CN101206685A - 燃气涡轮发动机性能数据验证 - Google Patents
燃气涡轮发动机性能数据验证 Download PDFInfo
- Publication number
- CN101206685A CN101206685A CNA2007101600559A CN200710160055A CN101206685A CN 101206685 A CN101206685 A CN 101206685A CN A2007101600559 A CNA2007101600559 A CN A2007101600559A CN 200710160055 A CN200710160055 A CN 200710160055A CN 101206685 A CN101206685 A CN 101206685A
- Authority
- CN
- China
- Prior art keywords
- sample
- percent delta
- limit
- vector
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Complex Calculations (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及燃气涡轮发动机性能数据验证。本发明基于发动机参数之间的物理关系的试探知识验证用于发动机性能诊断的推进力数据。该方法辨识数据异常,减少总体分散,且允许检测真实的发动机故障事件。该方法使用持久性以帮助区分异常和故障事件数据,且它用该参数的最佳已知水平替换异常数据,从而保持总体平均信号水平。
Description
技术领域
本发明一般地涉及燃气涡轮发动机建模领域。更具体地,本发明涉及验证获得的用于推导性能计算的燃气涡轮发动机数据的方法。
背景技术
燃气涡轮发动机条件监测在保持安全操作和有效维护而最小化所有者的总体成本中起重要作用。诊断数据的质量影响从该数据提取的知识的质量和速度以及所有基于该数据的随后决策的有效性。统计分析对于评估和改进数据质量是重要的,但是底层过程的嵌入知识的使用允许数据质量、分析、以及燃气涡轮发动机健康变化的清晰度的更显著的改进。
当发动机随时间过去而恶化时,燃气涡轮机性能诊断本身关注跟踪发动机模块性能测量中的变化,典型地效率和流动参数。驱动该方法的信息的主要来源为沿发动机气体路径进行的测量,例如温度、压力、速度等。性能跟踪系统的成功很大程度上取决于它的减轻和适应测量异常和噪音的影响的能力。因此,数据验证方法在性能诊断过程中起重要作用。
在性能诊断过程中,相关的发动机模块性能漂移在观察的发动机参数从标称参考的漂移基础上估计。该过程为多参数方法,其始于相对于参考基准的测量增量的向量,且产生发动机模块性能增量的向量。固有地,测量向量包含噪音,其减少发动机模块性能增量的解决方案清晰度。噪音本身表明几个因素,例如传感器偏差和漂移、飞行员/操作者行动、未建模的控制/系统特征、飞行器或其他单独设备问题以及数据输入错误。
数据分散性的原因包括但不限于天气、飞行员/操作者行动、未建模的控制/系统特征、诸如数据对标准条件的误差校正的计算过程、飞行器或其他单独设备问题、数据输入、传感器偏差、传感器漂移、和/或人为因素。考虑这些因素的传统方法已经将他们作为传感器误差或传感器故障处理。
数据分散性的一个主要来源归因于数据如何获取。一般地,获取逻辑包括当底层过程相对稳定时确定数据获取机会的窗口。这些窗口通常将记录数据限制在具有功率设定和飞行条件的低变化率的周期。数据典型地在功率条件设定之后的一段时间采样且平均值通常记录为单个点。采样和平均技术移除系统噪音的较高频率的来源。如果这些自动化方法不可得到,那么手动记录数据可能会引入作为噪音来源的人为误差。此外,手动收集的数据更可能在较不稳定条件获取。
稳定系统操作要求滞后加入到诸如放气和叶片调制的二级系统中,以防止操作状态之间的波动。飞行试验已经显示,滞后可能导致发动机排气温度在一些较低的功率条件下变体高达10℃。如果数据在当调制发生时这些较低的功率设定下获取,那么存在具有不希望界外值的增加的机率。
发动机恶化和仪器漂移随着数天、数周和数月的时期过去而发生,逐渐地改变底层参数基准。数据分散性相对于慢慢变化的底层基准被最佳地估计。这可以通过同时跟踪通过滤波器的参数自动地执行。
为了减少诊断和预测分析的维数,数据典型地与发动机模型比较。在发动机数据的飞行条件下运行发动机模型将飞行条件、功率调节、和系统影响从问题维数移除。由于发动机以及相应的发动机模型特性为非线性的,计算传感器相对于模型的偏差产生线性的传感器增量,使得线性分析应用(类似Kalman滤波的技术)更可靠。紧随模型比较引入的分散性可以自动校正和辨识,且采用物理过程和数据校正的嵌入知识移除。
过去,当发生数据分散时,分散要么被接收并标记,或者数据被移除。老练的使用者典型地进行分析以解释它是随机分散还是由其他测量中的系统误差引起的分散。例如,记录的飞机操作条件(即高度、马赫数、或总体空气温度(TAT))的误差将引起许多参数变化中的系统的自动校正的误差。读取发动机功率设定的误差将引入另一系统误差。获取一个值可能引入影响与系统的物理性质不一致的单个参数的误差。工程师知道如何辨别这些代表一些与系统物理性质不一致的误差。这些误差通过手工移除或标记为可疑的。当在分析期间使用单独的参数界外值时,它掺杂多测量相互关系。当参数被放弃时,典型地整个多参数数据点也被放弃。数据分析的质量在任一情况下降低。
