BRPI0922665B1 - Processo e sistema de padronizaqao de dados utilizados para o monitoramento de um motor de aeronave - Google Patents
Processo e sistema de padronizaqao de dados utilizados para o monitoramento de um motor de aeronave Download PDFInfo
- Publication number
- BRPI0922665B1 BRPI0922665B1 BRPI0922665-6A BRPI0922665A BRPI0922665B1 BR PI0922665 B1 BRPI0922665 B1 BR PI0922665B1 BR PI0922665 A BRPI0922665 A BR PI0922665A BR PI0922665 B1 BRPI0922665 B1 BR PI0922665B1
- Authority
- BR
- Brazil
- Prior art keywords
- indicators
- indicator
- fact
- data
- estimator
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000008569 process Effects 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 20
- 238000005259 measurement Methods 0.000 claims abstract description 27
- 230000002123 temporal effect Effects 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims description 13
- 238000000844 transformation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000446 fuel Substances 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 2
- 230000010006 flight Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 230000001594 aberrant effect Effects 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005461 lubrication Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
PROCESSO E SISTEMA DE PADRONIZAÇÃO DE DADOS UTILIZADOS PARA O MONITORAMENTO DE UM MOTOR DE AERONAVE. A invenção se refere a um processo e a um sistema de padronização de dados utilizados para o monitoramento de um motor (1) de aeronave, que compreende: - meios (5) para recolher no decorrer do tempo medidas temporais no dito motor (1) de aeronave; - meios (5) para calcular a partir das ditas medidas temporais um conjunto de indicadores Y = (yl yl ym) específicos a elementos do dito motor; - meios (5) para identificar a partir das ditas medidastemporais um conjunto de dados exógenos X = (xl xn) representativos de contexto exterior que intervém no dito conjunto deindicadores F; - meios para definir um modelo multidimensional condicional que gera simultaneamente os indicadores do dito conjunto de indicadores F levando para isso em consideração o dito conjunto de dados exógenos X para formar um conjunto de estimadores AY=(Ay,...Ay Aym) que corresponde ao dito conjunto de indicadores Y = (yl,...,yl yn); e- meios (5) paranormalizar cada estimador Ay, em função de um valor de referência do indicador correspondente yj e de uma diferença entre o dito cada estimador Ay, e o dito indicador correspondente yj para formar um conjunto de valores padronizados (...).
Description
[0001] A presente invenção se refere ao domínio de monitoramento de um motor de aeronave. Em especial, a invenção se refere a uma padronização de dados utilizados para o monitoramento do motor de aeronave.
[0002] Em numerosas indústrias, tais como a aeronáutica ou a espacial, é fundamental controlar o comportamento do motor para melhorar a eficácia de concepção e de manutenção. Isso depende da capacidade de adquirir e de tratar dados medidos por sensores de monitoramento.
[0003] Um dos problemas encontrados pelos expertos do motor por ocasião da interpretação ou da análise das medições é o fato de que um motor dado não funciona nunca sob exatamente as mesmas condições. De fato, para um motor de aeronave por ocasião de vôos operacionais, as condições de aquisição de medidas são sistematicamente diferentes: elas dependem da pilotagem, da meteorologia, do trajeto, do estado do motor, etc.
[0004] No entanto, um detector de anomalia eficaz deve ser capaz de detectar um erro em qualquer contexto. Entretanto, é muito custosos manter uma aplicação de monitorização de modo contínuo e além disso, é muito difícil realizar cálculos específicos para cada fase de vôo e cada condição exterior.
[0005] Assim, uma ferramenta de monitoramento deve funcionar identicamente quaisquer que sejam as condições exteriores de aquisição e de dados. Nesse caso, é necessário antes de qualquer monitoramento, se concentrar em um ambiente padrão.
[0006] Atualmente, o método de padronização é um método de normalização clássica que se contenta de calcular a média de cada indicador de monitoramento definido a partir das medições recolhidas no motor de aeronave, de calcular a diferença entre essa média e a medida lida, e depois de dividir a diferença por um desvio padrão. A média e o desvio padrão são calculados a priori em uma série de dados precedentemente digitalizados.
[0007] O inconveniente desse método é que ele não sabe nem gerir asdependências em relação a dados exógenos nem gerir as relações de dependências entre os próprios indicadores.
[0008] Existem outros métodos que consistem em criar modos de normalizações multivariados a partir de algoritmos de compressão como a ACP (Análise em componentes principais). No entanto, esses últimos exigem um grande tempo de cálculo e chegam a indicadores sem dimensão que não podem ser interpretados pelos expertos do motor.
[0009] A presente invenção se refere a um processo de padronização de dados utilizados para o monitoramento de um motor de aeronave, que compreende as etapas seguintes: - recolher no decorrer do tempo medidas temporais no dito motor de aeronave; - calcular a partir das ditas medidas temporais um conjunto de indicadores Y = (yi,...,yj,...,ym) específicos a elementos do dito motor; - identificar a partir das ditas medidas temporais um conjunto de dados exógenos X = (xi xn) representativos do contexto exterior que intervém no dito conjunto de indicadores Y; - definir um modelo multidimensional que gera simultaneamente os indicadores do dito conjunto de indicadores Y levando para isso em consideração o dito conjunto de dados exógenos X para formar um conjunto de estimadores Y = (yx,...,yJ,...,ym) que corresponde ao dito conjunto de indicadores Y = (yi,...,yj,...,ym); e - normalizar cada estimador em função de um valor de referência do indicador correspondente yj e de uma diferença entre o dito cada estimador e o dito indicador correspondente yj para formar um conjunto de valores padronizados Y =
[0010] Esse processo permite padronizar os indicadores suprimindo para isso dependências em relação ao contexto exterior ao mesmo tempo em que gere asrelações de interdependências estocásticas entre os próprios indicadores. Assim, o monitoramento do motor de aeronave pode funcionar identicamente quaisquer que sejam as condições exteriores de aquisição. De fato, os valores padronizados podem ser considerados como observações adquiridas em condições estritamente idênticas para cada monitoramento do motor ou cada vôo de aeronave.
