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

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.

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.