解决该问题的当前方法包括滤波输入数据和复杂的分析后处理。更理想的解决方案为一种能够减少输入数据分散性,以及检测且适应输入异常而不改变有效的输入信号平均水平的解决方案。
发明内容
尽管存在验证用于发动机性能诊断的数据的不同方法和系统,这些模型不完全令人满意。发明人已经发现,希望具有相对于严格统计方法杠杆调节燃气涡轮发动机操作的物理试探(heuristic)和数据分析经历的方法。
本发明的方法基于发动机参数之间的物理关系的试探知识验证用于发动机性能诊断的推进力数据。该方法辨识数据异常,减少总体分散,且允许检测真实的发动机故障事件。该方法使用持久性以帮助区分异常和故障事件数据,且它用该参数的最佳已知水平替换异常数据,从而保持总体平均信号水平。过程假设发动机数据的离散时间序列,例如在稳定巡航飞行条件期间获取的数据。
本发明的一个方面提供用于验证从燃气涡轮发动机获取的数据的方法。根据本发明的该方面的方法优选地始于输入对应于多个燃气涡轮发动机参数测量的数据样本,以向量形式组合数据样本,将多个发动机参数测量与估计的参数值比较产生百分比Δ向量,在百分比Δ向量中辨识关键发动机参数,如果发动机经历物理故障则观察关键发动机参数中的偏差且宣布可疑偏差,确定分类每个数据参数样本Δ的试探阀值,如果数据参数样本Δ的趋势随着时间过去是持久的则接受可疑数据参数样本Δ以用于分析,如果数据参数样本Δ的趋势随着时间过去是不持久的则宣告数据参数样本Δ为界外值(outlier),当数据参数样本Δ被宣告为界外值时用为界外值的样本之前的该参数最佳估计替换数据参数样本Δ,以及接受且输出用于性能分析的持久数据以避免移除可能指示系统测量问题的数据。
本发明的另一方面进一步包括使用低频滤波器以跟踪非界外值数据,以提供先前数据参数样本Δ的最佳估计。
本发明的又一方面提供用于验证从燃气涡轮发动机获取的数据的方法。根据本发明的该方面的方法优选地始于输入对应于多个燃气涡轮发动机参数测量的数据样本,以向量形式组合多个数据样本,其中每个向量捕获离散样本时间k,使用估计的发动机参数值归一化多个发动机参数数据样本向量以形成相应的百分比Δ向量,在百分比Δ向量中辨识关键发动机参数,在百分比Δ向量中辨识界外值,以及在百分比Δ向量中移除界外值。
在百分比Δ向量中辨识界外值的另一方面进一步包括推导对应于每个百分比Δ向量的统计平均向量和标准偏差向量,从统计平均向量和标准偏差向量形成低、高、范围内和不确定的试探阀值,将百分比Δ向量中的每个百分比Δ分类为范围内、不确定、高、或低,对每个百分比Δ维持累积持久标记,对每个百分比Δ向量维持试探标记,在每个百分比Δ向量中计数落入到范围内、低或高试探阀值的关键参数的数量,其中如果数量大于或等于百分比Δ向量中的关键参数总体数量减一,设定试探标记为真,如果百分比Δ是范围内或不确定的,设定百分比Δ的持久标记为零,如果百分比Δ向量样本k-1中百分比Δ的持久标记等于2,宣告百分比Δ的k-1和k-2样本为界外值且用k-3百分比Δ的那些值替换对应于k-1和k-2百分比Δ的统计平均向量值、标准偏差向量值、和百分比Δ值,如果百分比Δ向量样本k-1中百分比Δ的持久标记等于1,宣告百分比Δ的k-1样本为界外值且用k-1百分比Δ的那些值替换对应于k-2百分比Δ的统计平均向量值、标准偏差向量值、和百分比Δ值,如果百分比Δ向量样本k中的百分比Δ为范围内的或不确定的,宣告百分比Δ样本没有故障且更新通常对应于百分比Δ样本k的统计平均向量值和标准偏差向量值,如果试探标记为假且百分比Δ向量样本k中的百分比Δ分类为非常高、非常低、极限高或极限低,检查百分比Δ向量样本k和先前k-1样本是否在相同的类中且如果在相同的类中,将该百分比Δ的累积持久标记增加1,如果百分比Δ的累积持久标记小于3,宣告对应于k和k-1样本的百分比Δ值为可疑界外值,如果百分比Δ的累积持久标记大于或等于3,作出极限界外值决定,如果试探标记为真而百分比Δ向量样本k中的百分比Δ不与k-1样本在相同的类中,宣告k样本为可疑界外值且设定百分比Δ的累积持久标记为1,且检查k-1和k-2样本是否均为可疑的且检查k-1和k-2样本的类是否在相同的类中,且如果不在相同的类中,宣告k-1样本为界外值,如果k-1和k-2样本在相同的类中且如果在k-1的百分比Δ的累积持久标记小于3,宣告k-1和k-2样本为界外值,且检查k-1和k-2样本,如果其不是可疑的且如果k-1样本为范围内或不确定,宣告k-1样本为界外值。
