CN103370667A - 对飞机发动机进监控以对维护操作进行预测 - Google Patents
对飞机发动机进监控以对维护操作进行预测 Download PDFInfo
- Publication number
- CN103370667A CN103370667A CN2012800088219A CN201280008821A CN103370667A CN 103370667 A CN103370667 A CN 103370667A CN 2012800088219 A CN2012800088219 A CN 2012800088219A CN 201280008821 A CN201280008821 A CN 201280008821A CN 103370667 A CN103370667 A CN 103370667A
- Authority
- CN
- China
- Prior art keywords
- engine
- variable
- track
- mapping
- measured value
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
- Testing Of Engines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及监控飞机发动机(2)的方法,其包括以下步骤:收集与当前发动机(2)相关的变量的时程测量值,其包括内生变量的第一组测量值以及外生变量的第二组测量值;考虑到与外生变量相关的测量值使与内生变量相关的测量值标准化,以对于每次获取在多维空间中形成入口点,该入口点对应于所述当前发动机的状况。
Description
发明领域
本发明涉及的领域为对飞机发动机进行监控。特别地,本发明涉及对飞机发动机的维护操作进行预测的监控方法和系统。
在每次飞行期间,飞机使用称为ACARS(飞机通信寻址与报告系统)的消息系统来对其运行相关信息进行记录和发送。这些数据由地面站实时撷取,在存在明显异常的情况下立即处理,否则则同所有的机队数据存档在一起。其它的数据也是可用的,可以在飞行过程中记录在机载计算机上并定期下载,以丰富发动机相关信息。
这些数据接下来由专家观察,以监控发动机的平稳运转。更具体地,专家分析从连续飞行所获得的轴旋转速度N2,燃油流量(液体流量)FF以及排气温度(EGT)的时程曲线的形状,以诊断发动机的状况。
所使用的工具需要对数据进行人工解读,以及发动机专家之间专业知识的传递。这需要很长的分析时间,此外,已知给定的发动机在任务飞行期间绝不会在完全相同的状况下运行,很难对所有上下文的所有数据进行分析。数据获取条件有系统性的差异:它们取决于领航,天气,轨迹,发动机磨损,等等。举例来说,从飞跃海洋的飞机上导出的数据相对应的曲线的形状与根据飞跃旱地的飞机上导出的数据所创建的形状是不同的。但是,专家通常专门研究一直执行相同任务的飞机机队的特定发动机。因此,对专家来说很难使用所有的可能相关的数据来监控发动机。
因此,本发明的目的是基于对发动机的测量值的结构的非监督式分析来对发动机的正确运行以及发动机状况的变化进行监控,以做出预测,并非常精确地对维护操作进行规划,而不具有以上提到的缺点。
发明目的和内容
本发明涉及监控飞机发动机的方法,其包括以下步骤:
-在每次获取期间,收集与当前发动机及其环境相关的变量的时程测量值,包括对发动机的行为进行描述的内生变量的第一组测量值,以及对获取上下文进行描述的外生变量的第二组测量值;
-对于每次获取,考虑到与外生变量相关的测量值使与内生变量相关的测量值标准化,以在多维空间中形成入口点(entry point),该入口点对应于所述当前发动机的状况;
-使用确定的压缩技术将多维空间中的每个入口点投射到先前构造的映射上的像点上,以在所述映射上形成一系列的像点,所述像点反映了在多维空间中入口点的分布,所述像点形成当前轨迹,该当前轨迹代表所述当前发动机的状况的变化;
-将所述当前轨迹的末端的一部分同保存在数据库中的飞机发动机轨迹的先前记录部分相比较,以搜寻相似的轨迹;以及
-根据所述相似的轨迹对当前轨迹的所述末端的统计学变化进行分析,以预测所述当前发动机上的维护操作。
该方法可以用来对用于处理发动机的状况而与上下文无关的数据进行映射,搜寻在过去有相似行为的发动机,以及统计性地分析在找到的发动机上发生的事件,以改善对维护操作的规划并更好地观察当前发动机的潜在退化和故障。该方法还可以用来对事件规律的分布进行建模,并获得条件状态变化可能性,以改善对设计和替换零件可用性后勤保证体系的规划。
所述映射是根据所述确定的压缩技术在初步学习阶段构建,压缩技术从一组标准化的学习数据所确定。
有利地,所述确定的压缩技术为Kohonen自组织映射技术。
有利地,该方法还包括在至少一个二维映射上对像点进行显示。
有利地,该方法包括在多个二维映射背景上对所述当前轨迹进行显示,每个二维映射背景代表所述内生变量中的一个。
有利地,该方法包括在多个二维映射背景上对当前轨迹的所述末端和依照相似度进行分类的第一相似轨迹进行显示。
有利地,该方法包括映射背景显示,该映射背景显示对应于将代表内生变量的不同映射背景层次分类到同质区域中。
有利地,该方法包括在多个2D映射背景上对多个发动机的当前状况进行显示,每个2D映射背景代表所述内生变量中的一个。
根据本发明的一个特征,该方法包括考虑到所述入口点来随时间推移对所述映射进行转换的适应步骤。因此,新的点被考虑,以进一步改善映射,由此获得更好的维护操作预测。
根据本发明的一个方面,标准化步骤包括使用上下文变量的空间的回归模型使内生变量标准化的步骤,该上下文变量的空间由外生变量的分析组合产生。该预处理包括在创建映射之前使用附加上下文变量的回归模型(例如,由初始外生变量的多项式转换,指数转换以及对数转换所构建的)来有效地消除获取上下文(即,环境效应和设定值)对描述发动机状态的外生变量的影响,而不消除任何对维护和诊断有用的信息。
有利地,标准化步骤还包括根据最小化准则从所述上下文变量中选择相关变量的步骤。这可以通过消除最不相关上下文变量来限制计算时间,而不限制标准化的精度。
有利地,标准化步骤还包括使用用于检测突然变化的工具来清除被标准化的内生变量上的噪音的步骤。这可以促进对映射的解读并帮助精确地监控轨迹的缓慢变化以及轨迹的突然变化。
有利地,所述当前轨迹的一部分和轨迹的其它部分之间的比较是通过使用版距离(edition distance)来实现的,该版距离测量轨迹的不同部分之间的相似度。
本发明还涉及用于监控飞机发动机的系统,其包括:
-测量装置,其用于在每次获取期间收集与当前发动机及其环境相关的变量的时程测量值,包括对发动机的行为进行描述的内生变量的第一组测量值,以及对获取上下文进行描述的外生变量的第二组测量值;
-处理装置,其用于,对于每次获取,考虑到与外生变量相关的测量值使与内生变量相关的测量值标准化,以在多维空间中形成入口点,该入口点代表所述当前发动机的状况;
-处理装置,其用于使用确定的压缩技术将多维空间中的每个入口点投射到先前构造的映射上的像点上,以在所述映射上形成一系列的像点,所述像点反映了在多维空间中入口点的分布,所述像点形成当前轨迹,该当前轨迹代表所述当前发动机的状况的变化;