[0011] De acordo com um aspecto da presente invenção, a definição do dito modelo multidimensional condicional compreende as etapas seguintes: - construir para cada indicador yj do dito conjunto de indicadores Y, um espaço de projeção Eü)= σiY^X) gerado por transformações analíticas de um subconjunto de indicadores Yd> = (yi y-i,y+i,...ym) que compreende todos os indicadores do dito conjunto de indicadores Y exceto o dito cada indicador y e pelo dito conjunto de dados exógenos X; e - calcular para o dito cada indicador y do dito conjunto de indicadores Y um estimador correspondente projetando para isso de acordo com uma técnica de regressão o dito cada indicador y sobre o dito espaço de projeção = αfY^.X) formando assim o dito conjunto de estimadores
[0012] As transformações analíticas podem naturalmente compreender uma transformação identidade. Assim o espaço pode ser formado a partir do subconjunto de indicadores e do conjunto de dados exógenos assim como por aplicações analíticas sobre esses mesmos dados. Isso permite trazer informações sobre a física dos dados que são padronizados e permite eventualmente entrar um conhecimento que pode melhorar a pertinência do modelo. Além disso, os valores padronizados não são grandezas abstratas mas sim assinaturas padronizadas dos indicadores iniciais, nas mesmas dimensões, ao mesmo tempo em que são desembaraçados das relações de dependência com o contexto de aquisição. Isso permite não somente trazer o monitoramento do motor de aeronave de volta para um ambiente padrão mas permite também facilitar a interpretação do monitoramento pelos expertos.
[0013] Vantajosamente, as ditas medidas temporais são recolhidas emfuncionamento normal do dito motor de aeronave.
[0014] Assim, é muito fácil adquiri essas medidas temporais pois na maior parte das vezes o motor funciona normalmente. Além disso, explorando-se unicamente dados operacionais normais para se calibrar, o modelo multidimensional é fácil de controlar em termo de robustez visto a grande disponibilidade de tais medidas.
[0015] Cada valor padronizado pode ser calculado adicionando-se um valor médio ou de referência do indicador correspondente a uma diferença entre o indicador correspondente yj e o estimador correspondente jk de acordo com a equação seguinte
[0016] Assim, os valores padronizados são fáceis de calcular e continuam a ter uma significação clara para os expertos ao mesmo tempo em que são independentes das condições de vôo.
[0017] Vantajosamente, o processo compreende uma análise de uma robustez de cada estimador de acordo com uma técnica de avaliação cruzada que permite escolher um espaço de projeção ótimo.
[0018] A técnica de avaliação cruzada é muito fácil de implementar por causa da grande quantidade dos dados operacionais normais.
[0019] De acordo com uma particularidade da presente invenção, o dito espaço de projeção é construído de acordo com critérios de expertises com o auxílio de formulações físicas das relações entre os indicadores assim como entre os indicadores e os dados exógenos.
[0020] Assim, identificando-se a maneira pela qual os dados são ligados entre si a partir dos conhecimentos físicos das medições, o experto do motor permanece a qualquer momento capaz de interpretar e de interagir com o modelo.
[0021] De acordo com uma outra particularidade, o dito espaço é construído de maneira automática utilizando-se para isso uma rede de neurônios.
[0022] Assim, quando o experto não dispõe de conhecimentos a priori sobre as relações entre os próprios indicadores e/ou as relações entre os indicadores e os dados exógenos, o modelo é capaz de procurar esses conhecimentos ele próprioanalisando para isso os dados em funcionamento normal.
[0023] Em especial, a dita rede de neurônios pode ser um modelo com núcleos.
[0024] Vantajosamente, os indicadores do dito conjunto de indicadores Y = (yi yj,...,ym) são específicos a elementos físicos e/ou lógicos do dito motor.
[0025] Assim, os indicadores podem indicar um elemento especial ou uma tarefa específica de todo um conjunto de elementos do motor que permite então melhor analisar o desempenho e o estado do motor.
[0026] Os indicadores do dito conjunto de indicadores Y = (yi,...,yj,...,ym) podem ser calculados de acordo com critérios de expertise construindo-se para isso uma AMDEC.
[0027] Isso permite explorar o conhecimento dos expertos em motorização para recolher os indicadores úteis para a análise do motor.
[0028] Os indicadores podem ser identificados por uma determinação de pontos especiais ou de funções especiais que resumem detalhes ou formas de certas curvas representativas das ditas medidas temporais.
[0029] Vantajosamente, os dados exógenos X = (xi,...,xn) que intervêm nos indicadores são identificados de acordo com critérios de expertise por uma análise de dependência que permite listar os dados contextuais ligados aos indicadores.
[0030] De acordo com uma particularidade da presente invenção, a dita regressão pode ser uma regressão linear.
[0031] A invenção visa também um sistema de padronização de dados utilizados para o monitoramento de um motor de aeronave que compreende: - meios para recolher no decorrer do tempo medidas temporais no dito motor de aeronave; - meios para calcular a partir das ditas medidas temporais um conjunto de indicadores Y = (yi-,yj ym) específicos a elementos do dito motor; - meios para identificar a partir das ditas medidas temporais um conjunto de dados exógenos X = (xi,...,xn) representativos do contexto exterior que intervém no dito conjunto de indicadores Y; - meios para definir um modelo multidimensional condicional que gerasimultaneamente os indicadores do dito conjunto de indicadores Y levando para isso em consideração o dito conjunto de dados exógenos X para formar um conjunto de estimadores Y = (yl,...,yJ,...,ym) que corresponde ao dito conjunto de indicadores Y = (yi,...,y ym); e - meios para normalizar cada estimador y em função de um valor de referência do indicador correspondente y e de uma diferença entre o dito cada estimador e o dito indicador correspondente y para formar um conjunto de valores padronizados
[0032] A invenção visa também um programa de computador que compreende instruções para a utilização do processo de padronização de acordo com as etapas acima quando ele é executado por meios de tratamento.
