CN102246111B - 识别航空发动机中故障 - Google Patents

Abstract

本发明涉及用于识别航空发动机(1)中故障的方法和系统，包括：装置(5)，用于限定表示所述航空发动机(1)运行的标准化指标集；装置(5)，用于构建异常矢量，该异常矢量表示作为所述标准化指标集函数的所述发动机(1)的行为；装置(5)，用于如果所述异常矢量显示异常，选择具有方向的参考矢量的子集，该方向属于所述异常矢量方向确定的邻域，从参考矢量集选择所述参考矢量的子集，所述参考矢量集与所述航空发动机故障有关，并且使用专家所建立的标准确定；装置(5)，用于识别与所述参考矢量的子集有关的故障。

Description

识别航空发动机中故障

技术领域

本发明涉及监测航空发动机的领域。特别地，本发明涉及识别航空发动机中故障及检测有故障元件。 

背景技术

在大量工业中，诸如航空工业和空间工业中，能够从描述发动机即时状态的测量来识别航空发动机的故障，以在如果有故障的情况下，推出哪些物理元件发生故障，这是重要的。然而，这种时序测量被各种不同的物理单元表示，并且它们可以在不同的飞行中以任意方式变化，因此，复杂化了这种测量的任何分析和处理。 

存在具有质量记分的所谓的“记分”工具，其寻求替代时序测量，该时序测量可以表示为各种不同的单元。这种工具是基于产生质量控制系统的可能性计算。然而，记分工具很难应用于多变量领域，诸如监测航空发动机。而且，这种记分对应于相对值，该相对值不易转换成发动机专家可以理解的真实环境。 

也有分类或标签工具，这些工具通常和用于对工业方法提供统计控制的方案一起使用。然而，这种分类工具需要针对故障数据库而被校准，该故障数据库是大尺寸的，非常难于获得，非常昂贵，并且需要大量的计算时间。特别地，这种分类工具应用于航空发动机领域是极其困难的。这是因为，幸好地，很少有航空发动机的真实故障，因此构建大的故障数据库非常困难。 

发明内容

本发明提供一种识别航空发动机中故障的方法，该方法包括下列步骤： 

·限定标准化指标集，该标准化指标集表示所述航空发动机的运行； 

·构建异常矢量，该异常矢量表示作为所述标准化指标集函数的所述发动机行为； 

·如果所述异常矢量显示异常，选择具有方向的参考矢量的子集，该方向属于所述异常矢量方向确定的邻域，从参考矢量集选择所述参考矢量的子集，所述参考矢量集与所述航空发动机故障有关，并且使用专家所建立的标准确定的。 

·识别与所述参考矢量的子集有关的故障。 

该方法使得解释异常矢量和参考矢量容易，该异常矢量和参考矢量对应于发动机专家可以理解的以参考的物理帧表示的特征。而且，可以依靠从专家收集的知识而不是依靠非常昂贵和难以构建的故障或错误数据库。这可以通过可以理解的、快速和低价的方式来识别故障。 

