Прогресс цифровой техники за последнее десятилетие совместно с миниатюризацией элементной базы привел к значительному увеличению быстродействия, объемов памяти и надежности бортовых цифровых вычислительных машин летательных аппаратов (ЛА). Это позволяет вплотную перейти к построению систем управления, контроля и диагностики газотурбинных двигателей (ГТД) в полном диапазоне условий эксплуатации и боевого применения на принципиально новых алгоритмах, в которых в качестве управляющих сигналов используются прямые критериальные параметры (тяга, экономичность, запасы газодинамической устойчивости, ресурс и др.), обеспечивающие "адаптивное" планирование осмотров и ремонтов двигателя с учетом изменения его характеристик при выработке ресурса в процессе всего жизненного цикла.

Совершенствование авиационной техники делает все более актуальным оптимальное управление режимами работы силовых установок. Обеспечение эффективной эксплуатации по фактическому состоянию таких сложных функциональных систем летательных аппаратов как современные и перспективные газотурбинные двигатели, повышение безопасности полетов в условиях непрерывного усложнения конструкции и роста тепловых и механических нагрузок на агрегаты и узлы ЛА в настоящее время невозможно без применения методов раннего обнаружения и, что не менее важно, прогнозирования возможных неисправностей и их причин.

Для решения возникших задач ведущие авиационные фирмы США и других зарубежных стран уже в 70-80 гг. начали активно применять цифровые системы с принципиально новыми алгоритмами и методами управления и диагностики ГТД. Так, в цифровой системе DEEC для двигателя F100, установленного на самолете F-15, используются алгоритмы расчета в реальном масштабе времени основных параметров ГТД (тяги, расхода воздуха и др.) и на их основе осуществляется управление и контроль двигателя. Подобный подход позволил существенно повысить летно-технические характеристики самолета и способствовал переходу к эксплуатации ГТД по техническому состоянию.

На отечественных двигателях четвертого поколения также начали применяться цифровые системы управления и диагностики, построенные на "гидромеханических" и "аналоговых" алгоритмах. Это связано с отсталостью элементной базы БЦВМ и отсутствием в НИИ и промышленности наработок по перспективным алгоритмам управления и диагностики. Кроме того, уже проверенные в эксплуатации методы и алгоритмы управления и диагностики ГТД на первом этапе создания, внедрения и отработки цифровых систем облегчали решение возникающих аппаратных проблем. В результате реализация цифрового управления выявила целый ряд проблем, и для надежной работы ГТД потребовалась дублирующая полноразмерная гидромеханическая система.

Важную роль в переходе к современным цифровым системам управления и контроля технического состояния ГТД играет разработка новых методов синтеза реализуемых в БЦВМ алгоритмов вычисления параметров двигателя. Основными требованиями, предъявляемыми к алгоритмам бортовых ЦВМ, являются единые для всех режимов работы и условий эксплуатации структуры, минимальное число входных сигналов и коэффициентов, независимость от режимов работы и условий эксплуатации ГТД значений коэффициентов, способность без корректировки с высокой точностью отражать индивидуальные изменения характеристик конкретного двигателя в процессе выработки его ресурса, компактность и экономичность и др.

В основу нового статистического метода построения бортовых цифровых алгоритмов управления, контроля и диагностики ГТД положено использование сигналов штатных датчиков двигателя в качестве исходной информации для вычисления на борту ЛА в реальном масштабе времени важнейших тактико-технических и эксплуатационных характеристик двигателя (тяги, удельного расхода топлива, расхода воздуха через ГТД, степени двухконтурности, состава топливовоздушной смеси по тракту, запасов газодинамической устойчивости, ресурса), а также определения признаков возникновения неисправностей и отказов.

При реализации предлагаемого метода первоначально выбирается вид опорной функции (аппроксимирующей зависимости, по которой строится регрессионная модель вычисляемого параметра).

Затем, на возможные значения аргументов и аппроксимирующих функций во всем эксплуатационном диапазоне условий и режимов работы ГТД накладываются реальные ограничения и, исходя из опыта эксплуатации, назначается диапазон возможных изменений характеристик двигателя, его узлов и систем в процессе выработки ресурса или появления неисправностей и отказов.

С использованием рандомизации, одновременного варьирования нескольких переменных и оптимального размещения опытов в факторном пространстве формируется поле аргументов полной ортонормальной статистической матрицы планирования экспериментов. Важным условием составления указанной матрицы является линейная независимость аргументов плана эксперимента. Линейная независимость аргументов каждого i-го опыта достигается применением ортогонализации по Граму-Шмидту.

Созданная имитационная модель ГТД позволяет рассчитывать установившиеся и переходные режимы двигателя в полном диапазоне высот и скоростей полета с возможностью введения в нее изменений характеристик узлов, агрегатов, а также отдельных неисправностей и отказов.

