CN101231213A - 用于使测量组构形适应燃气涡轮性能诊断的过程 - Google Patents
用于使测量组构形适应燃气涡轮性能诊断的过程 Download PDFInfo
- Publication number
- CN101231213A CN101231213A CNA2008100051811A CN200810005181A CN101231213A CN 101231213 A CN101231213 A CN 101231213A CN A2008100051811 A CNA2008100051811 A CN A2008100051811A CN 200810005181 A CN200810005181 A CN 200810005181A CN 101231213 A CN101231213 A CN 101231213A
- Authority
- CN
- China
- Prior art keywords
- matrix
- parameter
- performance
- configuration
- measurement
- 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
- G05B23/0218—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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
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 And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种用于使测量组构形适应燃气涡轮性能诊断的过程。所描述的方法和系统使用线性预估-校正评估过程从气路测量数据中评估燃气涡轮发动机模块性能的变化。测量构形矩阵MC和故障构形FC矩阵被集合。构形矩阵MC和构形矩阵FC被使用来使典型的线性预估-校正类型的性能评估过程适应给定的测量组,并且理想地适合于线性评估系统,比如那些使用卡尔曼滤波器的系统。
Description
技术领域
本发明一般涉及燃气涡轮发动机建模领域。更特别地,本发明涉及用于适应(adapt)燃气涡轮发动机的测量组构形(measurement suiteconfiguration)的方法和系统,以便根据传感器故障或数据缺失来提供耐用的(robust)性能跟踪。
背景技术
燃气涡轮性能诊断本身涉及当发动机随着时间的过去恶化时跟踪在发动机模块性能测量(典型地是效率和流动参数)中的变化。推进这种方法学的主要信息来源是沿着发动机的气路选取的测量,比如温度、压力、速度等等。穿过宽阔的用户/航行器基地跟踪发动机群提出了额外的复杂性,即被测量的参数因使用仪器和记录的保真度和穿过安装的不可重复性而不同。
传统的性能诊断评估方法应用一些预估/校正评估计划的形式。这些程序使用过去的性能评估作为用于当前性能评估计算的推理信息。许多这些途径使用线性评估方法或它们的导数以从先前评估和当前数据中推断性能变化。这种诊断方法成功的部署取决于许多因素,其中一个是在不需要应用复杂的例外逻辑以覆盖所有可能的测量情景的情况下它的适应不同测量组的能力。
提供某种形式的测量构形的预备是提供在性能跟踪过程中所需的耐用的步骤,该测量构形在不需要对诊断软件做出变化的情况下使它本身适应当前有用的测量组以及适应跨过发动机监测程序寿命设置的这种测量中的变化。有几个因素推进了对于这种测量构形过程的需要。
一个因素是在考虑中对于引导性能健康趋势的有用的气路测量的数量和类型随着燃气涡轮的型号和类型而变化的事实。例如,应用一个或两个卷轴的发动机、涡轮喷气对涡轮风扇喷气发动机、混合对非混合流动、新一代或成熟型号的发动机以及其它的都是以气路使用仪器的形式指示什么是有用的和什么是无用的因素,该使用仪器提供用于性能评估过程的输入参数流。
现有技术中许多公知的用于执行发动机模块性能健康跟踪的方法在一定意义上都是一类的,即它们可被应用在任何类型的燃气涡轮上。发动机型号的详细说明是有用的用于应用场合的数字型号常量和测量组。前者典型地是数据库问题,而后者可影响过程的实际软件执行。适应任何特定测量构形的过程都将提供更大程度的耐用并且否定需要软件改变以执行特定测量设置。
另一个推动需要测量构形的因素是在航行器发动机监测中数据缺失是常见的。不论什么原因,参数可从记录的输入流中或者在一段时间中间歇地或者全部地消失。由于使用仪器的问题、维修行为、记录异常等等,可发生这种情况。不论什么起因,结果是有效的测量组改变了。如果性能评估过程取决于(预选的)测量组,那么一个或多个输入参数间歇的(或持续的)丢失将引起在分析中发生间隔。
所需要的是更加耐用的发动机性能跟踪过程,其识别当前时间点的测量组并且适应测量组来改变以允许性能评估过程进行。
发明内容
尽管有执行发动机性能跟踪的各种方法和系统,但是这种方法和系统并不完全令人满意。发明人已经发现的是希望具有适应燃气涡轮发动机的测量组构形的方法和系统,以便根据传感器故障或数据缺失来提供耐用的性能跟踪。