在本发明的一个方面，选择所述参考矢量的子集包括下列步骤： 

·计算维度等同于所述标准化指标集的指标数量减去所述指标之间线性关系的数量的空间中球体上所述异常矢量的方向和所述参考矢量方向之间的最短距离，； 

·比较成对的所述最短距离； 

·根据相对于所述异常矢量的参考矢量最短距离的递增次序，分类参考矢量； 

·从具有小于确定级别的分类次序的第一参考矢量形成所述参考矢量的子集。 

这使得甚至在大的三维空间中，通过限制问题的维度于所选择的参考矢量所产生的子空间，选择最接近的故障特征容易。 

根据本发明的特征，所述球体具有直径1。 

根据本发明的另一个方面，故障的识别包括下列步骤： 

·使用专家所建立的标准，限定每个参考矢量发生的先验概率；和 

·计算每个参考矢量发生的后验概率，该发生的后验概率作为所述发生的先验概率和所述最短距离的函数。 

这使得识别最可能的故障容易。 

根据本发明的特征，所述的标准化指标集 包括使用专家所建立的标准识别的指标 

因此，发动机专家任何时候都能互动并且解释异常特征。 

根据本发明的另一个特征，所述标准化指标集 进一步包括动态指标，该动态指标是作为当前指标和表示所述航空发动机随着时间过去的行为的过去即时指标 的函数来构建的。 

因此，可以选择航空发动机的动态行为，以及它变化的方式。 

有利地，使用下面的步骤构建所述异常矢量： 

·从所述指标集形成指标矢量 和 

·通过使用下列公式： 重新标准化所述指标矢量 构建所述异常矢量z，其中μ是指标矢量的平均值，∑是协方差矩阵，从该矩阵中计算虚拟反矩阵∑^-1，并且通过分解成奇异值计算根∑^-1/2。 

这使得解释更容易，并且有利于对异常矢量所进行的计算。 

此外，该方法包括下列步骤： 

·使用马氏(马哈拉诺比斯，Mahalanobis)距离： 

$d^2={\left|\right|z\left|\right|}^2={(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})$

计算所述异常矢量的范数；和 

·根据触发阈值，检测所述航空发动机的异常，该触发阈值限定为异常矢量的所述范数的统计学分布的函数。 

因此，异常矢量的范数对应于表示异常行为的总记分，该异常行为易于在已知的统计学分布中检测，该统计学分布近似χ²。 

有利地，如果有异常，根据指标的歪曲行为构建所述参考矢量集。 

因此，可以容易地构建参考矢量，同时保持专家可以理解的含义。 

本发明的方法也包括下列步骤： 

·在专家所建立的标准应用中建立判定网格； 

·使用贝叶斯(Bayesian)规则从所述发生的后验概率和从所述判定网格推导每个元件的故障概率；和 

·检测有故障的物理元件，它基于所述每个元件故障概率对所述故障负责。 

这方便发现有故障的设备，因此能够使航空发动机的维修快速和有效地进行。 

所述判定网格可以通过有故障元件的条件概率矩阵形成，已知已经观察到故障，并且来源于对应于每个元件发生故障的先验概率的一系列系数。 

因此，从专家知识容易构建判定网格。 

有利地，机器学习证实所述判定网格。 

这能够构建更精确和更健全的判定网格。 

本发明也提供了用于识别航空发动机中故障的系统，该系统包括： 

·用于限定标准化指标集的装置，该标准化指标集表示所述航空发动机的运转； 

·用于构建异常矢量的装置，该异常矢量表示作为所述标准化指标集的函数的所述发动机的行为； 

·如果所述异常矢量显示异常，用于选择具有方向的参考矢量子集的装置，该方向属于所述异常矢量方向的确定领域，所述参考矢量子集选自与所述航空发动机的故障有关并且使用专家所建立的标准确定的参考矢量集；和 

·识别与所述参考矢量子集有关的故障的装置。 

本发明也提供了包含指令的计算机程序，当处理器装置执行程序时，用于执行使用上述步骤的识别故障的方法。 

附图说明

通过阅读参考附图以非限制性说明方式给出的下面说明书，可以更好地显示出本发明的装置和方法的其它特征和优点： 

图1表示本发明用于识别航空发动机中故障的系统或方法中使用的硬件装置； 

图2是流程图，表示识别图1航空发动机故障的主要步骤；和 

图3是流程图，表示检测图1航空发动机中有故障元件的主要步骤。 

具体实施方式

图1表示本发明用于识别航空发动机1中故障的系统或方法中使用的硬件装置。 

该系统包括多个传感器3a-3f，用于测定与发动机1和它的环境有关的时序数据。该系统也包括用于处理信息的处理器装置5，诸如计算器或计算机，适于使用该处理器装置以执行所设计的以实现本发明方法的计算机程序。该处理器装置5包括计算机中常规发现的硬件装置。更特别地，这些处理器装置5包括中央单元7，其执行本发明方法程序的指令顺序，中央内存9，其存储要执行的数据和程序，存储装置9或介质11，其用于存储数字化保存数据，输入外围设备(传感器3a-3f、键盘、鼠标，...)，和输出外围设备(屏幕13、打印机15，...)用于递呈识别故障的结果。 