该方法的另一方面在于极限界外值决定进一步包括形成极限试探阀值,将百分比Δ向量k-2样本中的百分比Δ分类为极限或非极限,如果k-2样本为非极限的,以下条件的一个存在,如果k-1样本为极限的且k样本为非极限的,宣告k-2样本为高条件,k-1样本为极限,且k样本为高,如果百分比Δk样本的累积持久标记大于3而k-3样本为极限的,宣告k-3样本为极限条件,k-2样本为高,k-1样本为极限,且k样本为高,其中趋势表示物理故障,如果百分比Δk样本的累积持久标记不大于3或k-3样本为非极限的,宣告k-3样本为非极限条件,k-2样本为高,k-1样本为极限,且k样本为高,其中k-1样本为界外值,如果k-1样本为非极限,或k样本为极限,宣告物理故障,如果k-2样本为极限的,以下条件的一个存在:如果百分比Δk样本的累积持久标记大于3,检查k样本和k-1、k-2及k-3样本,如果k-1样本或k-3样本为极限,宣告物理故障,如果k-1样本为非极限且k-3样本为非极限且k样本为非极限,宣告k-2样本为界外值,如果k-1样本为非极限且k-3样本为非极限而k样本为极限,宣告物理故障,如果对百分比Δk样本的累积持久标记为3且k-1样本为极限,宣告k-2样本为极限条件,k-1样本为极限且k样本为高,其中趋势表示物理故障,如果对百分比Δk样本的累积持久标记为3且k-1样本为极限,宣告k-2样本为极限条件,k-1样本为极限且k样本为高,其中趋势表示物理故障,且如果在k的百分比Δ的累积持久标记为3且k-1样本为非极限且k样本为非极限,宣告k-2样本为极限条件,k-1样本为高且k样本为高,其中k-2样本为界外值。
本发明的一个或更多实施例的细节在附图和以下说明书中阐述。本发明的其他特征、目的和优势将从说明书和附图,以及从权利要求书显而易见。
附图说明
图1为示范性的方法;
图2为用于关键发动机参数的可疑模式的示范图;
图3为试探数据带的示范列表;
图4为示范性的持久检查方法;
图5为示范性的极限界外值决定方法。
具体实施方式
本发明的实施例将参考附图描述,其中相同的附图标记自始至终表示相同的元件。另外,应当理解的是,在此使用的措辞和术语是为了描述的目的而不应当当作限制。在此“包括”、“包含”或“具有”及其变体的使用意味着包括其后列举的项及其等价物以及附加项。术语“安装”、“连接”和“联接”被广泛地使用且包括直接和间接安装、连接和联接。此外“连接”和“联接”并不限制为物理或机械连接或联接。
本发明并不限于附图中描述的或暗示的任何特定软件语言。多种可替换的软件语言可以用于本发明的实施。
本发明为模块框架且可以作为软件配置为确实地实施在程序存储设备上的应用程序。用于执行的应用代码能够存在于本领域中技术人员已知的多个不同类型的计算机可读介质上。
本发明的方法显示在图1中。输入数据(步骤102)为气体路径参数向量的形式。诸如轴速度、级间温度和压力等数据在稳定巡航条件期间在时刻k被收集。该数据表示单个数据样本,或时间平均的快照(snapshot),且不是连续采样的数据流。将这些测量参数与估计参数值比较形成操作在相同飞行和环境条件的基准发动机模型。比较产生百分比Δ向量,或残差(步骤103)。
在气体路径参数集合中,关键发动机参数(步骤104)被要求用于发动机的安全操作且因此对飞行员(在驾驶员座舱中)总是可得到的且可用于捕获和随后计算。这些参数因发动机类型的不同而异,但典型地包括航空发动机应用的轴速度、燃料质量流量和排气温度(EGT)。由于他们对于安全发动机操作是必要的,这些参数被认为是关键的。
从数据验证观点,他们在以下方面特别重要。如果发动机经历影响它的热动力性能的一些类型的物理故障,例如,吸入到发动机内的损伤材料,即外物损伤(FOD),或释放到气体路径内的断裂的轮叶或叶片材料,即内物损伤(DOD),或系统故障,诸如发动机放气阀故障、涡轮机冷却故障、可变几何形状故障等,关键参数中的伴随偏差将被观察到。对于诸如上文列举的物理故障,不会预期所有的关键参数将显著地漂移高或低(相对于基准),或者仅一个关键参数显著地漂移(高或低)而其他保持基本常数。
图2显示用于双轴涡轮扇发动机的典型关键参数集合的这些可疑模式201。在该图中,实线表示所考虑的参数增量的平滑水平。这可以采取许多形式,但典型地使用一些平均形式,例如移动平均或指数平均。虚线表示用于所考虑的参数增量的统计阀值。这也可以采取几个形式,但典型地表示从中间水平的预定数量的标准偏差,其中标准偏差计算为(典型地)移动窗口标准偏差或指数标准偏差。点指示每个(关键)参数增量的不同可能。例如,第一个指示所有关键参数增量同时高,第二个指示所有关键参数增量低,第三个指示EGT参数增量高或低而剩余关键参数增量在范围内,等等。
EGT表示排气温度,Wf表示质量燃料流量,N1表示低轴速度,且N2表示高轴速度。在这些情况下,用于宣告这些点为可疑的阀值可以从单独从统计考虑通常规定的值降低。
试探地确定的阀值,或数据带(步骤105)可以被建立,其中每个数据样本参数Δ可以被分类(步骤106)。可疑模式,例如图2中的可疑模式帮助确定作为向量的当前数据样本是否具有界外值参数。如果模式随着时间过去持久(步骤107),过程接受可疑数据以用于可能的趋势检测和随后的分析。如果模式不持久,且没有动力系统、外部系统或设备特征,样本可以被高度可信地宣告为真实界外值(步骤108)。
当数据样本宣告为界外值时,它用该为界外值的样本之前的该参数最佳估计替换(步骤109)。最佳估计是使用非界外值数据的低频滤波器,例如,指数平均跟踪的先前状态。为了避免移除可能是系统测量问题的数据,当它是持久的且可能由仪器系统、数据系统或其他系统误差引起时,该方法接受该物理上不能解释的数据。
时刻k的发动机数据包括气体路径参数测量快照向量。该快照可以是在稳定巡航飞行条件期间获取的时间平均的样本。所考虑的参数根据发动机类型和应用而改变,但通常包括轴速度、燃料质量流量、及级间温度和压力、以及描述飞行和环境条件的参数。测量的气体路径参数组合为m×1列向量,其中m是测量的气体路径参数的数量。