[0033] Breve descrição dos desenhos
[0034] Outras particularidades e vantagens do dispositivo e do processo de acordo com a invenção se destacarão melhor com a leitura da descrição feita abaixo, a título indicativo mas não limitativo, em referência aos desenhos anexos nos quais: - a figura 1 ilustra meios materiais utilizados no sistema ou processo que podem ser empregados para a padronização de dados utilizados para o monitoramento de um motor de aeronave de acordo com a invenção; - a figura 2 é um organograma que ilustra as etapas principais para padronizar os dados utilizados para o monitoramento do motor de aeronave da figura 1; - a figura 3 é uma representação gráfica que ilustra a temperatura de óleo justo antes da partida do motor de aeronave da figura 1; - a figura 4 é uma representação gráfica que ilustra prazos de etapas de partida do motor de aeronave da figura 1; - as figuras 5A e 5B são representações gráficas que ilustram o prazo de atingir uma aceleração máxima da árvore de baixa pressão depois de cada partida do motor de aeronave da figura 1; e - as figuras 6A e 6B são representações gráficas que ilustram o gradientedas temperaturas dos gases de escapamento medidas no motor de aeronave da figura 1.
[0035] Descrição detalhada de modos de realização
[0036] A figura 1 ilustra meios materiais empregados no sistema ou processo de padronização de dados utilizados para o monitoramento de um motor de aeronave 1 de acordo com a invenção.
[0037] Esse sistema compreende vários sensores 3a-3f para medir dados que refletem o estado do motor 1 assim como dados de contexto externos ou internos que podem afetar o funcionamento do motor 1. O sistema compreende também meios de tratamento 5 da informação tal como um calculador ou computador que pode ser utilizado para a execução de um programa informático projetado para executar o processo de acordo com a invenção. Os meios de tratamento 5 compreendem os meios materiais que são encontrados habitualmente em um computador. Mais especialmente, esses meios de tratamento 5 compreendem uma unidade central 7 que executa as sequências de instruções do programa de acordo com o processo da invenção, uma memória central 9 que estoca os dados e programas em decorrer de execução, suportes ou meios de estocagem 11 de dados digitais que conservam os dados, periféricos de entradas (sensores 3a-3f, teclado, mouse, ...) assim como periféricos de saídas (tela 13, impressora 15, ...) para perceber o resultado da padronização.
[0038] De acordo com a invenção, a figura 2 ilustra as etapas principais implementadas pelos meios de tratamento 5 para padronizar os dados utilizados para o monitoramento do motor de aeronave.
[0039] A etapa E1 se refere à identificação das medidas brutas a partir das quais será a priori possível extrair informação útil sobre o motor 1 de aeronave a vigiar. De fato, os meios de tratamento 5 são configurados para recolher e digitalizar no decorrer do tempo medidas temporais adquiridas pelos sensores 3d-3f no motor 1 de aeronave em exploração assim como medidas contextuais adquiridas pelos sensores 3a -3c representativas das condições ambientais exteriores.
[0040] Em condições operacionais, o número de sensores 3a-3f não é muitogrande, mas adquiridos a frequências diferentes, os elementos que podem ser retidos podem ser muito numerosos. Por exemplo, para um motor CFM, é possível instalar 9 a 12 sensores para medir pressões, fluxos e temperaturas a uma baixa frequência de 32 Hz e 4 sensores para medir velocidades de rotação das árvores do motor 1 e vibrações do motor 1 a uma alta frequência que vai até 20 Hz ou mais.
[0041] Por outro lado, será notado que, as medidas temporais podem ser muito facilmente recolhidas em funcionamento normal do motor 1 de aeronave visto a grande disponibilidade de tais medidas.
[0042] A etapa E2 se refere à definição dos indicadores. Assim, os meios de tratamento 5 são configurados para calcular a partir das medidas temporais um conjunto de indicadores Y = (yi yj ym) específicos a elementos do motor 1.
[0043] Será notado que os indicadores podem ser específicos a elementos físicos que indicam um elemento especial do motor 1 ou a elementos lógicos que indicam uma tarefa específica de todo um conjunto de elementos do motor 1. Mais especialmente, um elemento físico é um componente real do motor 1 como por exemplo, o reator de base AP, as válvulas estatores, etc. Um sistema ou elemento lógico se refere a um grupo de componentes do motor 1 que realiza uma tarefa específica como o sistema de partida, o sistema de lubrificação, o desempenhos, etc.
[0044] Por outro lado, os indicadores Y = (yi,...,yj ym) podem ser calculados deacordo com critérios de expertise. Por exemplo, os expertos podem formular indicadores em um documento chamado AMDEC (Análise dos modos de falha, de seus efeitos e de sua criticalidade ou FMECA (Failure Modes, Effects and Critically Analysis, em inglês). Esse documento lista as falhas, os equipamentos concernidos, as causas, as consequências, mas também os indicadores calculados a partir das medidas precedentes que permitem salientar o fenômeno com para cada um uma descrição dos efeitos observados. Além disso, cada erro pode ser descrito pelo efeito observado nos resultados específicos calculados a partir das medidas temporais.
[0045] Os indicadores podem ser identificados por “apontadores” como por exemplo, por uma determinação de pontos especiais ou de funções especiais que resumem detalhes ou formas de certas curvas representativas das medidastemporais.
[0046] Por exemplo, para analisar a capacidade de partida do motor 1, os expertos vão extrair diferentes durações e valores específicos ou cálculos que têm uma significação clara sobre a partida. Entre esses indicadores, é possível definir um indicador de prazo que indica o tempo que é preciso para que a árvore AP (Alta pressão) do motor atinja uma velocidade dada depois da abertura da válvula de carburante. É possível também considerar um indicador sobre a aceleração máxima da árvore AP assim como muitos outros indicadores similares.
[0047] Para a análise de desempenho, os expertos vão por exemplo se focalizar nas medições de temperaturas, de pressões, e do escoamento do carburante. Em seguida, eles podem construir indicadores de desgastes que são expressos por exemplo, em termos de consumo de carburante de um vôo a um outro.
[0048] Para a análise de alcance de árvore do motor 1, os especialistas de vibração vão isolar frequências específicas dos tempos de rotação que dependem das dimensões dos diferentes elementos da árvore: raio dos anéis, diâmetros das esferas, etc.