图2表示通过处理器5实现的识别航空发动机1中故障的本发明主要步骤。 

在步骤E1中，设置处理器装置5以随着时间运行来收集和数字化时序测量，该时序测量是通过传感器3a-3f从航空发动机1和它的环境获得。 

在步骤E2中，设置处理器装置5以限定标准化指标。 

基于时序测量，可以计算指标y₁，...，y_j，...，y_m，所述指标对于发动机1的元件是特定的。例如，一个指标可以对应于发动机每次启动后，发动机轴达到最大加速度所需的延迟，另一个指标可以是发动机废气的温度梯度，等等。 

应该观察到指标可以是针对物理元件或逻辑元件的，该物理元件表示发动机1的特定元件，该逻辑元件表示发动机1整个元件组的特定任务。 

可以使用专家所提供的标准，例如基于发动机专家所起草和被称为故障模式、 影响及危害性分析(FMECA)的文献计算这些指标y₁，...，y_j，...，y_m。该文献列出了故障、所涉及的设备的零件、原因、结果，以及从上述测量所计算的指标，所述测量能够使得现象被识别，测量中的每个测量都与所观察的影响描述相关。 

此后，可以标准化指标y₁，...，y_j，...，y_m，例如，使用作为平均值和标准差的函数的常规标准化技术，该平均值和标准差是基于以前数字化数据系列先验计算出的。 

在变化形式中，可以限定标准化指标y₁，...，y_j，...，y_m，该指标独立于外部环境并且也考虑指标本身之间随机的相互依赖关系。 

在特定的外部或内部条件下获取飞行期间所收集的每次测量。对指标应该如何被解释有影响的这些条件本身可以被测量，并且记录为外源数据。外部条件可以包括外边的温度和压力，飞机的姿态和相对速度，哪里进行的飞行(海上、沙漠上、陆地上等)，天气状况(雨、雪、冰等)，相对湿度等。内部条件可以涉及发动机的特定使用(轴速、废气温度、燃料类型等)。作为外源数据的例子，启动发动机前即刻的油温可以被考虑为识别两种类型启动(冷启动或热启动)的相关数据。 

因此，从传感器3a-3f所获得的时序测量，可以识别外源数据集X＝(x₁，...，x_h)，其表示对指标y₁，...，y_j，...，y_m起作用的外部环境。这可以使用专家标准进行，该专家标准进行从属性分析，该从属性分析可以列出与指标有关的相关数据。 

此后，对于每个指标，在空间上构建观察值的回归，例如，带有节点的模型，该空间由其它指标、相关数据、获自专家分析的表述、以及被实施的其它函数产生。所构建及观察值被投影的空间比原始的指标数量具有更大的维度。 

换而言之，对于每个给定的指标y_j，构建投影空间E^(j)＝σ(Y^(j)，X)。该投影空间由外源数据集X＝(x₁，...，x_h)和指标子集Y^(j)＝(y₁，...，y_j-1，y_j+1，...y_m)的分析转换产生，该指标子集包含除了给定的指标y_j外的所有的原始指标。分析转换表示指标之间的物理关系，并且它们可以由专家限定。这些分析转换也可以包括恒等交换、线性或非线性变换或者提供关于不同指标之间相关性信息的函数。此后，对于每个给定的指标y_j，通过使用回归技术投影给定的指标y_j到投影空间E^(j)＝σ(Y^(j)，X)上计算相应的估计量 因此形成了估计量集 