-处理装置,其用于将所述当前轨迹的末端的一部分同保存在数据库中的其它飞机发动机的轨迹的先前记录部分相比较,以搜寻相似的轨迹;以及
-处理装置,其用于根据所述相似的轨迹对当前轨迹的所述末端的统计学变化进行分析,以预测所述当前发动机上的维护操作。
本发明还涉及计算机程序,其包含代码指令,当计算机程序由处理装置运行时,这些代码指令用于根据以上特征的标准化方法。
附图说明
阅读以下参照附图进行的描述之后,本发明的装置和方法的其它特别的特征和优点变得更加清晰,以下描述仅供参阅而不具有限制性。
-图1概略示出了可用于本发明的对飞机发动机进行监控的系统或方法中使用的硬件装置;
-图2A和2B示出了标准化之前和之后来自内生变量的信号;
-图2C-2G示出了噪音消除和变化检测之后的平滑处理过的测量值;
-图3A-3E示出了利用Kohonen技术构建的二维映射,该二维映射反映了在多维空间中内生变量数据的分布;
-图4A-4C中的每一个示出了发动机的当前轨迹在代表排气温度的映射背景上的图形表示;
-图5示出了多个发动机的瞬时状态在代表排气温度的映射背景上的显示;
-图6示出了映射的显示,该映射对应于将代表内生变量的不同映射背景层次分类到同质区域中。
具体实施方式
本发明的原理包括充分利用被监控发动机的寿命史来寻找这些发动机中导致维护操作的相似行为。因此,通过观察给定发动机的瞬间变化,能够找到其它发动机在过去所遵循的相似轨迹,并对统计信息进行推论以用于将来的维护操作。
图1示出了本发明的对飞机发动机进行监控的系统或方法中使用的设备装置的实施例。
在飞行期间,飞机1记录与其运行相关的信息以及不同的环境参数。这些由机载计算机(例如全权限数字电子控制系统(FADEC),飞机状态监控系统(ACMS),数字式飞机综合数据记录器(DAR)、快速存取记录器(QAR)等)记录的数据从测量值中导出,这些测量值使用集成在飞机1中的测量装置或传感器获得。举例来说,(控制发动机的)全权限数字电子控制(FADEC)记录多个由集成在发动机2中的传感器所测得的变量,以控制发动机2并作为预测性维护程序的基础。
因此,集成在飞机1中的一些传感器收集与飞机发动机2及其环境相关的变量的测量值的时间历程。在每次获取中,这些测量值包括对发动机2的行为进行描述的内生变量的第一组测量值,以及对获取上下文进行描述的外生变量的第二组测量值。
例如,内生变量可以包括轴旋转速度N2,燃油流量FF,发动机内不同位置处的流体温度和压力(如,压缩之前和/或之后),排气温度(EGT),等等。
外生变量可以包括以下变量:外部温度,高度,飞机重量,机翼抗霜冻,分离舱抗霜冻,排放阀,可变旁通阀(VBV)几何形状,可变定子叶片(VSV),高压(HP)及低压(LP)涡轮设定值,HP压缩机开口,环境控制系统(ECS)排气,风扇转速N1,推力杆角度(TLA),飞机速度(马赫数),等等。
飞机1还定期发送短快照消息到地面,短快照消息来自内生和外生变量的测量值。在每次飞行期间,飞机1通常至少发送两个消息到地面,一个消息在起飞期间发出,另一个在巡航阶段发出。这些消息使用飞行中的飞机和地面之间的数字数据传输系统通过卫星(ACARS协议)发送(其它的通信协议也可以,包括个人计算机存储卡国际协会PCMCIA,3G,等等)。
地面站3撷取为不同飞机1和不同发动机2在不同日期发送的不同消息,然后将它们通过通信链路发送到管理中心5。该管理中心包括计算机系统7,计算机系统一般包括输入装置9,处理装置11,存储装置13以及输出装置15。应当注意的是,在飞行期间记录在机载计算机上的其它数据也可以定期下载,以丰富发动机2的信息。来自于从不同飞机1直接接收的消息的不同数据或地面上从机载计算机的不同内部存储器撷取的数据被存储在存储装置13中,以形成涵盖整队发动机2的数据库14。因此,数据库14包括随时间收集的不同飞机1和不同发动机2的内生和外生变量的多个测量值。这些测量值与获取日期或飞行日期以及用于识别相关发动机和飞机的标识符相关。
控制中心5使用数据库14来在度量空间内对发动机轨迹2进行形式化和比较。这样就以非监督的方式对与发动机2的运行相关的特征的变化进行分析,由此来对维护操作17进行编程。
上述分析包括对数据进行初步处理,以消除外部条件和设定值对描述发动机2的状况的内生变量的影响。数据获取上下文可以是变化的。例如,在一天中第一次飞行期间(在此期间发动机冷发动)获取的与起飞相关的测量值不同于在该天中其它飞行期间获取的测量值。其它的例子涉及天气状况(雨,雪,雾等)的变化,飞行员的变化,正在飞跃的位置(在海洋,沙漠,陆地等的上方)。很显然,所有的这些影响可以对测量值产生影响。
因此,随时间收集的与当前发动机2及其环境相关的变量的测量值首先被处理装置11标准化。更具体地,对于每次获取,考虑到与外生变量相关的测量值而使与内生变量相关的测量值标准化,以形成入口点,该入口点代表当前发动机的状况。因此,入口点与获取上下文无关地表示在多维空间中,该多维空间具有与内生变量的数量相等的维度。
标准化特别是基于根据回归模型使内生变量标准化的步骤。应当注意的是,使用初始外生变量进行计算而得到的附加变量可以被考虑,以形成一组上下文变量,由此改善回归模型的结果。
因此,标准化可以使用定义在上下文变量的空间上的一般线性回归模型来实现,上下文变量的空间由外生变量的分析组合(多项式和/或非多项式)产生。
在这种情况下,我们会假定测量值在一组I个发动机上收集,并且对于每个发动机存在ni次测量值获取(1≤i≤I)。每次获取可以通过由内生向量Yij和上下文向量Xij组成的对来表示。我们会假定每个内生向量Yij包含p个内生变量Yij=(Yij 1、…Yij p),并且每个上下文向量Xij包含q个上下文变量Xij=(Xij 1、…Xij q),其中1≤i≤I并且1≤j≤ni。每个上下文变量可以使用多项式转换,外生变量的乘积或分析组合(例如,倒数,求根,对数,指数函数,等)来构建。
在线性回归模型的范围内,内生向量假定为线性地依赖于上下文向量。对于内生变量(r∈{1,...,p})中的每一个,这可以在形式上写为以下方程式:
但是,上下文变量的数量可能非常大,因此,如果标准化可以包括对相关变量进行选择以限制计算时间并防止过度参数化的步骤,则是有益的。选择能够仅仅保留用于消除获取上下文的少量组合。换句话说,对数据进行选择,然后完成对上下文的回归,以获得独立于获取上下文的留数(residue)。
因此,一小组的相关上下文变量可以使用最小化准则基于这样的准则来进行选择:例如,使留数的平方的和最小化,同时对系数的绝对值的和进行约束(例如,根据LASSO准则),如下所示:
由于该约束,最不相关变量的系数不被使用,并等于零。
有利地,标准化还可以包括使用突然变化检测工具来清除被标准化的内生变量上的噪音的步骤。在相对于外生变量而被标准化的内生变量的留数范围内使用该工具能够识别被发动机的寿命影响的特定事件,而不管这些事件是否为某些发动机的部件维护操作或突然退化。突然变化可以在物理上被识别为对发动机状况的突然改变,其可以对应于发动机的突然退化(例如,物体进入发动机),或发动机上的操作(例如,两次飞行之间的维护操作期间对零件的替换)。
图2A和2B为实施例,示出了取决于上下文的标准化之前和之后,以及检测变化和清除噪音之前的轴旋转速度N2的信号。
图2C-2G示出了噪音消除之后及检测变化之后的平滑处理过的测量值。图2C-2G中的测量值分别涉及排气温度EGT,轴旋转速度N2,燃油流量FF,压力和温度。破裂日期由垂直线表示,使用检测工具估计的信号由实线表示。