本发明的一个方面提供了一种用于使来自燃气涡轮发动机的测量适应使用在性能跟踪中的方法。根据本发明的这个方面,该方法优选地开始于选择用于燃气涡轮发动机及其应用的默认的发动机构形、获得对应预定数量的测量参数的气路数据样本、得到用于燃气涡轮发动机的性能参数、将在时间k处的测量参数和性能参数与预定的阈值比较以确定每一个参数的品质和/或可用性,其中被确定是有问题的参数对于性能跟踪被界定为不存在的,基于默认的发动机构形和现有测量参数Z确定测量构形矩阵MC,以及基于默认的发动机构形和现在的性能参数x确定故障构形矩阵FC,并且使用测量构形矩阵MC和故障构形矩阵FC来适应性能跟踪方法。
该方法的另一个方面是测量构形矩阵MC是大小为m的单位矩阵,其中m=被测量参数的个数。
该方法的另一个方面是故障构形矩阵FC是大小为n的单位矩阵,其中n=被评估的性能故障的个数。
该方法的另一个方面是在测量构形矩阵MC的主对角线中的零输入代表有问题的或缺失的参数测量。
该方法的另一个方面是在故障构形矩阵MF的主对角线中的零输入代表那些故障,该故障的评估受到被使用来计算性能评估的对应测量参数的丢失的影响。
本发明的一个或多个实施例的详细描述将在下面的附图和说明中被提出来。通过说明和附图以及通过权利要求,本发明其它的特征、目的和优点将变得显而易见。
附图说明
图1是示范性方法的方块图。
图2是本发明的单个模块的示范性应用结构。
具体实施方式
通过参考附图将对本发明的实施例进行描述,其中各处相似的数字代表相似的元件。进一步地,可以理解的是在本文中使用的措辞和用语是出于说明的目的并且不应该被认为是限制性的。在本文中对“包含”、“包括”或“具有”以及它们的变体的使用意味着包括此后列出的条目和它的等同物以及另外的条目。用语“被安装”、“被连接”和“被结合”被广泛地使用并且包括两种直接的和间接的安装、连接和结合。进一步地,“被连接”和“被结合”并不被限定为物理的或机械的连接或结合。
本发明并不受到附图中所描述或所暗示的任何特定软件语言的限制。多种备选的软件语言可被使用来执行本发明。如现有技术中的普遍惯例,一些部件和条目被图解和描述,就好像它们是硬件元件。然而,在方法和系统中的各种部件都可在软件或硬件中被执行。
本发明是模块化结构并且可作为切实包含在程序存储装置上的应用程序被配置成软件。用于执行的应用代码可存在于多个不同类型的对本领域的那些技术人员是公知的计算机可读媒介上。
图1图示了用于适应燃气涡轮发动机的测量组构形的方法和系统,以根据传感器故障或数据缺失来提供耐用的性能跟踪。该方法开始于在离散时间k处获得发动机气路数据样本(步骤102)。气路数据包括多个气路参数测量,比如卷轴速度、温度、压力和流率。对于特定的燃气涡轮发动机型号和它的特定应用场合,可有一组默认的在发动机气路中被测量的参数。这符合用于该发动机型号和应用场合的标准的“物料清单”传感器构形。
该组默认的参数创建了测量组并且是公知推理的(步骤103)。测量矩阵MC基于该组默认的发动机测量参数被集合并且被保持。测量矩阵MC是大小为m(m×m)的单位矩阵,其中m是被测量的参数的个数,并且被界定为
其中i和j是行指数和列指数。
为了确定测量参数的品质和/或可用性,在时间k处发动机气路参数的向量被典型地与预定的阈值做比较(步骤104)。范围外的参数或丢失的参数将使这些测试失败并且测量参数Z的向量将被标记为不具有默认的构形。同样地,如果所有的参数都在阈值内,那么然后测量参数的向量将被标记为具有默认的构形并且对于性能诊断跟踪将立刻是有用的(步骤109)。
如果测量参数Z的向量被标记为不具有默认的构形,那么这指示至少一个测量参数或者在预定的阈值之外或者是完全丢失的,也就是数据缺失。在任一情形中,有问题的或丢失的参数测量对于随后的性能诊断跟踪都要被确定是不存在的(步骤105),并且测量构形矩阵MC被改变(步骤106)
通过背景技术,发动机性能诊断跟踪典型地评估传感器性能以及发动机模块性能。对于发动机模块,性能参数通常的表现形式为在模块效率和流量参数中的变化,或性能变量增量(从标称或安装状态)。对于传感器本身,传感器误差参数x是气路分析的部分并且被评估和跟踪。
性能变量增量(delta)从参考(标称)处计算。如果所有的参数变量增量都接近于零而一个参数具有大的变量增量值,那么它可指示“传感器”误差。传感器误差并不被限于使用仪器上,而是可包括在数据记录、数据约简、标准化等等中的误差。
传感器误差是传感器精度的测量并且被包括在性能评估过程中以吸收传感器偏差与漂移的影响和较小程度上的传感器不可重复性。性能评估帮助防止来自传感器误差的模块性能评估的讹误。所以,如果测量参数x不存在,那么任何随后的分析都能有效地将关联的传感器误差评估从性能评估过程中降低。这个过程由故障构形矩阵FC来控制,其被集合并且跟踪测量构形矩阵MC。
当测量构形矩阵MC是基于默认的发动机构形时,故障构形矩阵FC也是单位矩阵。如果MC被改变了,那么FC也将被改变。一组解法可被开发以控制作为MC中变化的函数的FC是如何变化的,并且可随着应用场合之间的不同而变化。故障构形矩阵FC基于该组默认的故障参数被集合并且被保持。故障构形矩阵FC是大小为n(n×n)的单位矩阵,其中n是被随后的性能诊断跟踪过程评估的性能故障x的个数,并且n>m。故障构形矩阵FC被界定为
故障构形矩阵FC包括模块评估性能故障x(效率和流量参数变化)以及传感器故障和任何其它的可被包括在性能诊断跟踪过程中的发动机系统故障。用于评估默认的测量构形的潜在故障列表(n)被执行诊断跟踪的分析者预先确定和指定。