[0049] A etapa E3 se refere à identificação das condições exteriores. Mais especialmente, os meios de tratamento 5 são configurados para identificar a partir de medidas temporais um conjunto de dados exógenos X = (xi,...,xn) representativos do contexto exterior que intervém no conjunto de indicadores Y.
[0050] De fato, cada medida recolhida por ocasião de um vôo é realizada em condições externas ou internas especiais. Essas condições que podem ter um impacto sobre a leitura dos indicadores são registradas. As condições externas podem compreender as temperaturas e pressões exteriores, a altitude e a velocidade relativa do avião, mas também o local de vôo (acima do mar, do deserto, da terra, etc.), as condições meteorológicas (chuva, neve, gelo, etc.), a higrometria, e assim por diante. As condições internas podem se referir à utilização específica do motor (velocidade da árvore, temperatura dos gases de escapamento, tipo do carburante, etc.). Todas essas medições podem ser consideradas como dados exógenos.
[0051] A título de exemplo de dados exógenos, a figura 3 é uma representaçãográfica que ilustra a temperatura de óleo justo antes da partida do motor. É notado imediatamente que existem dois tipos de partidas que correspondem a partidas a frio e partidas a quente. Isso é tipicamente um caso em que um dado interno (temperatura de óleo) é considerado como um dado de contexto que diferencia de maneira clara, duas classes de partidas que devem ser levadas em consideração na análise dos dados.
[0052] Vantajosamente, os dados exógenos X = (xi,...,xn) que intervêm nos indicadores podem ser identificados de acordo com critérios de expertise. Por outro lado, uma análise de dependência automática (por estudo das correlações ou da informação mútua) permite também rapidamente listar os dados contextuais ligados aos indicadores.
[0053] Será notado que além do fato de que os indicadores podem depender do contexto, podem também existir relações entre os próprios indicadores. Não é possível diretamente suprimir a dependência em relação ao contexto indicador por indicador, pois o resultado seria a destruição de qualquer informação contida nos indicadores. Em geral, os expertos do motor têm consciência do conteúdo da informação nas relações de interdependência e conhecem também a dificuldade de construir indicadores independentes.
[0054] A título de exemplo, a figura 4 ilustra uma representação gráfica do prazo de partida do motor 1 que utiliza para isso um grupo auxiliar de potência APU, em função do tempo necessário para que o motor 1 atinja sua velocidade nominal no solo. A curva em trações pontilhados d designa um primeiro nível de dispersão em torno da média e a curva em traços contínuos c2 designa um segundo nível de dispersão em torno da média.
[0055] Assim, a distribuição dos pontos da figura 4 mostra claramente que existe uma relação entre o prazo de partida do motor 1 e o tempo necessário para que esse último atinja sua velocidade nominal no solo. Naturalmente, a relação entre esses dois indicadores pode depender dos dados exógenos ∞mo a temperatura exterior ou a pressão de saída do APU.
[0056] As etapas E4 e E5 se referem à construção de estimadores associados aosindicadores calculados na etapa E2.
[0057] De fato, os meios de tratamento 5 são configurados para definir um modelo multidimensional condicional que gera simultaneamente os indicadores do conjunto de indicadores Y levando em consideração o conjunto de dados exógenos X para formar um conjunto de estimadores Y = ($!,■■■,que corresponde ao conjunto de indicadores Y = (yi,...,yj,...ym).
[0058] Mais especialmente, a etapa E4 consiste em construir para cada indicador dado yj do conjunto de indicadores Y, um espaço de projeção E® = σ(Y®,X). Esse espaço de projeção é gerado pelo conjunto de dados exógenos X e por transformações analíticas de um subconjunto Y® = (yi,..., y-i,y+i...ym) que compreende todos os indicadores do conjunto de indicadores Y exceto o indicador dado yj. As transformações analíticas exprimem relações físicas entre os indicadores e podem ser definidas pelos expertos. Essas transformações analíticas podem compreender além de uma transformação de identidade, transformações ou funções lineares ou não lineares que trazem informações sobre correlações entre os diferentes indicadores.
[0059] A etapa E5 consiste em calcular para cada indicador dado y do conjunto de indicadores Y, um estimador correspondente .projetando para isso de acordo com a técnica de regressão o indicador dado y sobre o espaço de projeção E® = σ(Y®,X) formando assim o conjunto de estimadores Y = (S\,.-,yj,-,ym)-
[0060] Dito de outro modo, para todo indicador y sejam: Y = (yi,...,y,...ym) o vetor de m indicadores, X o vetor de dados exógenos e Y® = (yiy-i,y+i...ym) o vetor de todos os indicadores exceto y. Então projeta-se por um método de regressão, o indicador y sobre o espaço de projeção E® = σ(Y®,X) para determinar o estimador y . A regressão pode ser de tipo rede de neurônios utilizando-se para isso por exemplo, um modelo com núcleos e uma minimização por mínimos quadrados. Em variante, a regressão pode ser de tipo linear.
[0061] Assim, para cada indicador, constrói-se uma regressão das observaçõesno espaço gerado pelos outros indicadores, pelos dados de contexto, das expressões provenientes da análise dos expertos e outras funções implementadas por exemplo, sob a forma de um modelo de núcleo. O espaço construído, no qual as observações são projetadas é de dimensão bem maior do que o número de indicadores iniciais.
[0062] Vantajosamente, o espaço de projeção pode ser construído de acordo com critérios de expertises com o auxílio de formulações físicas das relações entre os indicadores assim como entre os indicadores e os dados exógenos. De fato, os conhecimentos profissionais do experto podem ser explorados não somente para a identificação das variáveis mas também na definição do espaço de projeção. Por exemplo, pode haver medidas de um parâmetros que dependem da maneira logarítmica das medidas de um outro parâmetro. Outros exemplos clássicos podem se referir às variáveis de estado com a entalpia ou a energia. A título de exemplo, se a energia corresponde a um produto de dois indicadores, então para uma energia constante o inverso de um indicador permite predizer o outro indicador.