例如,图2D中所示的突然变化完全被噪音掩盖,其仅在使用突然变化检测工具之后被检测到,突然变化检测工具消除步骤前后的残留噪音。换句话说,考虑到突然变化,使用检测工具对突然变化的左边所进行的平滑化处理不同于对突然变化的右边所进行的平滑化处理。
例如,突然变化检测工具可以基于联合以及平行使用一套递归最小二乘(RLS)算法和多维广义似然比(GLR)算法来识别突然变化,递归最小二乘算法用于对信号的缓慢变化进行估计,多维广义似然比算法作用于RLS算法的留数上。
每个RLS算法通过使用时间的简单线性模型来对内生变量的留数进行建模,并递归地更新参数。因此,每个RLS算法提供新的留数,从这些新的留数中,缓慢变化被消除。多维GLR算法用于检测这些干净留数上的突然变化。
更确切地,RLS算法使用带有指数类型权重的最小二乘代价函数,该权重取决于观察的年龄,因此给予最近点比先前点更多的权重。该准则使用以下方程式被递归地最小化:
其中θ是遗忘因子,βj是估计的参数。
在飞行lm中初始化之后,对趋势进行估计,直到当前飞行l。根据选择的参数对留数进行计算和测试。如果测试在飞行lm+1中检测变化,则计算被再次初始化。该测试可以被执行为多变量计算,由此,当检测到变化时,这些变量中的每一个上进行的所有计算可以同时被再次初始化。
因此,对于每个发动机2,并且对于每次获取,标准化可以不取决于上下文在多维空间中形成入口点,多维空间具有维度p(其中p是内生变量的数量),该入口点代表发动机在获取日期的状况。
此外,处理装置11配置为使用确定的压缩技术将多维空间中的每个入口点投射到先前构建的映射(例如,参考图3A-3E)上的像点上。
映射可以使用一组标准化的学习数据,利用相同的压缩技术而在初步学习阶段被构建。该映射可以是2D的自组织映射SOM,并且标准化的学习数据可以从一对飞机发动机的旧数据和/或来自飞机发动机热力学模型的仿真数据导出。
有利地,映射可以考虑到新的入口点而随时间被转换或改编,以创建其它更多的改编的映射,从而进一步增加预测的精确性。
用于构建映射或将发动机2的轨迹投射到映射上的压缩技术可以使用Kohonen自组织映射技术来实现。Kohonen映射或投射非常适用于分析多维空间中的数据分布,多维空间可能是大尺寸的空间(如,10D空间)。二维映射可以被认为是类似可扩展的网,因而Kohonen投射技术包括在多维空间中对网进行扩展,因此它可以找到对于包括多维空间中的输入数据的层的最佳匹配。应当注意的是,输入数据不完全填满多维空间,完全因为这些数据通常都归因于物理约束而互相关联。在健康的发动机中,这些输入数据几乎确定地彼此互相依赖。
更具体地,Kohonen技术是分类技术,其遵从观察值的多维空间的拓扑结构。其将观察值分组为多个类别K(或条件),并构建一组称为原型向量的向量{m1,Κ,mk},每个向量代表一个类别。相邻的结构可以被选择,由此,类别在2D映射上排列,该2D映射由K个节点的平面网格(例如,六边形网格)形成。
每个类别或条件(多维空间的子集)可以通过映射上的位置(亦即,网格上的指数i)和多维空间中的原型向量mi来描述。
将{x1,...,xN}作为用于校正映射的一组观察值。映射的构建对应于与在类别之间定义原型以及构建一组原型向量。一旦类别之间的拓扑结构被定义,如下所描述的那样,可以使用Kohonen算法来迭代地寻找这些原型向量。
最初,原型向量在多维空间中被随意初始化。接着,在每个步骤t,选择观察值xj(例如,随意抽取),完成以下的两个竞争与合作阶段:
-竞争阶段:使用如下方程式来确定与观察值xj最佳相关联的类别c:
-合作阶段:使用通过如下方程式在网格上定义的相邻函数hci来修改如上确定的类别c及其在映射上的相邻类别中的原型向量:
mi(t+1)=mi(t)+α(t)hci(t)(xj-mi(t))
其中t是时间或迭代的次数,α(t)是算法学习参数,hci(t)是类别c和i之间在步骤t的相邻函数。
例如,可以使用如下相邻函数:
hci(t)=exp(-dci/2σt)
其中σt是随时间减小的半径,其定义映射上的邻域,dci是网格上类别c和i之间的距离。
实际上,当原型向量不再变化很大时,或当做了最大次数的迭代之后,算法被停止。
应当注意的是,可以使用其它维度减小(dimension reduction)技术,例如,对内生变量回归到外生变量上的留数进行分析,将其作为主分量,提供寻找主轴的手段,主轴使差异最大化并使构建误差最小化。
此外,借助Kohonen技术(或任何其它投射技术)来投射当前发动机的入口点可以被用来在映射上形成一系列的像点,这些像点反映了多维空间中入口点的分布。这些像点在清晰定义的映射上形成当前轨迹,该轨迹代表当前发动机状况的变化。
此外,处理装置11配置为将当前轨迹的末端的一部分(换句话说,发动机2的最近飞行)同保存在数据库14中的飞机发动机轨迹的先前记录部分相比较,以搜寻相似轨迹。
有利地,当前轨迹的一部分同轨迹的其它部分之间的比较可以通过使用版距离来实现,该版距离测量轨迹的不同部分之间的相似度,
轨迹的每一部分对应于一个字符串(网格的每个节点,原型向量是字符),因此,版距离非常适合于测量两个字符串之间的相似度,该相似度等于将要被修改(删除,插入或替换)以从一个字符串改变到下一字符串的字符的数量。
假定我们想要比较由字符串s1和s2限定的轨迹的两个部分。每个字符串是一系列的字符其中每个字符代表映射上的位置。我们将假定在删除,插入和替换操作之间有r个操作o1,···,or这些操作将第一字符串s1转换为第二字符串s2。全局转换的成本等于单个成本cost(oi)的和,字符串s1和s2之间的距离由这种操作的最小值限定:
此外,处理装置11配置为根据相似轨迹来对当前轨迹的末端的统计变化进行分析,以预测当前发动机2上的维护操作17。
在使用当前发动机2的最近飞行时,处理装置11从数据库14查找与映射上的当前轨迹的末端相似的轨迹的部分。与当前发动机轨迹的末端相似的轨迹或轨迹的一部分对应于与当前发动机具有相似历史的发动机的状况的变化。因此,通过分析不同相似轨迹所遵从的路径,处理装置11能够推断当前轨迹的未来,以统计性地预测当前发动机上的未来事件,从而更好地指导该发动机的维护操作。显然,通过使用大的发动机数据库14,处理装置11能够对正被监控的发动机的未来变化做出非常精确的预测。例如,如果有一百条与被监控的当前发动机轨迹相似的轨迹,并且这一百条轨迹中的八十条导致对改变发动机部件的需求,则可以推断有80%的可能当前发动机会要求相同的维护操作。显然,也可以在部件被改变之前就预测发动机可用时间,因此可以非常快地识别出应该被给予优先维护的发动机。
此外,在至少一个二维映射上显示像点的表示是非常有利的。二维映射具有显示性能,该性能对以二维方式表示多维数据是非常有用的。因此,输出装置15配置为在屏幕或打印纸上显示发动机2或多个发动机的状况的随时间的变化的图形表示。
图3A-6显示了在二维自组织映射上的图形表示的几个实施例。
图3A-3E示出了使用Kohonen技术构建的映射c1-c5,其中,点代表五维空间中内生变量数据的分布。举例来说,映射c1-c5的拓扑结构配置成六边形栅格图表的形式。显然,也可以是矩形或任何其它形状的栅格。映射背景的颜色(例如,从白色渐变到黑色)对应于内生变量的留数的值。映射中的每个单元可以根据考虑的内生变量的相应原型向量的值而被着色。映射c1-c5侧面的灰度等级e1-e5表示相应内生变量的强度。