如果测量构形矩阵MC已经从上次的样本k-1中被更新了(步骤106),那么故障构形矩阵FC相似地也要被更新(步骤107)。故障构形矩阵FC被改变以排除那些故障,该故障的评估受到被使用来计算性能评估的对应测量参数的丢失的影响(在步骤106中执行)。
例如,如果被结合到高压压缩机(HPC)入口处的压力测量传感器(称为P25)失败了,或者如果它的输出信号遭受到缺失,那么测量构形矩阵MC就被调整以反映这种情况。如果qth测量参数是P25,那么MC(q,q)将被设置为0。故障构形矩阵FC相似地也被更新,FC(p,p)=0,其中在故障组中的pth参数代表P25传感器故障。通常,FC被更新为
在接着的性能跟踪计算中,测量构形矩阵MC和故障构形矩阵FC通过适应有效地将P25测量从性能故障计算中除去了并且将P25传感器误差评估从起作用的故障列表中除去了。典型地,使用最小平方或者综合最小平方评估计算执行性能计算。卡尔曼滤波器(Kalman filter)是一个被使用的途径,并且其是被使用来教授方法的综合最小平方途径。
性能跟踪评估是来自在测量气路参数中感知到的变化的在各种性能参数比如效率、流量、传感器故障等等中的变化。在测量气路参数中的变化,或者性能变量增量被计算成从参考处的百分比变化,该参考典型地的是期望用于给定航程和功率条件的标称发动机值。百分比变量增量被计算用于每一个测量参数m并且被存储为百分比变量增量Z的m×1向量。在性能参数n中的百分比变量增量变化被计算为n×1向量如
其中x0是用于性能变化的推理评估的n×1向量,D是n×m卡尔曼增益矩阵,而H是m×n组影响系数,按百分比其代表用于在性能参数中测量参数是如何变化1%的变化的物理模型。H代表在性能参数变量增量x和测量气路参数变量增量Z之间的相互关系的线性近似模型。
影响系数矩阵H典型地被分割成两个子矩阵部分,即发动机性能故障子矩阵He和传感器性能故障子矩阵Hs。He是m×ne子矩阵,而Hs是m×ns子矩阵,其中ne代表被跟踪的发动机性能故障的个数,而ns是被跟踪的测量传感器故障的个数,其中ne≠ns并且ns≥m。性能故障的总个数是n=ne+ns,并且H是两个子矩阵的串联(concatenation),也就是,H=[HeHs]。这个线性模型的表现形式
Z=Hx+θ (6)
其中θ是代表测量不可重复性的随机噪声的m×1向量。(5)提供了计算用于性能变化x的真(并且未知的)向量的评估的方式。卡尔曼增益矩阵D被界定为
D=P0HT(HP0HT+R)-1 (7)
其中R代表m×m测量协方差矩阵,而P0代表n×n状态协方差矩阵。在上面的等式中,上标-1指示矩阵求逆,而上标T指示矩阵转置。
测量协方差矩阵R是从公知的测量传感器不可重复性标准偏差σi,i=1,2,…,ns和传感器性能故障影响系数子矩阵Hs的知识计算的,如
其中S是σi,i=1,2,…,ns值的ns×1向量,而diag(S)是ns×ns对角矩阵,其中S出现在主对角线上并且所有出现在主对角线以外上的都是零。(5)、(6)、(7)和(8)代表卡尔曼滤波器等式。
一旦测量构形MC和故障构形FC矩阵已被更新(步骤106,107),那么它们可被使用来适应上面所描述的性能评估过程以适合如下面被进行的(step 109)当前数据点的测量构形。
测量构形MC和故障构形FC矩阵适应影响系数矩阵H,创建修正影响系数矩阵
其中I是m×m单位矩阵。
在图2中图示的是各种包括和实施本发明的模块的结构(framework)201实施例。结构201从位于燃气涡轮发动机上的监测传感器处接收数据。
结构201包括被结合到测量适应模块205上的数据规范器203,其被结合到适应的(adaptive)卡尔曼滤波器207上以用于评估燃气涡轮发动机模块性能变化。数据规范器203将获得的发动机测量数据与发动机型号比较以得到发动机性能测量变量增量。测量适应模块205包括Z向量汇编(assembler)209、FC矩阵汇编211和MC矩阵汇编213。测量变量增量被集合在向量Z 209中并且对MC矩阵213做出适当的变化,如先前所描述的。FC矩阵汇编211修正将从测量变量增量的当前构形进行评估的性能故障。适应的卡尔曼滤波器207包括适应的影响矩阵发动机215、适应的测量协方差矩阵发动机217、适应的卡尔曼增益矩阵发动机219和适应的状态评估发动机211。测量构形MC 213和故障构形FC 211矩阵使卡尔曼滤波器207适应给定的测量组。在每个时间步骤k处执行这个过程,对于该时间步骤的数据是有用的以用于处理。
如上面略述的对于特定测量构形MC和关联故障构形FC的更新卡尔曼滤波器评估等式的作用是同样产生了对于给定的从开始处测量构形组件的性能变化什么是将要被跟踪的。由于这个过程可在软件或硬件中被执行,或者场内(on-board)或者场外(off-board),所以应用本发明的优点是不需要动态再分配存储以适应由不同的测量构形所指定的在矩阵大小中的变化。在上面所描述的过程中,矩阵维数被固定在默认的测量大小m和性能故障大小n,并且不会变化。
构形矩阵MC和构形矩阵FC的使用将关联的卡尔曼滤波器评估过程中适当的行和列清零,使得剩下的非零部分提供相同的结果一,其使用由测量组所指定的较低的维数数量将被获得。在先前引用的P25压力测量缺失的实例中,测量变量增量向量本质上已经在大小上被一简化到(m-1)×1向量。这个在维度上的约简通常将需要在模型数字元素中关联的约简,也就是H、R和D。MC和FC构形矩阵的使用允许最初的维数可被保持。在不需要软件变化或手动干涉的情况下,根据本测量构形这个支持可再构形其本身的自主过程。