[0063] Por um outro lado, quando o experto não dispõe de conhecimento a priori sobre relações entre as variáveis, uma análise automática em funcionamento normal permite encontrar tais relações.
[0064] Assim, o espaço de projeção pode também ser construído de maneira automática utilizando-se para isso uma rede de neurônios por exemplo, do tipo modelo com núcleos. Nesse caso, todas as opções podem ser utilizadas simultaneamente por definição. Além disso, é possível considerar transformações não lineares do indicador que às vezes podem ser mais fáceis de predizer. Essas transformações podem ser selecionadas entre uma lista de possibilidades (logaritmo, inverso, saturação,...). Por definição, todas as transformações aceitáveis são testadas e uma seleção é realizada de acordo com um critério de robustez.
[0065] A análise de robustez de cada estimador pode ser efetuada de acordo com uma técnica de avaliação cruzada que permite escolher o melhor espaço de projeção. Essa técnica pode ser realizada em funções inversíveis de cada estimador projetado, provenientes da análise de expertos. A melhor regressão será conservada, por exemplo, pode ser mais fácil modelar o logaritmo de um indicador do que seu própriovalor.
[0066] Na etapa E6, os meios de tratamento 5 são configurados para normalizar cada estimador y,em função de um valor de referência do indicador correspondente ye de uma diferença entre cada estimador dado e o indicador correspondente y para formar um conjunto de valores padronizados
[0067] Em especial, o resíduo do modelo (a observação menos a estimativa) pode ser acrescentado a um valor médio ou de referência considerado como um valor padrão do indicador.
[0068] Dito de outro modo, cada valor padronizado pode ser calculado acrescentando-se o valor médio ou de referência do indicador correspondente à diferença entre o indicador correspondente yj e o estimador correspondente de acordo com a equação seguinte
[0069] Esse cálculo dá uma nova observação nas mesmas dimensões que os indicadores iniciais e mostra a diferença entre o que é realmente observado e o que deveria ser observado levando-se em consideração os dados exógenos e as relações entre os próprios indicadores.
[0070] Os indicadores padronizados vão oscilar em torno de seus valore médios respectivos em função dos erros na predição pelo modelo. Uma observação normal é naturalmente uma observação pela qual todos os resíduos são pequenos (quer dizer, inferior a um múltiplo do desvio padrão σ da distribuição do erro estimado que é de todo modo conhecido). Em contrapartida, para uma observação anormal, os sinais vão ser afastadas de seus valores médios.
[0071] Um primeiro exemplo é dado pelas figuras 5A e 5B que ilustram as representações gráficas de um indicador que representa o prazo de atingir a aceleração máxima da árvore de baixa pressão BP (em ordenada) depois de cada partida do motor (em abscissa). Os traços pontilhados d 1 designam os níveis +/- 3σ em torno do valor médio e os traços descontínuos c12 designam os níveis +/- 6σ emtorno do valor médio.
[0072] A figura 5A ilustra os sinais do indicador inicial antes da padronização e a figura 5B ilustra os sinais do indicador depois da padronização de acordo com a invenção.
[0073] A figura 5A mostra que existem 6 sinais s1-s6 (entre o ciclo de partida numero 50 e aquele número 90) que se afastam da média e que são mais lentos a dar a partida.
[0074] No entanto, a padronização da figura 5B que suprime as dependências em relação ao contexto exterior mostra que somente o sinal s1 no ciclo de partida 67 se afasta da média. Isso mostra claramente que o afastamento dos sinais s2-s6 era simplesmente devido a condições exteriores e que somente o sinal s1 que além disso é mais afastado da medida do que aquele de figura 6A persiste. De fato, o sinal s1 é um conjunto de um só elemento ou ponto aberrante que se afasta nitidamente do conjunto das observações e que é devido ao fato de que os expertos que constroem os dados das observações normais esquecem com frequência algumas aberrações. De qualquer modo esse conjunto de um só elemento é afastado por ocasião da análise da robustez que pode ser efetuada de acordo com uma técnica de avaliação cruzada ou verossimilhança compensada. Essa análise seleciona de maneira aleatória um subconjunto de medidas para a aferição e testa os resultados em outras observações.
[0075] Um outro exemplo é dado pelas figuras 6A e 6B. A figura 6A é uma representação gráfica dos valores de um indicador inicial não padronizado que representa o gradiente das temperaturas dos gases de escapamento medidas em um motor de aeronave em funcionamento normal por ocasião de vôos sucessivos.
[0076] Visto que o motor funciona normalmente, as disparidades dos valores observadas na figura 6A em relação ao valor médio são essencialmente devidas às diferentes condições de aquisição.
[0077] Em contrapartida, a figura 6B ilustra a representação gráfica depois de padronização do indutor da figura 6A, de acordo com a presente invenção. Isso mostra que os valores do indicador padronizado podem ser considerados como observações adquiridas em condições estritamente idênticas para cada monitoramento do motorpor ocasião de cada vôo da aeronave. De fato, a padronização dos indicadores de acordo com a presente invenção suprime as dependências em relação ao contexto exterior e leva em consideração as relações de interdependências estocásticas entre os próprios indicadores.
[0078] A figura 6B mostra que em funcionamento normal do motor, a probabilidade de observar um sinal afastado do valor médio de um valor superior a 3σ é inferior a 3.10 3 e aquela superior a 6σ é inferior a 2.10-9. Isso mostra claramente que o monitoramento de um elemento do motor de aeronave pode funcionar identicamente quaisquer que sejam as condições exteriores de aquisição. Assim, a aplicação a uma ferramenta de detecção de anomalia se encontra assim não somente simplificada mas bem mais fácil de interpretar pelos expertos.
[0079] Por outro lado, de acordo com uma implementação preferida, as diferentes etapas do processo de acordo com a invenção são executadas com o auxílio de instruções de código de programa.
[0080] Consequentemente, a invenção visa também um produto programa de computador, esse programa sendo suscetível de ser executado nos meios de tratamento ou em um sistema informático, esse programa compreendendo instruções de código adaptadas para a execução de um processo de acordo com a invenção tal como descrito acima.