因此,图3A-3E对于以下五个内生变量分五次示出了相同的映射:高压轴旋转速度,燃油流量,压缩输出压力,压缩输出温度,以及排气温度。
更具体地,图3A示出了轴旋转速度的映射背景c1。该映射上的每个点对应于一个速度值,该速度值使用从白色到黑色的渐变。黑点代表高速,白点代表低速,灰点代表中速。例如,黑色区域(高速)可以在右下端看到,白色区域(低速)可以在顶部看到,灰色区域(中速)可以在c1的中间看到。
图3B示出了燃油流量的映射背景c2。左侧(黑色区域)示出了高燃油消耗,而右上角的白色区域代表低消耗,等等。
相似地,图3D-3E分别示出了压缩输出压力,压缩输出温度,以及排气温度的映射背景c3-c5。
因此,根据五个映射背景c1-c5上显示的五个内生变量,映射中的每个单元对用于一个发动机状况。例如,左上角对应于中低速,高输出温度,高燃油消耗,以及高压缩输出压力和温度状况。这样就可以在映射c1-c5上表示与不同类型的退化相对应的区域。
发动机2的当前轨迹能够在多个映射背景上表示,每个映射背景代表内生变量中的一个,以根据每个内生变量来显示当前发动机的相对于退化区域的状况的时间历程。
更具体地,图4A-4C示出了在代表排气温度EGT的映射背景c5上对当前轨迹或系列状况S1-S3的显示。根据该实施例,右边的温标e5显示出,白色代表高温,黑色代表低温。对发动机制造商而言,排气温度EGT是公知的指标,例如,其用于评估发动机2的磨损。高温表明能量的一大部分开始转换为热能,由此降低了发动机效率。
在这些图上,发动机的轨迹S1-S3由一系列的点(这些点可由若干颜色表示)表示,其具有随时间减小的直径,由此可以表现点的叠加。点的尺寸对应于测量日期,点越小则测量日期更近。
图4A示出了发动机的轨迹S1,其中,其状况在映射c5的中间停留了较长时间,接着轨迹S1开始向下朝着映射c5的右下角移动,这表明由于自然磨损现象,排气温度EGT上升。
图4B示出了发动机2的另一个实施例,发动机2在映射5的中央区域表现正常,接着开始退化(轨迹S2朝较热区域轻微移动),然后轨迹S2突然向上朝着映射c5的右上角移动,这表明排气温度EGT降低。该行为变化表明在发动机上完成了操作。例如,该操作可以是发动机的清洁,或者发动机的任务可能被移到更冷的地理区域。
图4C示出了发动机2的具有突然变化的实例轨迹S3。数字1至607表示一系列的飞行。在第一批发动机飞行(飞行1至73)中,发生了较小的第一次突然变化。在轨迹S3在飞行74至516期间保持在映射的顶部中间区域之前,在飞行73和74之间发生了第二次突然变化。最后,在第三次突然变化之后,发动机的位置移动到轨迹末端(飞行617至607)处的左上角中。显然,该发动机遇到了其部件中的至少一个发生退化的问题,需要在该发动机上采取维护操作。
此外,发动机的当前轨迹的末端,以及根据相似度被分类的第一相似轨迹能够在多个映射背景上显示。这提供了对当前发动机的变化进行非常精确的预测的手段,最够最佳利用具有相似行为的相似发动机的历史。
一队发动机的当前状况也可以在多个二维映射背景上显示,每个映射背景代表内生变量中的一个。这意味着整队的飞机发动机可以同时显示,并可以在不同发动机之间进行快速比较。
例如,图5示出了在代表温度EGT的映射背景c5上对多个发动机的瞬时状况的显示。每个数字代表一个发动机,例如,可以看到发动机94,190和191位于高EGT温度区域中,因此,这些发动机具有维护操作的优先权。
应当注意的是,前面这些图中所示实施例中的映射背景也可以被层次分类取代,在层次分类中,每个点代表多维空间的状况。映射上的两个相邻点可以或多或少地取决于这些点之间的多维距离是大还是小。因此,在映射上,可以在具有大多维距离的相邻点之间构建边界。这意味着,可以定义与发动机专家能够轻易识别的特定现象相对应的多个同质区域。
图6示出了对映射c6进行显示的实施例,映射c6与不同映射背景的层次分类相对应,其代表同质区域中的内生变量。例如,区域Z1为低EGT及低速度区域。区域Z2为高油温区域。区域Z3为高旋转速度区域。区域Z4为正常运行区域。接着,通过在该映射上对发动机的轨迹(未示出)进行定位,很容易就可以识别出发动机的行为是否正常(区域Z4),以及其正趋向于向哪个区域移动。
映射也可以另一种方式进一步划分为若干区域,包括旧发动机区域,可能具有涡轮问题的发动机的区域,等等。类似地,通过将发动机的轨迹投射到映射上,可以看到发动机正在向之移动的区域。这使得维护操作人员能够在显示器上显示发动机的状况的改变,由此改善对维护操作的规划。
本发明还针对计算机程序,其可以在处理装置中使用,并包括代码指令,这些代码指令适用于执行以上描述的本发明的方法。
Claims (15)
1.监控飞机发动机(2)的方法,特征在于其包括以下步骤:
-在每次获取期间,收集与当前发动机(2)及其环境相关的变量的时程测量值,该时程测量值包括对所述发动机的行为进行描述的内生变量的第一组测量值,以及对获取上下文进行描述的外生变量的第二组测量值;
-对于每次获取,考虑到与外生变量相关的测量值使与内生变量相关的测量值标准化,以在多维空间中形成入口点,该入口点对应于所述当前发动机的状况;
-使用确定的压缩技术将所述多维空间中的每个入口点投射到先前构造的映射(c1-c5)上的像点上,以在所述映射上形成一系列的像点,所述像点反映了在所述多维空间中入口点的分布,所述像点形成当前轨迹(S1-S3),该当前轨迹代表所述当前发动机的状况的变化;
-将所述当前轨迹的末端的一部分同保存在数据库(14)中的飞机发动机轨迹的先前记录部分相比较,以搜寻相似的轨迹;以及
-根据所述相似的轨迹对当前轨迹的所述末端的统计学变化进行分析,以预测所述当前发动机上的维护操作(17)。
2.如权利要求1所述的方法,特征在于所述映射(c1-c5)根据所述确定的压缩技术在初步学习阶段被构建,所述压缩技术由一组标准化的学习数据所确定。
3.如权利要求1或2所述的方法,特征在于所述确定的压缩技术是Kohonen自组织映射技术。
4.如权利要求1至3任意一项所述的方法,该方法还包括在至少一个二维映射(c1-c5)上对像点进行显示。
5.如权利要求4所述的方法,该方法还包括在多个二维映射背景(c1-c5)上对所述当前轨迹(S1-S3)进行显示,所述多个二维映射背景中的每一个代表所述内生变量中的一个。
6.如权利要求4所述的方法,该方法包括在多个二维映射背景(c1-c5)上对当前轨迹的所述末端和依照相似度进行分类的第一相似轨迹进行显示。
7.如权利要求4所述的方法,该方法包括映射(c6)背景显示,该映射背景显示对应于将代表内生变量的不同映射背景层次分类到同质区域中。
8.如权利要求4所述的方法,该方法包括在多个映射背景上对多个发动机的当前状况进行显示,每个所述映射背景代表所述内生变量中的一个。
9.如前述权利要求任意一项所述的方法,特征在于其包括考虑到所述入口点来随时间推移对所述映射进行转换的适应步骤。
10.如前述权利要求任意一项所述的方法,特征在于所述标准化步骤包括使用上下文变量的空间的回归模型使内生变量标准化的步骤,该上下文变量的空间由外生变量的分析组合产生。
11.如权利要求10所述的方法,特征在于所述标准化步骤还包括根据最小化准则从所述上下文变量中选择相关变量的步骤。