Далее выполняются натурные или расчетные (по имитационной модели ГТД) эксперименты. Результатами расчетов или натурных испытаний заполняются столбцы вычисляемых параметров в матрице планирования эксперимента.

Следующим шагом является непосредственное построение регрессионных зависимостей для вычисляемых параметров. В качестве основного метода аппроксимации используется метод эвристический самоорганизации, позволяющий синтезировать регрессионные зависимости с большим числом аргументов в условиях ограниченности исходной информации. Для построения регрессионной зависимости матрица планирования эксперимента произвольно делится на три области, в соответствии с последовательностью опытов. Первая или "обучающая" используется для построения регрессионных зависимостей-претендентов и вычисления коэффициентов регрессии. Вторая, "отборочная" последовательность применяется для отбора претендентов.

Данные третьей или "экзаменационной" последовательности предназначены для оценки прогнозирующих свойств сформированной регрессионной зависимости. Построение регрессионных зависимостей производится за несколько этапов селекции. На каждом этапе для всех возможных парных сочетаний аргументов осуществляется генерация частных полиномов, после чего с использованием проверочной последовательности производится отбор полиномов-претендентов по критериям регулярности для перехода на следующий этап селекции. В качестве критериев приняты относительная средняя квадратичная ошибка и индекс корреляции, рассчитываемые по значениям вычисленных по частным полиномам аппроксимируемых функций, аргументами которых являются элементы полного ортонормированного плана (включающего результаты моделирования и экспериментов). Отбираются частные полиномы с лучшими показателями критериев регулярности, при этом на каждом этапе селекции число полиномов соответствует числу аргументов матрицы планирования. В конечном итоге образуются полиномы с близкими к предельным значениям показателями критериев регулярности. Затем осуществляется проверка прогнозирующих свойств полученных полиномов путем расчета соответствующих функций по экзаменационной последовательности. Полином, наиболее точно воспроизводящий значения функции из экзаменационной последовательности статистического плана, и является искомым.

По полученным регрессионным зависимостям вычислены были, например, тяга, температура и запас газодинамической устойчивости ГТД РД-33. Следует особо подчеркнуть, что зависимости позволяют определять параметры всех экземпляров ГТД данного типа (независимо от выработки ресурса) во всех условиях полета на любых режимах. В качестве опорной функции на каждом этапе селекции применялись полиномы второй степени, при этом каждый полином вычислялся с помощью пяти коэффициентов. Использовалось девять этапов селекции, однако для практических целей достаточная точность достигается уже на пятом-шестом этапе. Алгоритм при оптимальном программировании с использованием для вычислений двух встроенных циклов достаточно легко реализуется на БЦВМ. Наиболее экономичными, с точки зрения аппаратных и системных ресурсов, получаются регрессионные зависимости со степенными или логарифмическими зависимостями в качестве опорной функции.

В завершение оцениваются значимость аргументов и чувствительность к погрешностям их значений синтезированной регрессионной зависимости. При слабом влиянии аргумента во всем диапазоне его изменения на величину параметра, вычисляемого по регрессионной зависимости, производится замена анализируемого аргумента постоянным членом.

Сравнение рассчитанных по описанной выше методике значений параметров ГТД РД-33 с экспериментальными показало, что в полном эксплуатационном диапазоне высот и скоростей полета ошибки (с учетом реальных погрешностей датчиков) не превышают 1...2 %. Коррекция регрессионной зависимости позволила уменьшить погрешности вычисления основных параметров ГТД до 0,5 %. Сравнение являлось абсолютно независимым, так как данные этих испытаний не использовались при составлении регрессионных алгоритмов, при этом общее количество контрольных точек превышало 150.

Статистическая методика формирования регрессионной зависимости является универсальной и позволяет получать алгоритмы для вычисления диагностических признаков состояния узлов ГТД на борту ЛА, прогнозировать параметры конкретного ГТД в различных условиях полета по данным наземных испытаний и решать другие подобные задачи.

Таким образом, алгоритмы вычисления основных параметров ГТД и диагностических признаков его технического состояния, разработанные в соответствии с предлагаемой методикой, справедливы для ГТД с произвольным сочетанием отклонений индивидуальных характеристик узлов и настроек систем во всей области высот и скоростей полета на установившихся и переходных режимах.

Разработанные регрессионные зависимости достаточно просты, не требуют больших вычислительных ресурсов и могут быть рекомендованы для построения перспективных цифровых систем управления и диагностики как вновь создаваемых, так и модернизируемых ГТД, а также для обработки результатов стендовых и летных испытаний (в том числе и непосредственно на борту).

Изменение критериев отбора по этапам селекции