[0081] Esse programa pode utilizar qualquer linguagem de programação, e estar sob a forma de código fonte, código objeto, ou de código intermediário entre código fonte e código objeto, tal como em uma forma parcialmente compilada, ou em qualquer outra forma desejável.
[0082] É possível utilizar um suporte de informações legível por um computador, e que compreende instruções de um programa de computador tal como mencionado acima.
[0083] O suporte de informações pode ser qualquer entidade ou dispositivo capaz de estocar o programa. Por exemplo, o suporte pode compreender um meio de estocagem, tal como um ROM, por exemplo um CD-ROM ou uma ROM de circuito microeletrônico, ou um outro meio de gravação.
[0084] Por outro lado, o suporte de informações pode ser um suporte transmissível tal como um sinal elétrico ou óptico, que pode ser encaminhado via um cabo elétrico ou óptico, por rádio ou por outros meios.
[0085] Alternativamente, o suporte de informações pode ser um circuito integrado no qual o programa é incorporado, o circuito sendo adaptado para executar ou para ser utilizado na execução do processo em questão.
Claims (13)
1. Processo de padronização de dados utilizados para o monitoramento de um motor (1) de aeronave, caracterizadopelo fato de que ele compreende as etapas seguintes: - recolher no decorrer do tempo medidas temporais no dito motor (1) de aeronave; - calcular a partir das ditas medidas temporais um conjunto de indicadores Y = (yi,...,yj ym) específicos a elementos do dito motor; - identificar a partir das ditas medidas temporais um conjunto de dados exógenos X = (xi,...,xn) representativos do contexto exterior que intervém no dito conjunto de indicadores Y; - construir para cada indicador y do dito conjunto de indicadores Y, um espaço de projeção E^ = oíY^.X) gerado por transformações analíticas de um subconjunto de indicadores Y^ = (yi,...,y-i,y+i,...ym) que compreende todos os indicadores do dito conjunto de indicadores Y exceto o dito cada indicador y e pelo dito conjunto de dados exógenos X; e - calcular para o dito cada indicador y do dito conjunto de indicadores Y um estimador correspondente projetando para isso de acordo ∞m uma técnica de regressão o dito cada indicador y sobre o dito espaço de projeção Eü)= σiY^.X) formando um conjunto de estimadores Y = (yx,...,yj,...,ym) que corresponde ao dito conjunto de indicadores Y = (yi y,...ym); e - normalizar cada estimador em função de um valor de referência do indicador correspondente y e de uma diferença entre o dito cada estimador e o dito indicador correspondente y para formar um conjunto de valores padronizados F = (y15...,yj,...,ym) .
2. Processo de acordo com a reivindicação 1, caracterizadopelo fato de que as ditas medições temporais são recolhidas em funcionamento normal do dito motor de aeronave.
3. Processo de acordo com qualquer uma das reivindicações 1 e 2, caracterizado pelo fato de que cada valor padronizado yj é calculado adicionando-se um valor médio ou de referência do indicador correspondente a uma diferença entre o indicador correspondente yj e o estimador correspondente de acordo com a equação seguinte y, = yj+fy-y^.
4. Processo de acordo com qualquer uma das reivindicações 1 a 3, caracterizado pelo fato de que ele compreende uma análise de uma robustez de cada estimador de acordo com uma técnica de avaliação cruzada que permite escolher um espaço de projeção ótimo.
5. Processo de acordo com qualquer uma das reivindicações 1 a 4, caracterizado pelo fato de que o dito espaço de projeção é construído de acordo com critérios de expertises com o auxílio de formulações físicas das relações entre os indicadores assim como entre os indicadores e os dados exógenos.
6. Processo de acordo com qualquer uma das reivindicações 1 a 5, caracterizado pelo fato de que o dito espaço é construído de maneira automática utilizando-se para isso uma rede de neurônios.
7. Processo de acordo com a reivindicação 6, caracterizado pelo fato de que a dita rede de neurônios é um modelo com núcleos.
8. Processo de acordo com qualquer uma das reivindicações 1 a 7, caracterizado pelo fato de que os indicadores do dito conjunto de indicadores Y = (yi yj ym) são específicos a elementos físicos e/ou lógicos do dito motor.
9. Processo de acordo com qualquer uma das reivindicações 1 a 8, caracterizado pelo fato de que os indicadores do dito conjunto de indicadores Y = (yi yj ym) são calculados de acordo com critérios de expertise construindo-se paraisso uma AMDEC.
10. Processo de acordo com qualquer uma das reivindicações 1 a 9, caracterizado pelo fato de que os indicadores são identificados por uma determinação de pontos especiais ou de funções especiais que resumem detalhes ou formas de certas curvas representativas das ditas medidas temporais.
11. Processo de acordo com qualquer uma das reivindicações 1 a 10,caracterizado pelo fato de que os dados exógenos X = (xi xn) que intervêm nos indicadores são identificados de acordo com critérios de expertise por uma análise de dependência que permite listar os dados contextuais ligados aos indicadores.
12. Processo de acordo com qualquer uma das reivindicações 1 a 11, caracterizado pelo fato de que a dita regressão é uma regressão linear.
13. Sistema de padronização de dados utilizados para o monitoramento de um motor (1) de aeronave, caracterizado pelo fato de que ele compreende: - meios (5) para recolher no decorrer do tempo medidas temporais no dito motor (1) de aeronave; - meios (5) para calcular a partir das ditas medidas temporais um conjunto de indicadores Y = (yi,...,yj ym) específicos a elementos do dito motor; - meios (5) para identificar a partir das ditas medidas temporais um conjunto de dados exógenos X = (xi xn) representativos do contexto exterior que intervém dito conjunto de indicadores Y; - meios (5) para construir para cada indicador yj do dito conjunto de indicadores Y, um espaço de projeção Eü) = oíY^.X) gerado por transformações analíticas de um subconjunto de indicadores Yü) = (yi,...,yj-i,yj+i,...ym) que compreende todos os indicadores do dito conjunto de indicadores Y exceto o dito cada indicador yj e pelo dito conjunto de dados exógenos X; e - meios (5) para calcular para o dito cada indicador yj do dito conjunto de indicadores Y um estimador correspondente projetando para isso de acordo com uma técnica de regressão o dito cada indicador yj sobre o dito espaço de projeção E<i> = aíY^.X) formando um conjunto de estimadores Y = que correspondeao dito conjunto de indicadores Y = (yi,...,yi,...ym); e - meios (5) para normalizar cada estimador em função de um valor de referência do indicador correspondente yj e de uma diferença entre o dito cada estimador e o dito indicador correspondente yj para formar um conjunto de valores padronizados Y = (yi,...,yj,...,ym).