对于待应用于所有燃气涡轮发动机类型和操作条件的方法,方便的是,将数据归一化到从假设的参考基准的百分比Δ(偏差)。该参考可以采取许多形式,但典型地为表示在飞行条件由测量数据指示的标称行为的发动机模型。对每个气体路径参数计算百分比Δ(步骤103)且存储在m×1向量Zk中。下标k指的是样本数量,其中k=1,2,3,...,K。
测量的气体路径参数的子集形成关键参数集合,mcritical,其中mcritical≤M,其为要求的飞行测量且总是可得到的。这些关键参数根据发动机类型和应用可能变化,但通常包括轴速度N1、N2、燃料质量流量Wf和发动机排气温度(EGT)。在母Δ向量Zk中可能有mcritical分量(步骤104)。
Zk向量形成气体路径参数的时间序列,其可能是趋势且用于跟踪发动机性能恶化,检测物理故障,且在故障检测的情况下执行故障隔离。可以使用执行气体路径性能恶化趋势、故障检测和故障隔离的可得到的方法,例如直方图和图解分析。
该方法执行数据验证且允许更好的检测,减少的错误报警,且减少总体数据分散性以支持更精确的性能恶化评估。测量Δ(Zk)数据的减少将导致性能评估的减少,而不管使用什么方法获得该评估。这种减少通过辨识且移除Zk数据流中的界外值以及不将真实的故障诱导的漂移(在Zk数据中)混淆为界外值数据实现。
一旦形成Zk向量,维持统计平均和标准偏差。该方法采用指数平均Ak(i),
Ak(i)=αAk-1(i)+(1-α)Zk(i), (1)
和标准偏差Sk(i),
其中i=1,2,3,...,m用于向量中的第i个参数且α为预定的指数平均常数。
为了分类Zk数据以能够辨识界外值数据,如图3中所示的,试探数据带,或阀值使用这些数值被组合(步骤105)。这些带参考为符号302、相关试探标签303,且由阀值304规定。阀值304为Zk向量的每个参数的关于中间(百分比Δ)水平的西格马(sigma)间隔。例如,第一和最里面的带定义为:
-κINNERSk-3(i)≤Zk(i)-Ak-3(i)≤κINNERSk-3(i), (3)
其中i=1,2,3,...,m用于第k个数据点的第i个参数。带的中心为中间值(百分比Δ)。Ak-3和Sk-3限定阀值带以分类第k个样本向量Zk。由于确定参数样本是否是界外值的方法取决于检查在过去三个连续样本(k、k-1、k-2)中量值的持久性的存在、或不存在的试探技术,目的在于抑制过去三个数据样本,即k、k-1和k-2的任何影响。
图3显示九个数据比较带,EL为极限低,LL为非常低,L为低,IN为内部,U为不确定,H为高,HH为非常高,且EH为极限高。预定的权重-卡帕值(κ)由使用者/设计者选择。示范性的权重可以为:
κINNER=0.8,
κUNCERTAIN=1.8, (4)
κOUTER=2.5,且
κEXTREME=4.5.
关键参数,mcritical,在分类方法中起特别的作用。分类方法始于将数据分类为范围内、不确定、高或低。
如果对于第k个数据样本Zk(i)的第i个参数,
-κINNERSk-3(i)≤Zk(i)-Ak-3(i)≤κINNERSk-3(i), (5)
那么Zk(i)被分类为范围内。如果
Zk(i)-Ak-3(i)≤-κUncertainSk-3(i), (6)
那么Zk(i)被分类为低、或非常低、或极限低。如果
Zk(i)-Ak-3(i)≥κUncertainSk-3(i), (7)
那么Zk(i)被分类为高、或非常高、或极限高。否则Zk(i)被分类为不确定。
在第k个数据点Zk的分类期间,计数器计数落入到每个带的关键参数mcritical的数量。
如果对于Zk在时刻k落入到类别范围内、低或高的关键参数mcritical的总体数量大于或等于mcritical-1,那么试探标记设定为真,否则它设定为假。对于每个向量设定试探标记。如图2中所示,真的试探标记值将对应于数据可疑的情况。该标记将用于确定以下描述的持久性。
图4中所示的持久性方法确定参数经历在给定类别中的持久性(步骤107)。对于每个参数持久性标记随着时间过去而维持。对于第i个参数在时刻k的持久性标记记为Persistencyk(i)且是指示第i个参数怀疑为界外值或异常数据样本的连续的离散时间样本累积数量的整数值计数。该方法对每个样本k的Zk(i)中的每个参数进行。
参数Δ数据,Zk(i),被询问是否为范围内或不确定(步骤402)。如果它已经被分类为范围内或不确定,持久性标记初始化或设定为零(步骤403)。如果k-1数据点的持久性标记等于2(步骤404),k-1和k-2数据样本将被分类为界外值(步骤405)。采取的行动将重新设定统计数量且用来自k-3的平均值替换这些界外值,
Ak-2(i)=Ak-3(i),
Ak-1(i)=Ak-3(i),
Sk-2(i)=Sk-3(i),
在k-1和k-2确认的界外值, (8)
Sk-1(i)=Sk-3(i),
Zk-2(i)=Ak-3(i),且
Zk-1(i)=Ak-3(i).
(8)的最后两行用这些参数的最佳估计,即为随后分析在k-3相应的平均Ak-3(i)替换确定的界外值Zk-2(i)和Zk-1(i)。如果k-1数据点的持久性不是2(步骤404)但等于1(步骤406),k-1数据样本被宣告为界外值(步骤407),
Ak-1(i)=Ak-2(i),
在k-1确认的界外值,Sk-1(i)=Sk-2(i),且 (9)
Zk-1(i)=Ak-2(i).