最后，每个估计量 可以被标准化为相应的指标y_j和留数或每个给定的估计量 和相应指标y_j之差的参考值的函数，以形成标准化指标 表示发动机1的运转。 

基于使用上述方法或任何其它方法构建的这些标准化指标 目的是 诊断异常，然后推导具体的故障及可能所涉及的物理元件。 

然而，诊断异常前，除了专家所识别的指标 外，还可能要添加涉及即时过去的指标(趋向、曲率、加速度、形状，...等)以挑选发动机的动态行为及它是如何变化的。 

指标的连续观察值可以提供关于指标的动态信息。因为标准化指标适于被比较(其不是真实原始指标)，专家所识别的标准化指标以动态方式被组合。 

因此，可以限定标准化指标集 其表示随着时间变化的航空发动机1的行为，并且包含专家所识别的指标 和作为专家所识别的指标 函数，当它们在当前和曾经在过去 时构建的动态指标。 

步骤E3涉及构建异常特征，该异常特征表示发动机1的行为。更具体地，设置处理器装置5以构建作为标准化指标集 函数的异常矢量(或异常特征)。 

异常矢量的构建最初可以通过从标准化指标集 形成维度n的指标矢量 来进行。此后，通过重新标准化指标矢量 可以构建标准化异常矢量z。 

应该观察到对于通过留数计算得到的标准化指标，指标矢量 可以用多变量高斯(Gaussian)分布进行合理地标准化，其中使用最小二乘方最小化技术获得该留数。 

更特别地，标准化指标矢量 的平均值μ被减去，这样就集中了矢量，计算协方差矩阵∑，然后通过校正指标矩阵 形成异常矩阵，其中通过使用下列公式： 

$z={\mathrm{\Σ}}^{-1/2}(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})$

使用通过用U^TU＝I和 分解成奇异值∑＝USU^T计算的∑的虚拟反矩阵的根，通过协方差矩阵∑进行上述校正。因此，标准化异常矢量z可以近似地服从被考虑约为零的奇异值所识别的维度k≥0的∑核心补集上的正态高斯分布。 

步骤E4是异常试验。设置处理器装置5以诊断是否异常特征或矢量显示异常。 

正常的特征是相当平的，而异常通过大变化表示并且容易解释。 

因此，通过计算异常矢量的范数可以检测异常，例如，使用下面公式： 

$d^2={\left|\right|z\left|\right|}^2={(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})$

所表示的马氏(马哈拉诺比斯，Mahalanobis)距离计算异常矢量的范数，其中μ是标准化指标矢量 的平均值，∑是协方差矩阵。 

有利地，马氏距离的统计学分布是已知的，并且可以近似为χ²(n-k)。而且，通 过分析计算可以直接获得相对于平均值的3σ和6σ的级别(其中σ是标准差)。结果，基于限定为异常矢量范数的统计学分布函数的触发阈值，容易检测航空发动机的异常。 

因此，异常矢量的范数可以考虑为总记分，该总记分表示异常行为且易于检测。 

如果有异常，也可以通过进行异常矢量的二维投影来具体化故障类型。 

在步骤4试验的最后，只有在异常矢量显示异常情况下，该方法才自然地向随后的步骤E5移动。 

步骤E5涉及选择对应于所列出航空发动机故障的参考特征。 

更特别地，如果异常矢量显示异常，设置处理器装置5以选择参考特征或具有方向的矢量的子集，该方向属于异常矢量方向确定的邻域。参考矢量子集选自与航空发动机故障有关及使用专家所建立的标准确定的预确定的参考矢量集(或特征)。 

如果异常，可以根据指标的歪曲行为构建参考矢量集。 

当设计FMECA时，专家可以列出所有种类可能的故障，每个故障都被分配发生的先验概率，提供足够多的元件以限定如果异常，指标的歪曲行为。歪曲行为通常在下面几行中被非正式地描述为：“这个值非常高”，“这个另外值增加的非常慢”，“当最后值高时，其可以是小的”，等等。 

歪曲的行为可以通过已知方式进行转换成记分形式，该记分形式产生了被构建的已知故障的列表。而且，在假设标准的上下关系情况下，该列表能够使分类故障的例子被构建。这些例子可以是标准化的矢量形式，以构建标准化矩阵，该标准化矩阵每排包含标准化参考矢量。结果，FMECA用于限定参考矢量，该参考矢量以歪曲方式描述了参考帧中所列出的故障，该参考帧是真实的并且是发动机专家可理解的。此外，FMECA可以限定与每个参考矢量有关的发生先验概率。 