12.如权利要求10或11所述的方法,特征在于所述标准化步骤还包括使用用于检测突然变化的工具来清除被标准化的内生变量上的噪音的步骤。
13.如前述权利要求任意一项所述的方法,特征在于所述当前轨迹的一部分和轨迹的其它部分之间的比较是通过使用版距离来实现的,该版距离测量轨迹的不同部分之间的相似度。
14.用于监控飞机发动机(2)的系统,其包括:
-测量装置,其用于在每次获取期间收集与当前发动机(2)及其环境相关的变量的时程测量值,该时程测量值包括对所述发动机的行为进行描述的内生变量的第一组测量值,以及对获取上下文进行描述的外生变量的第二组测量值;
-处理装置(11),其用于考虑到与外生变量相关的测量值使与内生变量相关的测量值标准化,以在多维空间中形成入口点,该入口点代表所述当前发动机的状况;
-处理装置(11),其用于使用确定的压缩技术将多维空间中的每个入口点投射到先前构造的映射上的像点上,以在所述映射上形成一系列的像点,所述一系列的像点反映了在多维空间中入口点的分布,所述像点形成当前轨迹,该当前轨迹代表所述当前发动机的状况的变化;
-处理装置(11),其用于将所述当前轨迹的末端的一部分同保存在数据库中的其它飞机发动机的轨迹的先前记录部分相比较,以搜寻相似的轨迹;以及
-处理装置(11),其用于根据所述相似的轨迹对当前轨迹的所述末端的统计学变化进行分析,以预测所述当前发动机上的维护操作(17)。
15.计算机程序,其包含代码指令,当计算机程序由处理装置运行时,这些代码指令用于根据权利要求1至14所述的标准化方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1151238 | 2011-02-15 | ||
FR1151238A FR2971595B1 (fr) | 2011-02-15 | 2011-02-15 | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
PCT/FR2012/050309 WO2012110733A1 (fr) | 2011-02-15 | 2012-02-13 | Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103370667A true CN103370667A (zh) | 2013-10-23 |
CN103370667B CN103370667B (zh) | 2016-01-20 |
Family
ID=45833463
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201280008821.9A Active CN103370667B (zh) | 2011-02-15 | 2012-02-13 | 对飞机发动机进行监控以对维护操作进行预测的方法和系统 |
Country Status (7)
Country | Link |
---|---|
US (1) | US9176926B2 (zh) |
EP (1) | EP2676176B1 (zh) |
CN (1) | CN103370667B (zh) |
BR (1) | BR112013020083B1 (zh) |
CA (1) | CA2826608C (zh) |
FR (1) | FR2971595B1 (zh) |
WO (1) | WO2012110733A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425619A (zh) * | 2014-08-18 | 2016-03-23 | 霍尼韦尔国际公司 | 用于在交通工具中产生多个数据报告的方法 |
CN107533675A (zh) * | 2015-04-09 | 2018-01-02 | 赛峰飞机发动机公司 | 用于汇集与飞机发动机有关的数据的系统 |
CN113678075A (zh) * | 2019-04-01 | 2021-11-19 | 赛峰航空器发动机 | 用于监测至少一个航空器发动机的方法 |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2987443B1 (fr) * | 2012-02-24 | 2014-03-07 | Snecma | Dispositif de detection d'anomalies par analyse acoustique d'une turbomachine d'aeronef |
FR2989795B1 (fr) * | 2012-04-24 | 2015-02-06 | Thales Sa | Systeme de pilotage automatique parametrale destine a un aeronef |
FR2997451B1 (fr) | 2012-10-26 | 2015-01-16 | Snecma | Systeme de surveillance d'un ensemble de composants moteur |
FR3006785B1 (fr) * | 2013-06-10 | 2015-07-03 | Snecma | Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement de moteurs d'aeronefs, et un procede de surveillance du fonctionnement d'un moteur d'aeronef associe |
FR3009581B1 (fr) * | 2013-08-09 | 2015-09-25 | Snecma | Procede de surveillance d'une vanne d'un moteur d'aeronef |
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 |
FR3011936B1 (fr) | 2013-10-11 | 2021-09-17 | Snecma | Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine |
FR3011946B1 (fr) * | 2013-10-11 | 2016-07-08 | Snecma | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
FR3014952B1 (fr) * | 2013-12-13 | 2016-01-22 | Snecma | Prevision d'operations de maintenance a appliquer sur un moteur |
FR3018546B1 (fr) * | 2014-03-13 | 2022-01-21 | Snecma | Procede de surveillance de l'etat d'un moteur par surveillance des gaz d'echappement |
