 변화에 따른 성능 비교 결과 최대 오차율 3% 이내에서 잘 일치함을 확인할 수 있었다. 엔진의 축 마력이 지상 정지상태에서 561hp로 제한되는 특성에 따라 비행마하수가 증가함에 따라 오차율이 커졌으나 축마력이 제한값을 초과하게 되면 가스발생기 회전수를 감소시키는 알고리즘을 적용하여 프로그램의 신뢰성을 검증하였다.
가스발생기 회전수와 고도변화에 대한 비교 결과를 살펴보면 최대오차율이 3% 이내로 프로그램의 타당성을 검증할 수 있었다. 비행마하수의변화에 대한 성능을 살펴보면 성능덱의 해석 결과 출력이 561hp로 제한됨을 알 수 있다.
결과를 살펴보면 압축기 유량과 효율이 감소하여 압축기에 오염이 발생하였음을 보여주고 있다. Fig.
비행마하수의변화에 대한 성능을 살펴보면 성능덱의 해석 결과 출력이 561hp로 제한됨을 알 수 있다. 개발된 프로그램에 flat-rated 알고리즘을 적용한 결과는 Fig.
진단 결과 압축기 터빈의 유량은 증가하고 효율은 감소하는 특성을 보여 압축기 터빈에서 침식이 발생하였음을 알 수 있다[11].
참고문헌 (11)
Urban, L.A., "Gas Path Analysis Applied to turbine Engine Condition Monitoring", J. of Aircraft, Vol. 10, No. 7, 1972, pp.400-406
Esher, P.C., "An Object-Oriented Gas Path Analysis Computer Program for General Applications", Ph. D Thesis, 1995
MacDonald, S., "A Dynamic Simulation of the GE-F404 Engine for the Purpose of Engine Health Monitoring", MSc Thesis, 1993
Vivian, B., Singh, R., "Application of Expert System Technology to Gas Path Analysis of a Single Shaft Turboprop Engine", 5th European Propulsion Forum, Pisa, Italy, April, 1995
Boucherma, M., "Turbo-Generator Fault- Detection and Diagnosis Based on Artificial Neural Networks", Ph. D Thesis, 1994
Ji Zhou, "Intelligent Fault Diagnosis with Application to Gas Turbine Engines", Ph. D Thesis, 1998
DePold, H.R., and et al, "The Application of Expert System and Neural Networks to Gas Turbine Prognostics and Diagnostics", Journal of Engineering for Gas Turbines and Power, Vol. 12, 1999
Gulati, A and et al, "Gas Turbine Engine and Sensor Multiple Operating Point Analysis Using Optimization Techniques", AIAA-2000- 3716, 2000
Diakunchak, I.S., "Performance Deterioration in Industrial Gas Turbines", Journal of Engineering for Gas Turbines and Power, Vol. 114, 1992, pp.161-167
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.