应该观察到鉴于故障的定义是歪曲的，可以只考虑参考矢量的方向。因此，通过比较维度n-k的矢量空间中(n-k-1)球体上异常矢量和参考矢量，可以分类或选择参考矢量子集，该维度n-k等于标准化指标集 中指标数减去这些指标之间线性关系k的数。 

这可以通过计算球体上异常矢量投影和参考矢量投影之间的最短距离进行。在维度大于5的空间中，计算矢量之间距离变得无意义。 

更具体地，计算球体上异常矢量方向和参考矢量方向之间的最短距离。因此，通过计算半径1球体上最短距离，可以比较异常矢量的方向与参考矢量的方向。 

使用下面公式： 异常矢量z和标准化参考矢量t(标准“样本”)之间最短距离θ²可以近似为标准化数积。 

自然地，在高维度空间中，可以不使用距离概念作为分布参数。 

然而，可以成对地比较这些最短距离，这样就可以例如，以参考矢量相对于异常矢量最短距离的升序来分类参考矢量。然后可以从低于确定级别的分类级的第一参考矢量来形成参考矢量子集。例如，可以选择第一、三、四或五参考矢量以形成表示更可能故障的几个参考矢量子集。 

在步骤E6中，设置处理器装置5以识别与先前选择的参考矢量子集有关的故障。 

更特别地，使用最短距离以识别更可能的故障。因为总是可以选择最接近异常矢量的主要参考矢量，所以可以在相应的更小维度子球体上限定概率模型，并且可以使用最短距离以计算发生的后验局部概率。为此，模型用于球体上的混合高斯。高斯半径依赖于专家所建立的先验标准。 

因此，对于每个参考矢量，当设计FMECA和用于分类参考矢量子集的最短距离时，可以计算发生故障f的后验概率P(f)作为如专家所限定的发生每次故障f的先验概率的函数。 

使用下来公式： 

${\mathrm{\Σ}}_t{\mathrm{\λ}}_t\exp (-{\mathrm{\θ}}_t^2/2{\mathrm{\σ}}_t^2)$

使用概率模型可以计算发生的后验概率P(f)，该概率模型具有专家所限定针对每个参考矢量t的参数-加权系数λ_t，该公式中θ_t是异常矢量z和参考矢量t之间的最短距离；其中使用与参考矢量t有关的发生的先验概率计算 

因此，异常矢量的范数d²给出了异常的水平，并且最短距离θ²用于识别更可能的故障。这是通过依赖从专家收集的知识，而不是通过依赖故障数据进行的。 

图3表示通过处理器装置5实现的用于检测航空发动机1中有故障元件的主要步骤。 

通过计算它们中每个发生的概率来识别故障后，可以使用概率险测有故障元件。为此，使用包括专家所确定的判定网格，并且当观察到精确的故障时，给出所分析的每个物理元件有故障的概率。 

因此，在步骤E7中，设置处理器装置5以基于专家所建立的标准来建立判定 网格。判定网格可以通过元件c是有故障的条件概率q_f，c＝P(c/f)的矩阵Q＝(q_f，c)形成，条件是观察到故障f及对应于每个元件c故障的先验概率的一系列系数。矩阵Q＝(q_f，c)是对称的正矩阵。 

而且，可以观察到通过发动机器学习可以证实判定网格。这种学习的主要作用仅是检验专家所提供的信息，因此避免任何构建数据库的需要。 

在步骤E8中，设置处理器装置5以基于发生的后验概率P(f)和判定网格Q＝(q_f，c)，使用贝氏规则推导对于每个元件c的每个元件故障概率P(c)。 

因此，对于每个元件c，可以估算故障概率P(c)，通过下面公式给出故障概率P(c)： 

${P\left(c\right)=\left[{\mathrm{\β}}_c{\mathrm{\Σ}}_f({2q}_{f,c}-1)P\left(f\right)\right]}_0^1$