WO2016018280A1 (en) * | 2014-07-30 | 2016-02-04 | Halliburton Energy Services, Inc. | Distributed sensing systems and methods with i/q data balancing based on ellipse fitting |
FR3025551B1 (fr) | 2014-09-05 | 2019-08-23 | Safran Aircraft Engines | Arbre de turbomachine |
FR3028331B1 (fr) | 2014-11-10 | 2016-12-30 | Snecma | Procede de surveillance d'un moteur d'aeronef en fonctionnement dans un environnement donne |
FR3032273B1 (fr) * | 2015-01-30 | 2019-06-21 | Safran Aircraft Engines | Procede, systeme et programme d'ordinateur pour phase d'apprentissage d'une analyse acoustique ou vibratoire d'une machine |
FR3037170B1 (fr) | 2015-06-03 | 2017-06-23 | Snecma | Procede et systeme de prediction du fonctionnement d'un aeronef par analyse de similarite utilisant des capacites de stockage et de calcul reparties |
US9568912B2 (en) * | 2015-06-15 | 2017-02-14 | Honeywell International Inc. | Aircraft prognostic systems and methods for determining adaptive time between overhaul for line replaceable units |
US9784638B1 (en) * | 2015-08-31 | 2017-10-10 | The Boeing Company | Method and system for diagnoses and prognoses of low temperature limit control valve |
US10139795B2 (en) * | 2015-10-19 | 2018-11-27 | The Boeing Company | System and method for environmental control system diagnosis and prognosis |
US9718562B1 (en) * | 2016-01-29 | 2017-08-01 | General Electric Company | System and method of evaluating the effect of dust on aircraft engines |
BE1025077B1 (fr) * | 2017-03-22 | 2018-10-23 | Safran Aero Boosters S.A. | Capot de turbomachine avec ecran |
US10378455B2 (en) * | 2017-08-28 | 2019-08-13 | United Technologies Corporation | Method for selection of optimal engine operating conditions for generating linearized models for on-board control and estimation |
CN109241126B (zh) * | 2018-06-29 | 2021-09-14 | 武汉理工大学 | 一种基于r*树索引的时空轨迹聚集模式挖掘算法 |
GB2577065A (en) * | 2018-09-11 | 2020-03-18 | Satavia Ltd | System and method for aircraft health and schedule maintenance |
FR3089501B1 (fr) * | 2018-12-07 | 2021-09-17 | Safran Aircraft Engines | Système d’environnement informatique pour la surveillance de moteurs d’aéronefs |
FR3103210B1 (fr) * | 2019-11-14 | 2021-12-03 | Safran Aircraft Engines | Dispositif et procédé de gestion d’une flotte de dispositifs de communication d’information pour mise à jour d’un jumeau numérique d’une turbomachine |
US11536205B2 (en) | 2020-03-31 | 2022-12-27 | Rolls-Royce Plc | Gas turbine engine operating schedules for optimizing ceramic matrix composite component life |
FR3111200B1 (fr) | 2020-06-08 | 2022-07-08 | Airbus Helicopters | Procédé et système de contrôle d’un niveau d’endommagement d’au moins une pièce d’aéronef, aéronef associé. |
FR3128784B1 (fr) * | 2021-11-02 | 2023-09-22 | Safran | Procédé de surveillance de l’état de santé d’un moteur d’aéronef |
FR3133885A1 (fr) | 2022-03-28 | 2023-09-29 | Safran | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050017876A1 (en) * | 2003-07-23 | 2005-01-27 | Harris Corporation | Wireless engine monitoring system |
US20050114090A1 (en) * | 2003-11-20 | 2005-05-26 | Black Scott E. | Component health assessment for reconfigurable control |