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR0858608A FR2939928B1 (fr) | 2008-12-15 | 2008-12-15 | Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef |
| FR0858608 | 2008-12-15 | ||
| PCT/FR2009/052510 WO2010076468A1 (fr) | 2008-12-15 | 2009-12-14 | Standardisation de données utilisées pour la surveillance d'un moteur d'aéronef. |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| BRPI0922665A2 BRPI0922665A2 (pt) | 2016-01-05 |
| BRPI0922665B1 true BRPI0922665B1 (pt) | 2020-11-24 |
Family
ID=40810835
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| BRPI0922665-6A BRPI0922665B1 (pt) | 2008-12-15 | 2009-12-14 | Processo e sistema de padronizaqao de dados utilizados para o monitoramento de um motor de aeronave |
Country Status (9)
| Country | Link |
|---|---|
| US (1) | US8484145B2 (pt) |
| EP (1) | EP2376988B1 (pt) |
| JP (1) | JP5405587B2 (pt) |
| CN (1) | CN102246110B (pt) |
| BR (1) | BRPI0922665B1 (pt) |
| CA (1) | CA2746537C (pt) |
| FR (1) | FR2939928B1 (pt) |
| RU (1) | RU2522308C2 (pt) |
| WO (1) | WO2010076468A1 (pt) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9323994B2 (en) | 2009-12-15 | 2016-04-26 | Micron Technology, Inc. | Multi-level hierarchical routing matrices for pattern-recognition processors |
| FR2963960B1 (fr) * | 2010-08-17 | 2012-09-28 | Snecma | Surveillance des particules dans un systeme de lubrification |
| FR2987443B1 (fr) * | 2012-02-24 | 2014-03-07 | Snecma | Dispositif de detection d'anomalies par analyse acoustique d'une turbomachine d'aeronef |
| FR2993375B1 (fr) * | 2012-07-10 | 2014-07-18 | Snecma | Methode de detection d'une degradation d'une turbomachine par surveillance des performances de ladite turbomachine |
| FR2997451B1 (fr) | 2012-10-26 | 2015-01-16 | Snecma | Systeme de surveillance d'un ensemble de composants moteur |
| CN104252569B (zh) * | 2013-06-27 | 2018-10-19 | 腾讯科技（深圳）有限公司 | 一种数据图形化对比的方法及装置 |
| FR3009021B1 (fr) * | 2013-07-23 | 2015-08-21 | Snecma | Procede d'estimation sur une courbe d'un point pertinent pour la detection d'anomalie d'un moteur et systeme de traitement de donnees pour sa mise en oeuvre |
| FR3010200B1 (fr) | 2013-09-05 | 2015-09-18 | Snecma | Procede et dispositif de normalisation de valeurs de parametres de fonctionnement d'un moteur d'aeronef |
| GB2518893B (en) * | 2013-10-07 | 2018-11-21 | Ge Aviat Systems Ltd | Method for predicting an auxiliary power unit fault |
| FR3011946B1 (fr) * | 2013-10-11 | 2016-07-08 | Snecma | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
| FR3015757B1 (fr) * | 2013-12-23 | 2019-05-31 | Electricite De France | Procede d'estimation quantitative du colmatage des plaques d'un generateur de vapeur |
| FR3018546B1 (fr) * | 2014-03-13 | 2022-01-21 | Snecma | Procede de surveillance de l'etat d'un moteur par surveillance des gaz d'echappement |
| FR3019295B1 (fr) * | 2014-03-27 | 2016-03-18 | Snecma | Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef |
| FR3028331B1 (fr) | 2014-11-10 | 2016-12-30 | Snecma | Procede de surveillance d'un moteur d'aeronef en fonctionnement dans un environnement donne |
| FR3029570B1 (fr) | 2014-12-05 | 2019-08-30 | Safran Aircraft Engines | Dispositif et procede de regulation d'un moteur exploitant une mesure de poussee |
| FR3034896B1 (fr) | 2015-04-09 | 2022-08-12 | Snecma | Systeme de mutualisation de donnees relatives a des moteurs d'aeronefs |
| FR3035232B1 (fr) * | 2015-04-20 | 2017-03-31 | Snecma | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe |
| CN107871190B (zh) * | 2016-09-23 | 2021-12-14 | 阿里巴巴集团控股有限公司 | 一种业务指标监控方法及装置 |
| GB2577065A (en) * | 2018-09-11 | 2020-03-18 | Satavia Ltd | System and method for aircraft health and schedule maintenance |
| CN111047732B (zh) * | 2019-12-16 | 2022-04-12 | 青岛海信网络科技股份有限公司 | 一种基于能耗模型和数据交互的设备异常诊断方法及装置 |
| US12118065B1 (en) * | 2021-12-22 | 2024-10-15 | Wells Fargo Bank, N.A. | Systems and methods for using regime switching to mitigate deterioration in performance of a modeling system |
Family Cites Families (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4215412A (en) * | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
| US6453308B1 (en) * | 1997-10-01 | 2002-09-17 | Aspen Technology, Inc. | Non-linear dynamic predictive device |
| US6135966A (en) * | 1998-05-01 | 2000-10-24 | Ko; Gary Kam-Yuen | Method and apparatus for non-invasive diagnosis of cardiovascular and related disorders |
| FR2783620B1 (fr) * | 1998-09-22 | 2002-03-29 | De Micheaux Daniel Lafaye | Procede et systeme multidimensionnel de maitrise statistique des processus |
| US6449565B1 (en) * | 1999-04-05 | 2002-09-10 | United Technologies Corporation | Method and apparatus for determining in real-time the fatigue life of a structure |
| US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
| US6466858B1 (en) | 2000-11-02 | 2002-10-15 | General Electric Company | Methods and apparatus for monitoring gas turbine engine operation |
| US6999884B2 (en) * | 2003-01-10 | 2006-02-14 | Oxford Biosignals Limited | Bearing anomaly detection and location |