其中β_c是对应于有故障元件的先验发生的标准化系数。而且，截取在0和1之间的该公式的结果。 

最后，在步骤E9中，设置处理器装置5以通过使用前述步骤中所计算的每个元件故障概率来检测对故障负责的有故障的物理元件。 

应该观察到当检测到异常时，计算故障发生的后验概率P(f)的步骤E6使得在图表或图像中图示地表示每个故障容易。而且，步骤E9中检测有故障的元件使得构建另一个图像成为可能，在另一个图像中每个故障都被元件的真实名称所代替。然后，这些图像可以容易地被专家所参阅。 

因此，通过使用对发动机专家来说公知和适合解释的方法，本发明首先用于诊断异常，然后用于分类与该异常有关的故障。 

而且，将异常的检测和故障的分类分开能够使专家没有列出的新类型故障被检测到，能够使得它们被分析，然后能够使它们按顺序被包括在潜在故障的列表中。 

而且，在优选的实施中，本发明方法的各个步骤是通过程序编码指令执行的。 

因此，本发明也提供了一种计算机程序产品，该程序能够在处理器装置中或计算机系统中被执行，该程序包含编码指令，其适于实施如上所述本发明的方法。 

该程序可以使用任何编程语言，并且可以是源代码、目标码或源代码和目标码之间的中间码的形式，诸如部分符合的形式，或者任何其它期望的形式。 

本发明也提供了一种计算机可读及包含上述计算机程序指令的数据介质。 

数据介质可以是能存储程序的任何实体或装置。例如，该介质可以包括存储装 置，诸如只读存储器(ROM)，例如光盘(CD)ROM，或微型电子电路ROM，或任何其它记录装置。 

而且，数据媒介可以是可传输媒介，诸如通过电或光缆，通过收音机或通过其它装置，可以被传送的电或光信号。 

作为可替代的方案，数据媒介可以是结合了程序的集成电路，该电路适于执行或被使用在所述方法的执行中。 

Claims (13)

1.识别航空发动机(1)中故障的方法，该方法的特征在于它包括下列步骤：

·使用传感器(3a-3f)以从所述航空发动机(1)和它的环境收集时序测量；

·使用处理器装置(5)以从所述时序测量来计算对所述航空发动机(1)元件特定的指标；

·使用处理器装置(5)以从所述特定的指标限定表示所述航空发动机(1)运行的标准化指标集；

·使用处理器装置(5)以构建异常矢量，该异常矢量表示作为所述标准化指标集函数的所述发动机(1)的行为；

·如果所述异常矢量显示异常，使用处理器装置(5)以选择具有方向的参考矢量的子集，该方向属于所述异常矢量方向确定邻域，从参考矢量集选择所述参考矢量的子集，所述参考矢量集与所述航空发动机(1)故障有关，并且使用专家所建立的标准确定，所述参考矢量集是根据如果有专家所确定的异常时指标的歪曲行为构建的；

·使用处理器装置(5)以识别与所述参考矢量的子集有关的故障；

并且其中选择所述参考矢量的子集包括：

·使用处理器装置(5)以计算维度等于所述标准化指标集的指标数量减去所述指标之间线性关系数量的空间中球体上所述异常矢量的投影和所述参考矢量的投影之间的最短距离；

·使用处理器装置(5)以成对比较所述最短距离；

·使用处理器装置(5)以根据相对于所述异常矢量的参考矢量最短距离的递增次序，分类参考矢量；

·使用处理器装置(5)以从具有小于确定级别的分类次序的第一参考矢量形成所述参考矢量的子集。

2.根据权利要求1所述的方法，其特征在于所述球体具有半径1。

3.根据权利要求1所述的方法，其特征在于该方法包括下列步骤：

·使用处理器装置(5)以基于专家所建立的标准，限定每个参考矢量发生的先验概率；和

·使用处理器装置(5)以计算每个参考矢量发生的后验概率，该发生的后验概率作为所述发生的先验概率和所述最短距离的函数。

4.根据权利要求1所述的方法，其特征在于所述标准化指标集包括使用专家所建立的标准由处理器装置(5)识别的指标

5.根据权利要求4所述的方法，其特征在于所述标准化指标集还包括动态指标，该动态指标是由处理器装置(5)构建的作为当前指标和表示所述航空发动机随着时间过去的行为的过去即时指标的函数。