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
WO2007115140A2 (en) * | 2006-03-31 | 2007-10-11 | Alaka'i Technologies | Aircraft-engine trend monitoring methods and systems |
US20080091630A1 (en) * | 2006-05-31 | 2008-04-17 | Bonissone Piero P | System and method for defining normal operating regions and identifying anomalous behavior of units within a fleet, operating in a complex, dynamic environment |
CN101236129A (zh) * | 2007-01-30 | 2008-08-06 | 伊斯帕诺-絮扎公司 | 一种监测飞机发动机的方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6631263B1 (en) * | 1998-11-06 | 2003-10-07 | Telefonaktiebolaget Lm Ericsson (Publ) | Cell hand-off border identification using MS positioning and signal strength values |
FR2787587B1 (fr) * | 1998-12-18 | 2001-10-05 | Sextant Avionique | Procede pour l'elaboration en temps reel de trajectoires pour un aeronef |
US20110238855A1 (en) * | 2000-09-25 | 2011-09-29 | Yevgeny Korsunsky | Processing data flows with a data flow processor |
US10157355B2 (en) * | 2005-11-15 | 2018-12-18 | General Electric Company | Method to view schedule interdependencies and provide proactive clinical process decision support in day view form |
US8014880B2 (en) * | 2006-09-29 | 2011-09-06 | Fisher-Rosemount Systems, Inc. | On-line multivariate analysis in a distributed process control system |
EP2090867A4 (en) * | 2006-12-05 | 2012-03-21 | Navitime Japan Co Ltd | NAVIGATION SYSTEM, PORTABLE TERMINAL DEVICE, AND PERIPHERAL IMAGE DISPLAY METHOD |
KR100930714B1 (ko) * | 2007-12-14 | 2009-12-09 | 한국전자통신연구원 | 음성인식 장치 및 방법 |
JP5387366B2 (ja) * | 2009-11-26 | 2014-01-15 | ソニー株式会社 | 情報処理装置、情報処理方法およびプログラム |
-
2011
- 2011-02-15 FR FR1151238A patent/FR2971595B1/fr active Active
-
2012
- 2012-02-13 CA CA2826608A patent/CA2826608C/fr active Active
- 2012-02-13 WO PCT/FR2012/050309 patent/WO2012110733A1/fr active Application Filing
- 2012-02-13 EP EP12708912.6A patent/EP2676176B1/fr active Active
- 2012-02-13 CN CN201280008821.9A patent/CN103370667B/zh active Active
- 2012-02-13 US US13/985,662 patent/US9176926B2/en active Active
- 2012-02-13 BR BR112013020083-9A patent/BR112013020083B1/pt active IP Right Grant
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050017876A1 (en) * | 2003-07-23 | 2005-01-27 | Harris Corporation | Wireless engine monitoring system |
US20050114090A1 (en) * | 2003-11-20 | 2005-05-26 | Black Scott E. | Component health assessment for reconfigurable control |
US20070192078A1 (en) * | 2006-02-14 | 2007-08-16 | Edsa Micro Corporation | Systems and methods for real-time system monitoring and predictive analysis |
WO2007115140A2 (en) * | 2006-03-31 | 2007-10-11 | Alaka'i Technologies | Aircraft-engine trend monitoring methods and systems |
US20080091630A1 (en) * | 2006-05-31 | 2008-04-17 | Bonissone Piero P | System and method for defining normal operating regions and identifying anomalous behavior of units within a fleet, operating in a complex, dynamic environment |
CN101236129A (zh) * | 2007-01-30 | 2008-08-06 | 伊斯帕诺-絮扎公司 | 一种监测飞机发动机的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105425619A (zh) * | 2014-08-18 | 2016-03-23 | 霍尼韦尔国际公司 | 用于在交通工具中产生多个数据报告的方法 |
