Data-driven diagnostic model building for helicopter gear health and usage monitori

Abstract

EN: Context. Modern technical objects (in particular vehicles) are extremely complex and place high demands on reliability. This requires automation of condition monitoring and fault diagnosis of objects and their components. The predictive maintenance improves operational readiness of technical objects. The object of study is a technical object health and usage monitoring process. The subject of study is a methods of computational intelligence for data-driven model building and related data processing tasks for health and usage monitoring system. Objective. The purpose of the work is to formulate data processing problems, to form a data set for data-driven model building and construct simple method for automatic diagnostic model building on example of helicopter health and usage monitoring system. Method. The method is proposed for the mapping of multidimensional data into a two-dimensional space preserving local properties of class separation, allowing for the visualization of multidimensional data and the production of simple diagnostic models for the automatic classification of diagnostic objects. The proposed method allows obtaining highly accurate diagnostic model with small training samples, provided that the frequency of classes in the samples is preserved. A method for synthesizing diagnostic models based on a two-layer feed-forward neural network is also proposed, which allows obtaining models in a non-iterative mode. Results. A sample of observations of the state of helicopter gears was obtained, which can be used to compare data-driven diagnostic methods and data processing methods that solve the problems of data dimensionality reduction. The Software has been developed that allows displaying a sample from a multidimensional to a two-dimensional space, which makes it possible to visualize data and reduces the dimensionality of the data. Diagnostic models have been obtained that allow automating the decision-making process on whether the diagnosed object (helicopter gear) belongs to one of two classes of states. Conclusions. The results of conducted experiments allow to conclude that the proposed method provides a significant reduction in the data dimensionality (in particular, for the considered problem of constructing a model for helicopter gear diagnosis, it reduces the data dimensionality due to the compression of features by 46876 times). As the results of the conducted experiments for randomly selected instances in a two-dimensional system of artificial features obtained on the basis of the proposed method showed a significant reduction of the sample for individual tasks may allow to provide acceptable accuracy. And taking into account individual estimates of the instance significance will allow, even for small samples, to ensure the topological representativeness of the formed sample in relation to the original sample. The prospects for further research are to compare methods for constructing data-driven models, as well as methods for reducing the dimensionality of data based on the proposed sample. Additionally, it may be of interest to study a possible combination of the proposed method with methods for sample forming using metrics of the value of instances. UK: Актуальність. Сучасні технічні об’єкти (зокрема транспортні засоби) є надзвичайно складними та висувають великі вимоги до надійності. Це потребує автоматизації моніторингу стану та діагностування несправностей об’єктів та їх складових. Прогнозне обслуговування підвищує експлуатаційну готовність технічних об’єктів. Об’єктом дослідження є процес моніторингу справності та використання технічних об’єктів. Предметом дослідження є методи обчислювального інтелекту для побудови керованої даними моделі та відповідні завдання опрацювання даних для системи моніторингу працездатності та використання. Мета. Мета роботи – сформулювати задачі обробки даних, сформувати набір даних для побудови керованої даними моделі та побудувати простий метод автоматичної побудови діагностичних моделей на прикладі системи моніторингу стану та використання гелікоптерів. Метод. Запропоновано метод для відображення багатовимірних даних у двовимірний простір із збереженням локальних властивостей поділу класів, що дозволяє візуалізувати багатовимірні дані та створювати прості діагностичні моделі для автоматичної класифікації об’єктів діагностування. Запропонований метод дозволяє отримати високоточну діагностичну модель з малими навчальними вибірками за умови збереження частоти класів у вибірках. Запропоновано також метод синтезу діагностичних моделей на основі двошарової нейронної мережі прямого поширення, що дозволяє отримувати моделі в неітеративному режимі. Результати. Отримано вибірку спостережень стану механізмів вертольота, яку можна використовувати для порівняння методів діагностування, керованого даними, та методів опрацювання даних, які вирішують задачі скорочення розмірності даних. Розроблено програмне забезпечення, яке дозволяє відображати вибірку з багатовимірного простору в двовимірний, що дає змогу візуалізувати дані та зменшує розмірність даних. Отримано діагностичні моделі, які дозволяють автоматизувати процес прийняття рішення про належність діагностованого об’єкта (спорядження вертольота) до одного з двох класів станів. Висновки. Результати проведених експериментів дозволяють зробити висновок, що запропонований метод забезпечує суттєве зниження розмірності даних (зокрема, для розглянутої задачі побудови моделі діагностування вертолітного обладнання зменшує розмірність даних за рахунок стиснення ознак у 46876 разів). Оскільки результати проведених експериментів для випадково вибраних екземплярів у двовимірній системі штучних ознак, отриманих на основі запропонованого методу, показали значне скорочення вибірки для окремих завдань, це може дозволити забезпечити прийнятну точність. А врахування індивідуальних оцінок значущості екземплярів дозволить навіть для малих вибірок забезпечити топологічну репрезентативність сформованої вибірки по відношенню до вихідної вибірки. Перспективи подальших досліджень полягають у порівнянні методів побудови моделей, керованих даними, а також методів зменшення розмірності даних на основі запропонованої вибірки. Крім того, може становити інтерес дослідження можливого поєднання запропонованого методу з методами формування вибірки з використанням метрик значення екземплярів.