6.根据权利要求1所述的方法，其特征在于构建所述异常矢量包括：

·使用处理器装置(5)以从所述指标集形成指标矢量和

·使用处理器装置(5)以通过使用下列公式：重新标准化所述指标矢量构建所述异常矢量z，其中μ是指标矢量的平均值，∑^-1/2是协方差矩阵∑的虚拟反矩阵信号∑^-1的根。

7.根据权利要求6所述的方法，其特征在于该方法包括下列步骤：

·使用处理器装置(5)以使用马氏距离：

$d^2={\left|\right|z\left|\right|}^2={(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})}^T{\mathrm{\Σ}}^{-1}(\widetilde{\stackrel{~}{y}}-\mathrm{\μ})$

计算所述异常矢量的范数；和

·使用处理器装置(5)以使用触发阈值检测所述航空发动机的异常，该触发阈值限定为异常矢量的所述范数的统计学分布的函数。

8.根据权利要求3所述的方法，其特征在于该方法进一步包括：

·使用处理器装置(5)以在专家所建立的标准应用中建立判定网格；

·使用处理器装置(5)以应用贝叶斯规则从所述发生的后验概率和从所述判定网格推导每个元件的故障概率；和

·使用处理器装置(5)以检测有故障的物理元件，该物理元件在所述每个元件故障概率应用中对所述故障负责。

9.根据权利要求8所述的方法，其特征在于所述判定网格通过有故障元件的条件概率矩阵和对应于每个元件故障的先验概率的一系列系数形成，已知已经观察到故障。

10.根据权利要求8所述的方法，其特征在于机器学习证实所述判定网格。

11.用于识别航空发动机(1)中故障的系统，该系统的特征在于它包括：

·传感器(3a-3f)，用于从所述航空发动机(1)和它的环境收集时序测量；

·装置(5)，用于从所述时序测量来计算对所述航空发动机(1)元件特定的指标；

·装置(5)，用于使用所述特定的指标限定表示所述航空发动机(1)运行的标准化指标集；

·装置(5)，用于构建异常矢量，该异常矢量表示作为所述标准化指标集函数的所述发动机(1)的行为；

·装置(5)，用于如果所述异常矢量显示异常，选择具有方向的参考矢量的子集，该方向属于所述异常矢量方向确定的邻域，从参考矢量集选择所述参考矢量的子集，所述参考矢量集与所述航空发动机故障有关，并且使用专家所建立的标准确定，所述参考矢量集是根据如果有专家所确定的异常时指标的歪曲行为构建的；

·装置(5)，用于识别与所述参考矢量的子集有关的故障；

并且其中选择所述参考矢量的子集的装置包括：

·装置(5)，用于计算维度等于所述标准化指标集的指标数量减去所述指标之间线性关系数量的空间中球体上所述异常矢量的投影和所述参考矢量的投影之间的最短距离；

·装置(5)，用于成对比较所述最短距离；

·装置(5)用于根据相对于所述异常矢量的参考矢量最短距离的递增次序，分类参考矢量；

·装置(5)，用于从具有小于确定级别的分类次序的第一参考矢量形成所述参考矢量的子集。

12.根据权利要求11所述的系统，其特征在于它包括：

·装置(5)，用于在专家所建立的标准的应用中，限定每个参考矢量发生的先验概率；和

·装置(5)，用于计算每个参考矢量发生的后验概率，该发生的后验概率作为所述发生的先验概率和所述最短距离的函数。

13.根据权利要求12所述的系统，其特征在于它还包括：

·装置(5)，用于在专家所建立的标准应用中建立判定网格；

·装置(5)，用于应用贝叶斯规则从所述发生的后验概率和从所述判定网格推导每个元件的故障概率；和

·装置(5)，用于检测有故障的物理元件，该物理元件根据所述每个元件故障概率对所述故障负责。