(9)的最后行用该参数的最佳估计,即为随后分析在k-2相应的平均Ak-2(i)替换确定的界外值Zk-1(i)。由于Zk(i)被发现为范围内或不确定(步骤402),k数据样本将被处理为无故障数据样本(步骤408),且统计数量Ak和Sk将根据(1)和(2)更新。
如果Zk(i)被发现不是范围内或不确定(步骤402),试探标记被检查(步骤409)。如果试探标记为假,那么关键参数并不形成图2中所示的任何可疑模式。
对于这种情况,为了被当作潜在的界外值,Zk(i)将必须为非常高、非常低、极限高、或极限低(步骤410)。如果Zk(i)都不是,它将被处理为可接受的数据样本且指定持久性标记值为零(步骤403)。
这种原因在于,在该后一情况,由于试探标记为假,关键参数必须分散过数据带,指示底层物理发动机故障的潜在存在,从而任何参数Δ为高或低都是合理的。
如果试探标记为真,指示可疑数据,或者为假,当前点Zk(i)为非常高、非常低、极限高或极限低,该方法继续进行,检查当前数据样本Zk(i)和先前数据样本Zk-1(i)是否在相同的类中(步骤411)。如果Zk(i)和Zk-1(i)在相同的类中,当前持久性可以增加1(步骤412)。进行检查以查看当前持久性是否是三或更大(步骤413)。
如果Persistencyk(i)<3,在k和k-1有可疑的界外值。在这种情况下,方法返回以用于下一数据样本。
如果Persistencyk(i)≥3,进序中存在可能的物理故障趋势。在物理故障趋势内总是有具有一个或更多极限(界外值)点的可能性。在这种情况下,为了支持随后的趋势分析和故障隔离,有必要辨识这些极限点且确定他们是否是数据趋势内的界外值(步骤415)。用于执行辨识的基于试探的方法在图5中显示。在任何情况下,当前数据样本k被处理为正常数据。
如果当前和过去数据样本不在相同的类中(步骤411),k样本具有可疑的界外值(步骤416),且它的持久性标记设定为1(步骤415)。
由于当前时刻样本k是可疑的,样本k-1和k-2被检查(步骤417)。如果其都是可疑的,检查它们的分类(步骤418)。如果样本不属于相同的类,由于它已经是可疑的(步骤417)且不与Zk-2(i)(步骤418)或Zk(i)(步骤411)属于相同的类,数据样本k-1,Zk-1(i)是界外值。作为界外值,(9)将被执行。
如果可疑数据样本k-1和k-2在相同的类中(步骤418),如果k-1数据点的持久性小于三(步骤420),它的持久性必须为2,即Persistencyk-1(i)=2且样本k-1和k-2可以被宣告为界外值(步骤421)。作为界外值,(8)将被执行。
如果数据点k-1和k-2不都是可疑的,那么如果Zk-1(i)不是范围内或不确定的,它必须为界外值(步骤423)。这是由于Zk(i)不是范围内或不确定的(步骤402),启动Zk(i)和Zk-1(i)不在相同的类中(步骤411)。如果Zk-1(i)是范围内或不确定的,没有进一步的决定(超过步骤416)可以进行且该方法返回以用于下一数据样本。
当当前k数据点的持久性大于3(步骤415)时,用于确定界外值的方法在图5中显示。由于当前持久性大于3,该方法检查当前样本和三个先前数据样本,k、k-1、k-2和k-3。为了描述该过程,使用以下符号。
符号在图3中定义,其中如果试探标记设定为真,H*指示HH条件或H条件。持久性(在k)为4或者更多指示k、k-1、k-2和k-3数据样本在高侧或低侧。
以下图示仅使用带的高侧的方法。镜像(均为低)也同样应用。
极限界外值确定方法形成极限数据带(步骤502),即任何Zk(i)不满足
-κExtremeSk-4(i)≤Z(i)-Ak-4(i)≤κExtremeSk-4(i), (10)
其中,i=1,2,...,m将被认为是极限低或极限高。Z(i)可以为Zk(i)、Zk-1(i)、Zk-2(i)、或Zk-3(i)。对于(10)中的平均和标准偏差,下标k-4是有意的。这将确保统计带不会被k、k-1、k-2和k-3数据样本掺杂。
如果Zk-2(i)不是极限低或极限高(步骤503),存在以下排列或结构的一个。HH被H*覆盖(参见图3)。由于k-2不是极限的,它必须为H*,留下k-1和k给出四种可能的结构。
如果Zk-1(i)为极限的而Zk(i)为非极限的(步骤504),那么
其中k-3可以为任何值。如果Zk-3(i)为极限的且Persistencyk>3(步骤506),那么
对于这种情况,不能进行关于任何界外值的宣告且数据必须接受为潜在地表示物理故障趋势条件。然而,如果(步骤506)为假,那么
在这种情况下,k-1样本可以认为是极限界外值(步骤507)。为了保持趋势以用于随后的故障隔离分析采取的行动为,
Zk-1(i)=average(Zk(i),Zk-2(i)), (11)
Ak-1(i)=αAk-2(i)+(1-α)Zk-1(i), (12)以及
返回到先前决策(步骤504),如果Zk-1(i)为极限且Zk(i)为非极限为假,那么
在这种情况下,不能确信地宣告有任何极限界外值且必须将序列处理为潜在的物理故障趋势条件(步骤505)。
如果Zk-2(i)(步骤503)是极限的,那么如果Persistencyk≠3(步骤508),它必须大于3且存在以下条件的一个
如果Zk-1(i)或Zk-3(i)为极限的,那么这减少为
可能不能确信地宣告有任何极限界外值且必须将序列处理为潜在物理故障趋势条件(步骤505)。
如果Zk-1(i)和Zk-3(i)都不是极限的,那么可能性减少为
如果Zk(i)为极限的(步骤510),可能不能确信地宣告有任何极限界外值且必须将序列处理潜在物理故障趋势条件(步骤505)。然而,如果Zk(i)不是极限的(步骤510),那么它可能包括k-2的极限界外值。为了保持趋势以用于随后的故障隔离分析采取的行动为
Zk-2(i)=average(Zk(i),Zk-1(i)), (14)
Ak-2(i)=αAk-3(i)+(1-α)Zk-2(i), (15)以及
如果Persistencyk=3(步骤508),且如果Zk-1(i)为极限的(步骤512),
在该情况下,可能不能确信地宣告有任何极限界外值且必须将序列处理为潜在物理故障趋势条件(步骤505)。如果Zk-1(i)不是极限的(步骤512),
且如果Zk(i)不是极限的(步骤513),
且我们能够宣告Zk-2(i)为极限界外值,且执行(14)、(15)和(16)。
本发明的一个或更多实施例已经描述。尽管如此,应当理解的是,可以进行不同的修改而不偏离本发明的精神和范围。因此,其他实施例在以下权利要求书的范围内。
Claims (11)
1.一种用于验证从燃气涡轮发动机获取的数据的方法,包括:
输入对应于多个燃气涡轮发动机参数测量的数据样本;
以向量形式组合数据样本;
将多个发动机参数测量与相应的估计参数值比较,产生百分比Δ向量;
在百分比Δ向量中辨识关键发动机参数;
如果发动机经历物理故障,观察关键发动机参数中的偏差且宣告偏差怀疑;
确定分类百分比Δ向量中的每个数据参数样本Δ的试探阀值;
如果数据参数样本Δ的趋势随着时间过去是持久的,接受可疑的数据参数样本Δ以分析;
如果数据参数样本Δ的趋势随着时间过去不是持久的,宣告数据参数样本Δ为界外值;
当数据参数样本Δ宣告为界外值时,用为界外值的样本之前的该参数最佳估计替换该数据参数样本Δ;以及
接受且输出持久的数据以用于性能分析,以避免移除可能指示系统测量问题的数据。
2.根据权利要求1所述的方法,其中百分比Δ向量表示归一化的基准发动机模型。
3.根据权利要求2所述的方法,其中关键参数中的偏差表示影响发动机热动力性能的物理故障。
4.根据权利要求3所述的方法,其中数据样本在稳定巡航条件期间被收集。