已经描述了本发明的一个或多个实施例。然而,可以理解的是在不偏离本发明的精神和范围的情况下可做出各种修改。因此,其它的实施例在所附权利要求的范围内。
Claims (24)
1.一种用于使来自燃气涡轮发动机的测量适应在性能跟踪中的使用的方法,包括:
选择用于所述燃气涡轮发动机及其应用的默认的发动机构形;
获得对应预定数量的测量参数的气路数据样本;
得到用于所述燃气涡轮发动机的性能参数;
将在时间k处的所述测量参数和性能参数与预定的阈值比较,以便确定每一个参数的品质和/或可用性,其中,被确定是有问题的参数对于性能跟踪被界定为不存在的;
基于所述默认的发动机构形和现有测量参数Z确定测量构形矩阵MC,以及基于所述默认的发动机构形和现在的性能参数x0确定故障构形矩阵FC;和
使用所述测量构形矩阵MC和故障构形矩阵FC来适应性能跟踪方法。
2.根据权利要求1所述的方法,其特征在于,所述测量构形矩阵MC是大小为m的单位矩阵,其中m=被测量参数的个数。
3.根据权利要求2所述的方法,其特征在于,所述故障构形矩阵FC是大小为n的单位矩阵,其中n=被评估的性能故障的个数。
4.根据权利要求3所述的方法,其特征在于,所述方法进一步包括使用最小平方或综合最小平方评估计算来执行性能跟踪计算。
5.根据权利要求4所述的方法,其特征在于,所述最小平方评估是卡尔曼滤波器。
6.根据权利要求5所述的方法,其特征在于,所述卡尔曼滤波器是适应的卡尔曼滤波器。
7.根据权利要求6所述的方法,其特征在于,在所述测量构形矩阵MC的主对角线中的零输入代表有问题的或丢失的参数测量。
8.根据权利要求7所述的方法,其特征在于,在所述故障构形矩阵FC的主对角线中的零输入代表那些故障,所述故障的评估受到被使用来计算所述性能评估的对应测量参数的丢失的影响。
13.一种用于使来自燃气涡轮发动机的测量适应在性能跟踪中的使用的系统,包括:
用于选择用于所述燃气涡轮发动机及其应用的默认的发动机构形的装置;
用于获得对应预定数量的测量参数的气路数据样本的装置;
用于得到用于所述燃气涡轮发动机的性能参数的装置;
用于将在时间k处的所述测量参数和性能参数与预定的阈值比较,以便确定每一个参数的品质和/或可用性的装置,其中,被确定是有问题的参数对于性能跟踪被界定为不存在的;
用于基于所述默认的发动机构形和现有测量参数Z确定测量构形矩阵MC,以及基于所述默认的发动机构形和现在的性能参数x确定故障构形矩阵FC的装置;和
用于使用所述测量构形矩阵MC和故障构形矩阵FC来适应性能跟踪方法的装置。
14.根据权利要求13所述的系统,其特征在于,所述测量构形矩阵MC是大小为m的单位矩阵,其中m=被测量参数的个数。
15.根据权利要求14所述的系统,其特征在于,所述故障构形矩阵FC是大小为n的单位矩阵,其中n=被评估的性能故障的个数。
16.根据权利要求15所述的系统,其特征在于,所述系统进一步包括用于使用最小平方或综合最小平方评估计算来执行性能跟踪计算的装置。
17.根据权利要求16所述的系统,其特征在于,所述最小平方评估是卡尔曼滤波器。
18.根据权利要求17所述的系统,其特征在于,所述卡尔曼滤波器是适应的卡尔曼滤波器。
19.根据权利要求18所述的系统,其特征在于,在所述测量构形矩阵MC的主对角线中的零输入代表有问题的或丢失的参数测量。
20.根据权利要求19所述的系统,其特征在于,在所述故障构形矩阵FC的主对角线中的零输入代表那些故障,所述故障的评估受到被使用来计算所述性能评估的对应测量参数的丢失的影响。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US11/657,323 US7441448B2 (en) | 2007-01-24 | 2007-01-24 | Process for adapting measurement suite configuration for gas turbine performance diagnostics |
US11/657323 | 2007-01-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101231213A true CN101231213A (zh) | 2008-07-30 |
Family
ID=39454481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2008100051811A Pending CN101231213A (zh) | 2007-01-24 | 2008-01-22 | 用于使测量组构形适应燃气涡轮性能诊断的过程 |
Country Status (5)
Country | Link |
---|---|
US (1) | US7441448B2 (zh) |
EP (1) | EP1950634B1 (zh) |
CN (1) | CN101231213A (zh) |
CA (1) | CA2617481C (zh) |
