CN103384859A - 预测飞机发动机维修作业 - Google Patents

Abstract

本发明涉及预测当前飞机发动机维修作业的方法和系统，包括：处理装置，其用于检查适于所述当前发动机的一组故障模型(M1,…,Mn)，以选择相关故障模型(Mi)，该相关故障模型(Mi)具有限定故障发生时所述发动机年龄的故障年龄(T₀)；处理装置，用来根据有关所述当前发动机的一组参数(PI,p2,Pi)，将关于所述当前发动机工作范围的决策规则(R)与所述相关故障模型(Mi)相联系；以及处理装置，用来根据所述决策规则确定将应用到所述当前发动机上的必需维修工作范围。

Description

预测飞机发动机维修作业

发明领域

本发明涉及到飞机发动机维修领域。特别是，本发明涉及预期或预测飞机发动机上维修作业的方法和系统。

通常，根据故障原因，直接在发动机上进行作业，不考虑其它参数。例如，如果检测到漏油时，会对油路等采取行动。

然而，飞机发动机维修作业可能要求长时间的停机，部件和劳动成本均很高。

那么，为了优化和计划维修作业，车间维修工人积累的有关故障原因的工作经验就会用来形成基于威布尔定律的统计故障曲线。此时使用的工具包括系统地分配基于威布尔定律统计故障曲线的工作范围。

相同的平均工作范围分配给所有故障原因的事实使得不可能考虑发动机的特性或历史状况。

这就造成维修作业预测不准确，而且，引起发动机维修不彻底，结果，在送修后不久，发动机就会再次出现故障。

为此，本发明的目的是对飞机发动机维修作业进行准确预测，从而避免出现任何上述不利情况。

发明目的和内容

本发明涉及到预测当前飞机发动机维修作业的方法，包括如下步骤：

-比较适于所述当前发动机的一组故障模型，以选择相关故障模型，该相关故障模型具有限定故障发生时所述发动机年龄的故障年龄；

-根据有关所述当前发动机的一组参数，将所述当前发动机工作范围的决策规则与所述相关故障模型进行联系；以及

-根据所述决策规则，确定在所述当前发动机上进行的必需的维修工作范围。

为此，该方法考虑了故障原因和其整个影响，以便区别发动机彼此之间的不同，并能非常详细地联系到每台发动机所特有的技术工作范围。这样，就可以更为精确地预测和计划维修作业。

有利的是，所述参数组包括如下参数：故障年龄、所述当前发动机自从上次送修以来的运行时间、送修等级、所述当前发动机大量限寿部件（LLP）中每个部件可能的剩余使用寿命，和所述发动机修复限制条件。

根据本发明的一个实施例,所述决策规则包括第一规则模块，该模块规定了与所述发动机运行时间有关的多个工作范围，而且，其特征在于，根据与所述相关故障模型相联系的所述故障年龄，有关工作范围是在所述多个工作范围中选取的。

所述第一规则模块是从此前在初始化阶段期间所限定的一组第一规则模块中选取的，所述第一规则模块中每个都与确定的故障模型和确定的送修等级相联系。

有利的是，所述决策规则包括第二规则模块，其限定了所述第一规则模块工作范围和维修作业之间的关系，且所述必需维修工作范围的确定依据于所述相关工作范围、所述发动机修复限制条件和所述当前发动机大量限寿部件（LLP）中每个可能的剩余使用寿命。

有利的是，所述参数组在所述当前发动机维修作业后进行修改。

所述故障模型源自在系列发动机上进行的操作经验的分析，由各种数据组成，包括发动机编号、每台发动机的运行环境、每台发动机的型号，每台发动机的工作条件、每台发动机的维修部位、每台发动机进车间和出车间之间的持续时间。

本发明还涉及到一种计算机程序，当其由处理装置运行时，其包括实施基于上述特性的预测方法的编码指令。

本发明还涉及到预测当前飞机发动机上维修作业的系统，包括：

-处理装置，比较适于所述当前发动机的一组故障模型，以选择相关故障模型，该相关故障模型具有限定故障发生时所述发动机年龄的故障年龄；

-处理装置，根据有关所述当前发动机的一组参数，处理装置将所述当前发动机上工作范围的决策规则与所述相关故障模型相联系；以及

-处理装置，根据所述决策规则，处理装置确定将应用到所述当前发动机上的必需的维修工作范围。

附图简要说明

在阅读作为引导性但非限定性的如下说明后，本发明的系统和方法的其它特性和优点会更清楚地显现出来，所述说明参照附图，附图如下：

-图1示出了本发明的系统或方法中使用的硬件装置，所述方法或系统可以用来预测飞机发动机上的维修作业；

-图2示出了本发明的预测某一飞机发动机维修作业的方法；

-图3为图2所示预测维修作业的方法的具体实施例；以及

-图4示出了本发明的第一规则模型的一个实施例，其限定了多个工作范围。

实施例具体说明

本发明的原则是充分利用系列发动机的故障历史，以非常精确地预测未来的维修作业。于是，基于对故障原因影响最大的参数，可以更为详细地推断得出有关该发动机的工作范围，无需监测。