5.根据权利要求4所述的方法,其中关键参数包括轴速度、燃料质量流量和排气温度(EGT)。
6.根据权利要求5所述的方法,其中用于宣告数据参数样本Δ为可疑的试探阀值可以从通常从统计考虑规定的降低。
7.根据权利要求6所述的方法,进一步包括使用低频滤波器以跟踪非界外值数据,以提供先前数据参数样本Δ的最佳估计。
8.一种用于验证从燃气涡轮发动机获取的数据的方法,包括:
输入对应于多个燃气涡轮发动机参数测量的数据样本;
以向量形式组合数据样本,其中每个向量捕获离散样本时刻k;
使用估计的发动机参数值归一化多个发动机参数数据样本向量以形成相应的百分比Δ向量;
在百分比Δ向量中辨识关键发动机参数;
在百分比Δ向量中辨识界外值;以及
在百分比Δ向量中移除界外值。
9.根据权利要求8所述的方法,其中在百分比Δ向量中辨识界外值进一步包括:
推导对应于每个百分比Δ向量的统计平均向量和标准偏差向量;
从统计平均向量和标准偏差向量形成低、高、范围内和不确定的试探阀值;
将百分比Δ向量中的每个百分比Δ分类为范围内、不确定、高、或低;
对每个百分比Δ维持累积持久标记;
对每个百分比Δ向量维持试探标记;
计数每个百分比Δ向量中的关键参数落入到范围内、低或高试探阀值的数量,其中如果数量大于或等于百分比Δ向量中的关键参数总体数量减一,设定试探标记为真;
如果百分比Δ是范围内或不确定的,设定百分比Δ的持久标记为零;
如果百分比Δ向量样本k-1中百分比Δ的持久标记等于2,宣告百分比Δ的k-1和k-2样本为界外值且用k-3百分比Δ的那些值替换对应于k-1和k-2百分比Δ的统计平均向量值、标准偏差向量值、和百分比Δ值;
如果百分比Δ向量样本k-1中百分比Δ的持久标记等于1,宣告百分比Δ的k-1样本为界外值且用k-1百分比Δ的那些值替换对应于k-2百分比Δ的统计平均向量值、标准偏差向量值、和百分比Δ值;
如果百分比Δ向量样本k中的百分比Δ为范围内的或不确定的,宣告百分比Δ样本没有故障且更新通常对应于百分比Δ样本k的统计平均向量值和标准偏差向量值;
如果试探标记为假且百分比Δ向量样本k中的百分比Δ分类为非常高、非常低、极限高或极限低,检查百分比Δ向量样本k和先前k-1样本是否在相同的类中,且如果在相同的类中,将该百分比Δ的累积持久标记增加1;
如果百分比Δ的累积持久标记小于3,宣告对应于k和k-1样本的百分比Δ值为可疑界外值;
如果百分比Δ的累积持久标记大于或等于3,作出极限界外值决定;
如果试探标记为真而百分比Δ向量样本k中的百分比Δ不与k-1样本在相同的类中,宣告k样本为可疑界外值且设定百分比Δ的累积持久标记为1,且检查k-1和k-2样本是否均为可疑的且检查k-1和k-2样本的类是否在相同的类中,且如果不在相同的类中,宣告k-1样本为界外值;
如果k-1和k-2样本在相同的类中且如果在k-1的百分比Δ的累积持久标记小于3,宣告k-1和k-2样本为界外值;以及
检查k-1和k-2样本,如果其不是可疑的且如果k-1样本为范围内或不确定,宣告k-1样本为界外值。
10.根据权利要求9所述的方法,其中极限界外值决定进一步包括:
形成极限试探阀值;
将百分比Δ向量k-2样本中的百分比Δ分类为极限或非极限;
如果k-2样本为非极限的,以下条件的一个存在:
如果k-1样本为极限的且k样本为非极限的,宣告k-2样本为高条件,k-1样本为极限,且k样本为高;
如果百分比Δk样本的累积持久标记大于3而k-3样本为极限的,宣告k-3样本为极限条件,k-2样本为高,k-1样本为极限,且k样本为高,其中趋势表示物理故障;
如果百分比Δk样本的累积持久标记不大于3或k-3样本为非极限的,宣告k-3样本为非极限条件,k-2样本为高,k-1样本为极限,且k样本为高,其中k-1样本为界外值;
如果k-1样本为非极限,或k样本为极限,宣告物理故障;
如果k-2样本为极限的,以下条件的一个存在:
如果百分比Δk样本的累积持久标记大于3,检查k样本和k-1、k-2及k-3样本;
如果k-1样本或k-3样本为极限,宣告物理故障;
如果k-1样本为非极限且k-3样本为非极限且k样本为非极限,宣告k-2样本为界外值;
如果k-1样本为非极限且k-3样本为非极限而k样本为极限,宣告物理故障;
如果对百分比Δk样本的累积持久标记为3且k-1样本为极限,宣告k-2样本为极限条件,k-1样本为极限且k样本为高,其中趋势表示物理故障;
如果对百分比Δk样本的累积持久标记为3且k-1样本为极限,宣告k-2样本为极限条件,k-1样本为极限且k样本为高,其中趋势表示物理故障;以及
如果在k的百分比Δ的累积持久标记为3且k-1样本为非极限且k样本为非极限,宣告k-2样本为极限条件,k-1样本为高且k样本为高,其中k-2样本为界外值。
11.根据权利要求10所述的方法,其中阀值为百分比Δ向量的每个参数的关于中间(平均)水平的西格马(偏差)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/644795 | 2006-12-22 | ||
US11/644,795 US20080154473A1 (en) | 2006-12-22 | 2006-12-22 | Gas turbine engine performance data validation |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101206685A true CN101206685A (zh) | 2008-06-25 |
Family
ID=39250298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2007101600559A Pending CN101206685A (zh) | 2006-12-22 | 2007-12-21 | 燃气涡轮发动机性能数据验证 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20080154473A1 (zh) |
EP (1) | EP1936461A1 (zh) |
CN (1) | CN101206685A (zh) |
CA (1) | CA2613912A1 (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102112933A (zh) * | 2008-10-09 | 2011-06-29 | 株式会社日立制作所 | 异常检测方法及系统 |
CN102562319A (zh) * | 2012-02-27 | 2012-07-11 | 中国航空动力机械研究所 | 发动机的性能调试方法 |
CN103797347A (zh) * | 2011-09-15 | 2014-05-14 | 斯奈克玛 | 用于监视涡轮喷气发动机引擎的测量链的系统 |
CN104807642A (zh) * | 2015-03-31 | 2015-07-29 | 东软集团股份有限公司 | 汽车发动机故障检测方法和装置 |
CN105637437A (zh) * | 2013-10-11 | 2016-06-01 | 斯奈克玛 | 监测飞行器引擎来预测维护操作 |
CN105980945A (zh) * | 2014-02-07 | 2016-09-28 | 西门子股份公司 | 工业燃气涡轮机中的健康状况参数的估计 |
CN108873693A (zh) * | 2017-05-15 | 2018-11-23 | 通用电气公司 | 对控制系统不稳定输入的稳定的方法及相应系统和飞行器 |