CN105425619B (zh) * | 2014-08-18 | 2020-04-07 | 霍尼韦尔国际公司 | 用于在交通工具中产生多个数据报告的方法和系统 |
CN107533675A (zh) * | 2015-04-09 | 2018-01-02 | 赛峰飞机发动机公司 | 用于汇集与飞机发动机有关的数据的系统 |
CN107533675B (zh) * | 2015-04-09 | 2021-07-16 | 赛峰飞机发动机公司 | 用于汇集与飞机发动机有关的数据的系统 |
CN113678075A (zh) * | 2019-04-01 | 2021-11-19 | 赛峰航空器发动机 | 用于监测至少一个航空器发动机的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2012110733A1 (fr) | 2012-08-23 |
BR112013020083A2 (pt) | 2016-10-25 |
US20130325286A1 (en) | 2013-12-05 |
US9176926B2 (en) | 2015-11-03 |
FR2971595A1 (fr) | 2012-08-17 |
EP2676176A1 (fr) | 2013-12-25 |
EP2676176B1 (fr) | 2019-11-13 |
CN103370667B (zh) | 2016-01-20 |
CA2826608C (fr) | 2019-01-08 |
CA2826608A1 (fr) | 2012-08-23 |
BR112013020083B1 (pt) | 2021-02-23 |
FR2971595B1 (fr) | 2013-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103370667B (zh) | 对飞机发动机进行监控以对维护操作进行预测的方法和系统 | |
Hanachi et al. | Performance-based gas turbine health monitoring, diagnostics, and prognostics: A survey | |
Liu et al. | A data-level fusion model for developing composite health indices for degradation modeling and prognostic analysis | |
US8682616B2 (en) | Identifying failures in an aeroengine | |
US7552005B2 (en) | Method for fault diagnosis of a turbine engine | |
CN102246110B (zh) | 用于监测航空发动机的数据标准化方法和系统 | |
US10127257B2 (en) | Methods of creating a database and of formulating a map of operating states of aircraft and a method of monitoring the operation of an associated aircraft | |
Behera et al. | Ensemble trees learning based improved predictive maintenance using IIoT for turbofan engines | |
US11061390B2 (en) | System fault isolation and ambiguity resolution | |
US10592636B2 (en) | Methods and systems for flight data based parameter tuning and deployment | |
US20220076581A1 (en) | Computing environment system for monitoring aircraft engines | |
Armstrong et al. | Implementation of an integrated on-board aircraft engine diagnostic architecture | |
Lacaille et al. | Visual mining and statistics for a turbofan engine fleet | |
CN105408828B (zh) | 对曲线上用于检测发动机异常的相关点进行估算的方法以及用于实施该方法的数据处理系统 | |
CN109190304B (zh) | 一种航空发动机全包线内气路部件故障特征提取及故障识别方法 | |
Marinai | Gas-path diagnostics and prognostics for aero-engines using fuzzy logic and time series analysis | |
CN107533675B (zh) | 用于汇集与飞机发动机有关的数据的系统 | |
Baumann | Using machine learning for data-based assessing of the aircraft fuel economy | |
Daouayry et al. | Data-centric helicopter failure anticipation: The mgb oil pressure virtual sensor case | |
Dewallef | Application of the Kalman filter to health monitoring of gas turbine engines: A sequential approach to robust diagnosis | |
Lacaille et al. | Turbofan engine monitoring with health state identification and remaining useful life anticipation | |
Lacaille et al. | Sudden change detection in turbofan engine behavior | |
Lacaille | Specific small digital-twin for turbofan engines | |
Jalajakshi et al. | Utilizing Data from Quick Access Recorder to Predict Faulty Processing on Aircrafts | |
Florence et al. | Modeling and fault detection of a turbofan engine by deep-learning approach |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |