Применение нейросетевых технологий искусственного интеллекта для мониторинга нагрузок в силовых элементах авиационных конструкций

Экономическую эффективность при эксплуатации самолетов местных воздушных линий (МВЛ) можно повысить за счет увеличения информированности о нагружении и состоянии авиационной конструкции с последующей корректировкой программы технического обслуживания в соответствии с фактическими условиями эксплуатации. Учет индивидуальных особенностей нагружения силовых элементов конструкции транспортных самолетов в процессе выполнения полетов позволяет значительно продлить ресурс, в некоторых случаях — в два и более раз. Однако на данный момент системы мониторинга нагрузок в авиационной отрасли повсеместно еще не внедрены. Реализация известных подходов, разрабатываемых для мониторинга и анализа нагрузок, требует значительных изменений в программах и процедурах поддержания летной годности, включая необходимость установки дополнительного сложного измерительного оборудования. В данной работе рассматривается альтернативный подход по отношению к существующим методам мониторинга нагрузок. На основе применения технологий искусственного интеллекта предложена методика определения (прогноза) нагрузок в силовых элементах конструкции самолета без использования дополнительного измерительного оборудования. Ключевым этапом методики является формирование с помощью искусственной нейронной сети зависимости между параметрами полета, которые регистрируются штатными бортовыми самописцами, и параметрами нагружения, определяемыми расчетно-экспериментальными методами в результате обработки данных тензометрии. Эти данные в достаточном объеме получают при проведении летно-прочностных испытаний на этапе сертификации. Методика рассмотрена на примере прогноза усилий в элементах механизации закрылков самолета. Полученные результаты показали, что средняя ошибка оценок усилий в шатунах внутренних закрылков не превышает 6 %. Данные результаты позволяют с приемлемой точностью определять в процессе эксплуатации накопленную индивидуальную повреждаемость конструкции летательного аппарата и оценивать величину его остаточного ресурса. Представленный подход является частью методической базы, необходимой для разработки и внедрения современных средств анализа состояния конструкции, реализованных на основе бортовых систем мониторинга самолетов МВЛ.

1. Шибаев В. М., Матвеев В. А., Городниченко В. И. и др. Прогнозирование показателей надежности беспилотных воздушных судов / Труды ЦАГИ. 2021. № 2795. С. 4 – 14.

2. Суханов В. Л., Шибаев В. М., Матвеев В. А. и др. Методика балльной оценки показателей безопасности полета при сертификации воздушных судов беспилотных авиационных систем / Техника воздушного флота. 2021. Т. XCIII. № 3 – 4(736 – 737). С. 32 – 47.

3. Пат. 2545150 Российская Федерация, МПК G01M 17/02. Способ контроля состояния конструкции летательного аппарата / Винокуров В. И., Зыков В. Н.; заявитель и патентообладатель Винокуров В. И., Зыков В. Н. — № 2014108188/11; заявл. 03.03.14; опубл. 27.03.15. Бюл. № 9.

4. Пат. 2599108 Российская Федерация, МПК B64F 5/00, G01D 21/00. Способ мониторинга нагрузок и накопленной усталостной повреждаемости в условиях эксплуатации самолета / Цымбалюк В. И., Орлова Т. И., Фролов А. В.; заявитель и патентообладатель Федеральное государственное унитарное предприятие «Центральный аэрогидродинамический институт имени профессора Н. Е. Жуковского» (ФГУП «ЦАГИ») — № 2015127185/11; заявл. 07.07.15; опубл. 10.10.16. Бюл. № 28.

5. Баутин А. А. Мониторинг элементов авиационных конструкций по данным тензометрии / Заводская лаборатория. Диагностика материалов. 2019. Т. 85. № 1. С. 57 – 63. DOI: 10.26896/1028-6861-2019-85-1-I-57-63

6. Баутин А. А., Свирский Ю. А., Панков А. В. Мониторинг состояния конструкции с помощью анализа кинетики местного напряженно-деформированного состояния / Заводская лаборатория. Диагностика материалов. 2019. Т. 85. № 2. С. 42 – 47. DOI: 10.26896/1028-6861-2019-85-2-42-47

7. Урнев А. С., Чернятин А. С., Матвиенко Ю. Г., Разумовский И. А. Экспериментально-численное определение размеров дефектов типа расслоения в слоистых композитных материалах / Заводская лаборатория. Диагностика материалов. 2018. Т. 84. № 10. С. 59 – 66. DOI: 10.26896/1028-6861-2018-84-10-59-66

8. Урнев А. С., Чернятин А. С., Матвиенко Ю. Г., Разумовский И. А., Гавриков М. Ю. Исследование кинетики разрушения композитной панели с применением сетки встроенных волоконно-оптических датчиков / Машиностроение и инженерное образование. 2019. № 3. С. 18 – 27.

9. Пат. № 2595066 Российская Федерация, МПК B64F 5/00, G01M 7/02, G06N 3/08. Способ оценки нагружения конструкции самолета при летных прочностных исследованиях с использованием искусственных нейронных сетей / Лучинский М. Н., Арнаутов Е. В., Орлов А. А., Хоменко А. Г., Балашова Т. А.; заявитель и патентообладатель открытое акционерное общество «Летно-исследовательский институт имени М. М. Громова» — № 2015124804/11; заявл. 24.06.15; опубл. 20.08.16, Бюл. № 23.

10. Zheng J., Jiao S., Cui D. Application of Principal Component Analysis-Assisted Neural Networks for the Rotor Blade Load Prediction / International Journal of Aerospace Engineering. 2021. Vol. 2021. Article ID 5594102. P. 13. DOI: 10.1155/2021/5594102

11. Candon M., Esposito M., Fayek H., et al. Advanced multi-input system identification for next generation aircraft loads monitoring using linear regression, neural networks and deep learning / Mechanical Systems and Signal Processing. 2022. Vol. 171. N 108809. P. 25. DOI: 10.1016/j.ymssp.2022.108809

12. Hornik K., Stinchcombe M., White H. Multilayer feedforward networks are universal approximations / Neural Networks. 1989. Vol. 2. P. 359 – 366.

13. Cybenko G. Approximation by superpositions of a sigmodial function / Mathematics of Control. Signals and Systems. 1989. Vol. 2. P. 303 – 314.

14. Funahashi K. On the approximate realization of continuous mappings by neural networks / Neural Networks. 1989. Vol. 2. N 3. P. 183 – 191.

15. Bautin A., Svirskiy Y. Applying Neural Networks for Multi-site Damage Detection in Fuselage Lap Joints of Cargo Aircraft / Lecture Notes in Civil Engineeringthis. 2021. Vol. 128. P. 67 – 76. DOI: 10.1007/978-3-030-64908-1_7

16. Бюшгенс А. Г., Городниченко В. И., Десятник П. А., Овсянников М. О., Шибаев В. М., Студнев С. Р. Оценка безопасного срока службы тренажера пространственной дезориентации на основе анализа усталостной прочности и безопасности повреждения конструктивных элементов / Проблемы безопасности полетов. 2020. № 12. С. 3 – 11.