CN110487558A (zh) * | 2019-09-23 | 2019-11-22 | 楼蓝科技(苏州)有限公司 | 一种用于燃气轮机燃烧室的高温高压试验系统 |
CN113031552A (zh) * | 2021-03-09 | 2021-06-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110106680A1 (en) * | 2009-10-30 | 2011-05-05 | General Electric Company | Turbine operation degradation determination system and method |
US8862433B2 (en) * | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
RU2010130189A (ru) * | 2010-07-19 | 2012-01-27 | Сименс Акциенгезелльшафт (DE) | Способ компьютеризованного анализа технической системы |
US8751423B2 (en) | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
US8738326B2 (en) | 2011-03-23 | 2014-05-27 | General Electric Company | Performance characteristic calculation and comparison |
FR2979013B1 (fr) * | 2011-08-08 | 2015-07-03 | Snecma | Systeme de surveillance en banc d'essai de moteur d'aeronef |
US20130191076A1 (en) * | 2012-01-20 | 2013-07-25 | General Electric Company | System and method for monitoring, diagnostics, and prognostics |
CN103399283B (zh) * | 2013-08-23 | 2015-10-07 | 中国兵器工业集团第二一四研究所苏州研发中心 | 利用反馈法优化数据采集的方法 |
GB201315654D0 (en) * | 2013-09-03 | 2013-10-16 | Rolls Royce Plc | Operating parameter monitoring method |
GB201322062D0 (en) * | 2013-12-13 | 2014-01-29 | Optimized Systems And Solutions Ltd | System abnormalities |
FR3028067B1 (fr) * | 2014-11-05 | 2016-12-30 | Snecma | Outil de validation d'un systeme de surveillance d'un moteur d'aeronef |
US10809156B2 (en) | 2016-02-15 | 2020-10-20 | General Electric Company | Automated system and method for generating engine test cell analytics and diagnostics |
EP3413153A1 (en) * | 2017-06-08 | 2018-12-12 | ABB Schweiz AG | Method and distributed control system for carrying out an automated industrial process |
US10822993B2 (en) * | 2018-06-06 | 2020-11-03 | General Electric Company | Method for operating a turbo machine |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6757668B1 (en) * | 1999-11-05 | 2004-06-29 | General Electric Company | Information fusion of classifiers in systems with partial redundant information |
US6909960B2 (en) * | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
CA2417074C (en) * | 2003-01-24 | 2009-07-21 | Pratt & Whitney Canada Corp. | Method and system for trend detection and analysis |
US7734400B2 (en) * | 2003-07-24 | 2010-06-08 | Honeywell International Inc. | Fault detection system and method using augmented data and fuzzy logic |
-
2006
- 2006-12-22 US US11/644,795 patent/US20080154473A1/en not_active Abandoned
-
2007
- 2007-12-11 CA CA002613912A patent/CA2613912A1/en not_active Abandoned
- 2007-12-12 EP EP07254842A patent/EP1936461A1/en not_active Withdrawn
- 2007-12-21 CN CNA2007101600559A patent/CN101206685A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102112933B (zh) * | 2008-10-09 | 2014-06-18 | 株式会社日立制作所 | 异常检测方法及系统 |
CN102112933A (zh) * | 2008-10-09 | 2011-06-29 | 株式会社日立制作所 | 异常检测方法及系统 |
CN103797347B (zh) * | 2011-09-15 | 2018-04-03 | 斯奈克玛 | 用于监视涡轮喷气发动机引擎的测量链的系统 |
CN103797347A (zh) * | 2011-09-15 | 2014-05-14 | 斯奈克玛 | 用于监视涡轮喷气发动机引擎的测量链的系统 |
CN102562319A (zh) * | 2012-02-27 | 2012-07-11 | 中国航空动力机械研究所 | 发动机的性能调试方法 |
CN102562319B (zh) * | 2012-02-27 | 2014-02-12 | 中国航空动力机械研究所 | 发动机的性能调试方法 |
CN105637437A (zh) * | 2013-10-11 | 2016-06-01 | 斯奈克玛 | 监测飞行器引擎来预测维护操作 |
