Estimation of exhaust gas temperature using artificial neural network in turbofan engines

Bu çalışma iki farklı güç durumu olan, tam güç ve kalkış için CFM56-7B turbofan motorlarının egzoz gaz sıcaklığının (EGS) yapay sinir ağları (YSA) ile tahmin edilmesi ile ilgilidir. Çalışma, motor çalışma parametreleri olan net itki, yakıt akış oranı, düşük devir sayılı mil hızı, yüksek devir sayılı mil hızı, basınç oranı, fan girişindeki hava sıcaklığı, kalkış marjin sıcaklığı ve itki özgül yakıt tüketimi gibi çalışma parametreleri kullanılarak gerçekleştirilmiştir. Tüm bu veriler motorun yer çalışması sırasında bremze öçlümlerinden alınmıştır. Bu çalışmada, YSA ile elde edilen sonuçların doğruluğu daha önceden sunulan çoklu lineer metoda dayalı regresyon analizi sonuçları ile ve ölçüm sonuçları ile karşılaştırılmıştır. Modellerin tahminlerinin karşılaştırılması YSA’nın, turbofan motorlarda kullanılan EGS’yi doğru bir şekilde tahmin etme özelliğine sahip olduğunu göstermektedir. EGS ve motor çalışma parametreleri arasındaki ilişki katsayısı, eğitim verileri için tam devir ve kalkış güç koşullarında sırasıyla 0.99 ve 0.99 olarak, test verileri için ise 0.90 ve 0.97 olarak bulunmuştur. Her iki güç durumu için ortalama mutlak hata maksimum güç için % 2.1 olarak kalkış için ise % 5.08 olarak hesaplanırken, RMS hata varyans katsayısı maksimum güç için 0.5705 ve kalkış için 0.3539 olarak hesaplanmıştır. YSA modelinden elde edilen modeller yer ölçümleri ve regresyon modeli ile iyi bir uyumluluk gösterir. Sonuç olarak YSA bu tip uygulamalarda tahmin aracı olarak EGS tahmini için kullanılabilir.

Turbofan motorlarda egzoz gaz sıcaklığının yapay sinir ağları ile tahmin edilmesi

This paper deals with the estimation of exhaust gas temperature (EGT) of a CFM56-7B turbofan engine using artificial neural network (ANN) at two different power settings, maximum continuous and take-off. The study was carried out using the operational parameters of the engine such as net thrust, fuel flow, low rotational speed, core rotational speed, pressure ratio, fan air inlet temperature, take-off margin temperature, and thrust specific fuel consumption. All these data are taken from test cell measurements during ground operating of the engines. In this study, the accuracy of ANN results is compared with the measurements and the results of a regression analysis earlier based multiple linear method. The comparison of the predictions of the models indicates that ANN is capable of accurately predicting EGT in used turbofan engines. The correlation between the exhaust gas temperature and the operational parameters of the engine was found to be 0.99 and 0.99 for training data and to be 0.90 and 0.97 for test data using ANN at two different power settings, maximum continuous and take-off, respectively. For both investigated power settings, maximum continuous and take-off, the mean absolute errors were found to be 2.1 per cent and 5.08 per cent, while the coefficients of variance of root mean square error were found to be 0.5705 and 0.3539, respectively. The results obtained from ANN models show good agreement with ground measurements and the regression models. Finally, we believe that ANN can be used for prediction of EGT as a predictive tool in this sort of application.

PDF

___

Bettocchi, R., Pinelli, M., Spina, P.R., and Venturini, M., Artificial Intelligence for the Diagnostics of Gas Turbines-Part I, Neural Network Approach, Journal of Engineering for Gas Turbines and Power, 129, 711- 719, 2007.
Demirci, S., Hajiyev, C., and Schwenke, A. Fuzzy logic-based automated engine health monitoring for commercial aircraft, Aircraft Engineering and Aerospace Technology: An International Journal, 80/5, 516-525, 2008.
Graupe, D., Principles of Artificial Neural Networks (2nd Edition). World Scientific, 2007.
Haykin, S. Neural networks: a comprehensive foundation. New York: Macmillan College Publishing Company, 1994.
Joly, R.B., Ogaji, S.O.T., Singh, R., and Probert, S.D., Gas-turbine diagnostics using artificial neuralnetworks for a high bypass ratio military turbofan engine, Applied Energy, 78, 397-418, 2004.
Kobayashi, T., and Simon, D.L., Hybrid Neural- Network Genetic-Algorithm Technique for Aircraft Engine Performance Diagnostics, Journal of Propulsion and Power, 21, 751-758, 2005.
Lu, P.J., Zhang, M.C., Hsu, T.C., and Zhang, J., An evaluation of engine fault diagnostics using artificial neural networks, Journal of Engineering for Gas Turbine and Power, 123, 240-246, 2001.
Pashayev, A., Askerov, D., Ardil, C., Sadigov, R., and Abdullayev, P., Aircraft Gas Turbine Engine’s Temperature Condition, Proceedings of World Academy of Science, Engineering and Technology, 21, ISSN 1307-6884, 2007.
Simon, D., A comparison of filtering approaches for aircraft engine health estimation. Aerospace Science and Technology, 12, 276-284, 2008.
Yezioro, A., Dong, B., and Leite, F., An applied artificial intelligence approach towards assessing building performance simulation tools. Energy and Buildings, 40, 612-620, 2008.
Yılmaz, I., Evaluation of relationship between exhaust gas temperature and operational parameters in CFM56-7B engines, Proc. IMechE, Part G: J. Aerospace Engineering, 223, 433-440, 2009.
Zedda, M., and Singh, R. Gas turbine engine and sensor fault diagnosis using optimisation techniques. 35th AIAA/ASME/SAE/ASEE Joint Propulsion Conference and Exhibit, Los Angeles, California, USA, 1999.