| US6892127B2 (en) * | 2003-02-28 | 2005-05-10 | General Electric Company | Methods and apparatus for assessing gas turbine engine damage |
| RU2249712C2 (ru) * | 2003-04-04 | 2005-04-10 | Открытое акционерное общество "Техприбор" | Бортовая система контроля авиадвигателя с ограничением частоты вращения, температуры и тяги |
| US20050193739A1 (en) * | 2004-03-02 | 2005-09-08 | General Electric Company | Model-based control systems and methods for gas turbine engines |
| US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
| US7577549B2 (en) * | 2005-07-18 | 2009-08-18 | General Electric Company | System and method for trending exhaust gas temperature in a turbine engine |
-
2008
- 2008-12-15 FR FR0858608A patent/FR2939928B1/fr not_active Expired - Fee Related
-
2009
- 2009-12-14 CN CN200980150492.XA patent/CN102246110B/zh active Active
- 2009-12-14 WO PCT/FR2009/052510 patent/WO2010076468A1/fr active Application Filing
- 2009-12-14 RU RU2011129339/08A patent/RU2522308C2/ru active
- 2009-12-14 BR BRPI0922665-6A patent/BRPI0922665B1/pt active IP Right Grant
- 2009-12-14 CA CA2746537A patent/CA2746537C/fr active Active
- 2009-12-14 JP JP2011540181A patent/JP5405587B2/ja active Active
- 2009-12-14 US US13/139,741 patent/US8484145B2/en active Active
- 2009-12-14 EP EP09803852.4A patent/EP2376988B1/fr active Active
Also Published As
| Publication number | Publication date |
|---|---|
| US20110307431A1 (en) | 2011-12-15 |
| EP2376988A1 (fr) | 2011-10-19 |
| CA2746537A1 (fr) | 2010-07-08 |
| JP5405587B2 (ja) | 2014-02-05 |
| BRPI0922665A2 (pt) | 2016-01-05 |
| FR2939928B1 (fr) | 2012-08-03 |
| JP2012512350A (ja) | 2012-05-31 |
| WO2010076468A1 (fr) | 2010-07-08 |
| RU2011129339A (ru) | 2013-01-20 |
| RU2522308C2 (ru) | 2014-07-10 |
| CN102246110A (zh) | 2011-11-16 |
| EP2376988B1 (fr) | 2013-07-10 |
| FR2939928A1 (fr) | 2010-06-18 |
| US8484145B2 (en) | 2013-07-09 |
| CN102246110B (zh) | 2014-12-03 |
| CA2746537C (fr) | 2017-05-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| BRPI0922665B1 (pt) | Processo e sistema de padronizaqao de dados utilizados para o monitoramento de um motor de aeronave | |
| Hanachi et al. | A physics-based modeling approach for performance monitoring in gas turbine engines | |
| US20190324430A1 (en) | Computer System and Method for Creating a Supervised Failure Model | |
| Li | Gas turbine performance and health status estimation using adaptive gas path analysis | |
| US8744813B2 (en) | Detection of anomalies in an aircraft engine | |
| KR101948604B1 (ko) | 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치 | |
| BR102012007949A2 (pt) | Sistema de avaliação de estado e dispositivo de avaliação de estado | |
| KR20190039299A (ko) | 다변량 데이터에서 이형 탐지 | |
| US11232371B2 (en) | Computer system and method for detecting anomalies in multivariate data | |
| BR112013020083B1 (pt) | Processo e sistema de monitoramento de um motor de aeronave paraantecipar as operações de manutenção | |
| JP2016207208A (ja) | 方法及びコンピュータプログラム製品 | |
| BR112016007718B1 (pt) | Método para monitoramento de um motor de aeronave e sistema para monitoramento de um motor de aeronave | |
| BR112015009029B1 (pt) | Sistema e processo de monitoramento de um conjunto de componentes de um equipamento | |
| CN113343364A (zh) | 航空大数据分析方法及工具 | |
| Yan et al. | Two‐Stage Degradation Assessment and Prediction Method for Aircraft Engine Based on Data Fusion | |
| BR112016001482B1 (pt) | Método para estimativa, memória legível por computador e sistema de processamento de dados | |
| JP2018169754A (ja) | 情報処理装置、情報処理方法およびプログラム | |
| JP6397302B2 (ja) | 機器診断装置、機器診断方法及び機器診断プログラム | |
| JP6379089B2 (ja) | 機械状態の決定方法 | |
| WO2017142737A1 (en) | A prognostics and health management model for predicting wind turbine oil filter wear level | |
| Dewallef | Application of the Kalman filter to health monitoring of gas turbine engines: A sequential approach to robust diagnosis | |
| WO2021251200A1 (ja) | プラント監視装置、プラント監視方法およびプログラム | |
| Kumar et al. | Model-free approach and methodology for data anomaly detection for real time diagnostic solution | |
| Ricordeau et al. | Application of random forests to engine health monitoring | |
| Krishnan et al. | Determining Interdependencies and Causation of Vibration in Aero Engines Using Multiscale Cross-Correlation Analysis |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| B06F | Objections, documents and/or translations needed after an examination request according [chapter 6.6 patent gazette] | ||
| B06T | Formal requirements before examination [chapter 6.20 patent gazette] | ||
| B07A | Application suspended after technical examination (opinion) [chapter 7.1 patent gazette] | ||
| B09A | Decision: intention to grant [chapter 9.1 patent gazette] | ||
| B16A | Patent or certificate of addition of invention granted [chapter 16.1 patent gazette] |
Free format text: PRAZO DE VALIDADE: 10 (DEZ) ANOS CONTADOS A PARTIR DE 24/11/2020, OBSERVADAS AS CONDICOES LEGAIS. |