CN105637437B (zh) * | 2013-10-11 | 2018-10-26 | 斯奈克玛 | 监测飞行器引擎来预测维护操作 |
US10254752B2 (en) | 2014-02-07 | 2019-04-09 | Siemens Aktiengesellschaft | Estimation of health parameters in industrial gas turbines |
CN105980945A (zh) * | 2014-02-07 | 2016-09-28 | 西门子股份公司 | 工业燃气涡轮机中的健康状况参数的估计 |
CN105980945B (zh) * | 2014-02-07 | 2019-06-14 | 西门子股份公司 | 工业燃气涡轮机中的健康状况参数的估计 |
CN104807642B (zh) * | 2015-03-31 | 2017-06-16 | 东软集团股份有限公司 | 汽车发动机故障检测方法和装置 |
CN104807642A (zh) * | 2015-03-31 | 2015-07-29 | 东软集团股份有限公司 | 汽车发动机故障检测方法和装置 |
CN108873693A (zh) * | 2017-05-15 | 2018-11-23 | 通用电气公司 | 对控制系统不稳定输入的稳定的方法及相应系统和飞行器 |
CN108873693B (zh) * | 2017-05-15 | 2021-09-03 | 通用电气公司 | 用于对控制系统不稳定输入的稳定性方法以及相应的系统和飞行器 |
CN110487558A (zh) * | 2019-09-23 | 2019-11-22 | 楼蓝科技(苏州)有限公司 | 一种用于燃气轮机燃烧室的高温高压试验系统 |
CN113031552A (zh) * | 2021-03-09 | 2021-06-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
CN113031552B (zh) * | 2021-03-09 | 2022-10-25 | 浙江菲达环保科技股份有限公司 | 炉后环保设备协同控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CA2613912A1 (en) | 2008-06-22 |
US20080154473A1 (en) | 2008-06-26 |
EP1936461A1 (en) | 2008-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101206685A (zh) | 燃气涡轮发动机性能数据验证 | |
US10992697B2 (en) | On-board networked anomaly detection (ONAD) modules | |
US9346557B2 (en) | Flight data monitoring and validation | |
US7415328B2 (en) | Hybrid model based fault detection and isolation system | |
US7233884B2 (en) | Methodology for temporal fault event isolation and identification | |
CN101025804B (zh) | 用于执行预测和资产管理服务的方法、系统和计算机程序产品 | |
US7826943B2 (en) | Method and system for diagnosing faults in a particular device within a fleet of devices | |
EP1579288B1 (en) | System state monitoring using recurrent local learning machine | |
US6292723B1 (en) | Embedded engine diagnostic system | |
US10032322B2 (en) | Validation tool for an aircraft engine monitoring system | |
FR2970358A1 (fr) | Pronostic de duree avant maintenance par fusion entre modelisation et simulation, pour equipements electroniques embarques dans un aeronef | |
US10767507B2 (en) | Foreign object debris trending concept and design | |
EP2325709A2 (en) | Anomalous data detection method | |
EP3956646B1 (fr) | Système de surveillance de la santé d'un hélicoptère | |
EP2535692A1 (en) | Fatigue management system | |
EP0691631A1 (en) | Steady state sensor | |
Babbar et al. | Advanced diagnostics and prognostics for engine health monitoring | |
EP1927915B1 (en) | State initialization for gas turbine engine performance diagnogtics | |
FR2957170A1 (fr) | Outil de conception d'un systeme de surveillance d'un moteur d'aeronef | |
DePold et al. | Validation of diagnostic data with statistical analysis and embedded knowledge | |
Ludovici et al. | Health and usage monitoring proof of concept study using army land vehicles | |
Roemer et al. | Advanced test cell diagnostics for gas turbine engines | |
Banjac et al. | Enhanced Monitoring Capabilities for Legacy Engine Programs | |
Goebel | Decision forgetting and decision smoothing for diagnostic decision fusion in systems with redundant information | |
Babbar et al. | Fuzzy clustering based fault diagnosis for aircraft engine health management |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Open date: 20080625 |