DE (1) | DE602008000344D1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103117099A (zh) * | 2013-01-23 | 2013-05-22 | 大连理工大学 | 基于滤波的核反应堆故障诊断系统实现方法 |
CN105203327A (zh) * | 2015-09-15 | 2015-12-30 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种应用于发动机气路分析的气路测量参数选择方法 |
CN108646710A (zh) * | 2018-05-10 | 2018-10-12 | 中国民航大学 | 一种基于改进容积粒子滤波的电液联合舵机状态估计方法 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7860635B2 (en) * | 2006-05-12 | 2010-12-28 | The United States Of America As Represented By The Secretary Of The Army | Singular value decomposition-based method for optimal estimation of turbofan engine thrust and other unmeasurable parameters |
US7826943B2 (en) * | 2007-04-02 | 2010-11-02 | General Electric Company | Method and system for diagnosing faults in a particular device within a fleet of devices |
GB0712980D0 (en) * | 2007-07-04 | 2007-08-15 | Rolls Royce Plc | Engine performance model |
US20090043447A1 (en) * | 2007-08-07 | 2009-02-12 | General Electric Company | Systems and Methods for Model-Based Sensor Fault Detection and Isolation |
US8422402B2 (en) | 2008-04-01 | 2013-04-16 | International Business Machines Corporation | Broadcasting a message in a parallel computer |
CN101349900B (zh) * | 2008-08-12 | 2010-06-09 | 潘洪源 | 基于无线传感器网络的燃气大用户终端测控系统 |
US8364340B2 (en) * | 2009-03-31 | 2013-01-29 | General Electric Company | Method and systems for virtual sensor selection and blending |
US7881880B2 (en) * | 2009-04-01 | 2011-02-01 | United Technologies Corporation | Actuator performance monitoring system |
US8437941B2 (en) | 2009-05-08 | 2013-05-07 | Gas Turbine Efficiency Sweden Ab | Automated tuning of gas turbine combustion systems |
US9267443B2 (en) | 2009-05-08 | 2016-02-23 | Gas Turbine Efficiency Sweden Ab | Automated tuning of gas turbine combustion systems |
US9671797B2 (en) | 2009-05-08 | 2017-06-06 | Gas Turbine Efficiency Sweden Ab | Optimization of gas turbine combustion systems low load performance on simple cycle and heat recovery steam generator applications |
US9354618B2 (en) | 2009-05-08 | 2016-05-31 | Gas Turbine Efficiency Sweden Ab | Automated tuning of multiple fuel gas turbine combustion systems |
US20110106680A1 (en) * | 2009-10-30 | 2011-05-05 | General Electric Company | Turbine operation degradation determination system and method |
US8306791B2 (en) * | 2009-12-21 | 2012-11-06 | United Technologies Corporation | Method and system for modeling the performance of a gas turbine engine |
US8862433B2 (en) * | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
US8949577B2 (en) | 2010-05-28 | 2015-02-03 | International Business Machines Corporation | Performing a deterministic reduction operation in a parallel computer |
US8566841B2 (en) | 2010-11-10 | 2013-10-22 | International Business Machines Corporation | Processing communications events in parallel active messaging interface by awakening thread from wait state |
US8751423B2 (en) | 2010-11-30 | 2014-06-10 | General Electric Company | Turbine performance diagnostic system and methods |
RU2451278C1 (ru) * | 2011-03-16 | 2012-05-20 | Открытое акционерное общество "Научно-производственное объединение "Сатурн" (ОАО "НПО "Сатурн") | Турбореактивный двигатель и способ испытания турбореактивного двигателя |
US8738326B2 (en) | 2011-03-23 | 2014-05-27 | General Electric Company | Performance characteristic calculation and comparison |
US8893083B2 (en) * | 2011-08-09 | 2014-11-18 | International Business Machines Coporation | Collective operation protocol selection in a parallel computer |
US8910178B2 (en) | 2011-08-10 | 2014-12-09 | International Business Machines Corporation | Performing a global barrier operation in a parallel computer |
US8423161B2 (en) * | 2011-08-24 | 2013-04-16 | General Electric Company | Methods and systems for gas turbine modeling using adaptive kalman filter |
US9495135B2 (en) | 2012-02-09 | 2016-11-15 | International Business Machines Corporation | Developing collective operations for a parallel computer |
WO2013155161A1 (en) * | 2012-04-10 | 2013-10-17 | Lockheed Martin Corporation | Efficient health management, diagnosis and prognosis of a machine |
US10459885B2 (en) * | 2014-04-11 | 2019-10-29 | United Technologies Corporation | Portable memory device data modeling for effective processing for a gas turbine engine |
WO2015161198A1 (en) | 2014-04-17 | 2015-10-22 | Lockheed Martin Corporation | Prognostics and health management system |
CN110513242B (zh) * | 2019-08-13 | 2020-10-16 | 中国水利水电科学研究院 | 一种以振动频率为主线索的水电站稳定性故障诊断方法 |
CN110672328B (zh) * | 2019-11-05 | 2020-08-14 | 大连理工大学 | 一种基于随机配置网络的涡扇发动机健康参数估计方法 |
Family Cites Families (14)
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 |
GB2211965B (en) | 1987-10-31 | 1992-05-06 | Rolls Royce Plc | Data processing systems |
US5447059A (en) | 1993-12-27 | 1995-09-05 | Solar Turbines Incorporated | Apparatus and method for determining gas turbine engine life |
GB2362481B (en) | 2000-05-09 | 2004-12-01 | Rolls Royce Plc | Fault diagnosis |
US6804612B2 (en) | 2001-10-30 | 2004-10-12 | General Electric Company | Methods and systems for performing integrated analyzes, such as integrated analyzes for gas turbine power plants |
US6760689B2 (en) | 2002-01-04 | 2004-07-06 | General Electric Co. | System and method for processing data obtained from turbine operations |
US7216071B2 (en) * | 2002-04-23 | 2007-05-08 | United Technologies Corporation | Hybrid gas turbine engine state variable model |
US6909960B2 (en) | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
US7136809B2 (en) | 2002-10-31 | 2006-11-14 | United Technologies Corporation | Method for performing an empirical test for the presence of bi-modal data |
US7031878B2 (en) | 2002-12-16 | 2006-04-18 | General Electric Company | Systems and methods for diagnosing the cause of trend shifts in performance data |
US6962043B2 (en) | 2003-01-30 | 2005-11-08 | General Electric Company | Method and apparatus for monitoring the performance of a gas turbine system |
US7415328B2 (en) * | 2004-10-04 | 2008-08-19 | United Technologies Corporation | Hybrid model based fault detection and isolation system |
US8010320B2 (en) * | 2006-11-17 | 2011-08-30 | United Technologies Corporation | Reducing gas turbine performance tracking estimation non-repeatability |
-
2007
- 2007-01-24 US US11/657,323 patent/US7441448B2/en active Active
-
2008
- 2008-01-09 CA CA2617481A patent/CA2617481C/en not_active Expired - Fee Related
- 2008-01-15 DE DE602008000344T patent/DE602008000344D1/de active Active
- 2008-01-15 EP EP08250185A patent/EP1950634B1/en active Active
- 2008-01-22 CN CNA2008100051811A patent/CN101231213A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103117099A (zh) * | 2013-01-23 | 2013-05-22 | 大连理工大学 | 基于滤波的核反应堆故障诊断系统实现方法 |
CN105203327A (zh) * | 2015-09-15 | 2015-12-30 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种应用于发动机气路分析的气路测量参数选择方法 |
CN105203327B (zh) * | 2015-09-15 | 2019-05-21 | 中国航空工业集团公司沈阳发动机设计研究所 | 一种应用于发动机气路分析的气路测量参数选择方法 |
CN108646710A (zh) * | 2018-05-10 | 2018-10-12 | 中国民航大学 | 一种基于改进容积粒子滤波的电液联合舵机状态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
US20080177505A1 (en) | 2008-07-24 |
CA2617481C (en) | 2011-01-04 |
DE602008000344D1 (de) | 2010-01-21 |
US7441448B2 (en) | 2008-10-28 |
EP1950634B1 (en) | 2009-12-09 |
EP1950634A3 (en) | 2008-12-17 |
CA2617481A1 (en) | 2008-07-24 |
EP1950634A2 (en) | 2008-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101231213A (zh) | 用于使测量组构形适应燃气涡轮性能诊断的过程 | |
Scarf et al. | Block replacement policies for a two‐component system with failure dependence | |
US7020569B2 (en) | Intelligent modelling of process and tool health | |
González et al. | Bivariate drought recurrence analysis using tree ring reconstructions | |
EP1418481B1 (en) | Method for performing gas turbine performance diagnostics | |
US8909360B2 (en) | Self-diagnostic process control loop for a process plant | |
US7421351B2 (en) | Monitoring and fault detection in dynamic systems | |
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 | |
JP6976696B2 (ja) | プロセス管理支援装置および方法 | |
CN102227691A (zh) | 检测航空发动机的异常 | |
US20080183425A1 (en) | Robust distance measures for on-line monitoring | |
CN104090861A (zh) | 动态离群值偏倚减少系统和方法 | |
DE112008001654T5 (de) | System und Verfahren für virtuelle Sensoren | |
DE60206241T2 (de) | Fehlerdiagnose | |
CN104035431A (zh) | 用于非线性过程监控的核函数参数的获取方法和系统 | |
CN107644148A (zh) | 一种基于多参数关联的在轨卫星异常状态监测方法及系统 | |
JP3922426B2 (ja) | ガスタービンの性能診断方法 | |
McGhee et al. | Prognostic modeling of valve degradation within power stations | |
US6334095B1 (en) | Method for assessing plant capacity | |
WO2009055967A1 (en) | Real-time model validation | |
US10394255B2 (en) | Diagnostic device and method for monitoring frictional behavior in a control loop | |
Borguet | Variations on the Kalman filter for enhanced performance monitoring of gas turbine engines | |
Léonard et al. | Adaptive estimation algorithm for aircraft engine performance monitoring | |
Grijsen | Rapid climate risk assessment methodologies for hydropower projects: concepts and theory | |
Borguet et al. | Assessment of an anomaly detector for jet engine health monitoring |
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: 20080730 |