图1示出了本发明预测飞机发动机上维修作业的系统或方法中使用的设备装置的示例。

当发动机1送车间3修理期间，维修工人积累了有关故障原因和工作范围的经验。预测系统5利用该工作经验来建立故障模型，从而可以预测在飞机发动机上将要进行的维修作业。

更具体地来讲，预测系统5包括计算机系统7，后者通常包括输入装置9、处理装置11、存储装置13和输出装置15。应该注意的是，存储装置13可以包括计算机程序，其含有适用使用本发明预测方法的代码指令。该计算机程序可以采用处理装置11来运行，后者利用了存储装置13和输入装置9和输出装置15。

从各个车间3工作经验中获得的各种数据存储在存储装置13内，以建立有关整个系列发动机的数据库17。另外，有关这种发动机的其它数据也可记录在数据库17内，以增加有关该发动机的信息。

为此，随着时间的过去,数据库17包括收集到的多种关于发动机1的测量结果和数据。这些数据包括每台发动机的不同故障原因和工作范围、经过处理的或将要处理的发动机的编号、每台发动机的工作环境、每台发动机的型号和标识符、每台发动机的运行条件、每台发动机的维修部位、每台发动机进车间和出车间之间的持续时间，等等。

根据数据库17内所记录的有关该系列发动机的不同输入数据，本发明的方法可模拟整个系列发动机的特性，预测发动机拆除次数和不同发动机工作范围。另外，在确定拆卸计划、工作范围和不同发动机1在车间3内的送修日期时，根据发动机的年龄，这种方法还管理发动机的技术历史。

更具体地说，处理装置11可设置成利用数据库17内记录的数据，以便确定统计故障模型，根据时间来模拟故障原因。更确切地说，处理装置11将一组故障模型与每台发动机型号及其用途相关联。每个故障模型都可以根据时间用累积故障概率形式来表示（例如，见图2和图3）。

有利的是，故障模型可以基于威布尔分布定律，该定律非常适合于建模发动机1部件寿命或故障。威布尔分布的概率密度f(t;β,η,γ)可以用下列形式表示：

$f(t;\mathrm{\β},\mathrm{\η},\mathrm{\γ})=\frac{\mathrm{\β}}{\mathrm{\η}}{\left(\frac{t-\mathrm{\γ}}{\mathrm{\η}}\right)}^{k-1}{e}^{-{\left(\frac{t-\mathrm{\γ}}{\mathrm{\η}}\right)}^{\mathrm{\β}}}$

该定律极其灵活，因为其考虑了三个参数，即形状参数β，尺度参数η和定位参数γ。

而后，威布尔分布定律的分布功能或故障概率定义如下：

$F(t;\mathrm{\β},\mathrm{\η},\mathrm{\γ})=1-e^{-{\left(\frac{t-\mathrm{\γ}}{\mathrm{\η}}\right)}^{\mathrm{\β}}}$

由于该定律的灵活性,采用威布尔分布定律可以令人满意地描述大量故障记录。特别是，其可以重现其它概率律的特征，则正说明了这一点。例如，如果β＝1，威布尔分布定律相当于指数分布；如果β＝2，威布尔分布定律相当于瑞利（Rayleigh）分布；如果3＜β＜4，威布尔分布定律相当于正态分布；如果β→∞，威布尔分布定律相当于狄拉克（Dirac）分布。在其它某些情况下，还可以重现二项式定律和泊松（Poisson）定律。

显然，对于随着时间的过去具有几种故障模式的发动机1的部件来讲，威布尔定律可以根据部件的年龄采用不同参数来确定。例如，在开始时，部件的故障率可以下降(β＜1)，表示“早期故障期”。换句话说，易碎部件在早期很快出现故障，在故障部件被更换后会，故障率下降。然后，故障率会在部件的整个使用年限期间保持不变(β＝1)。最后，在自然磨损阶段，故障率开始增加(β＞1)。那么，三种故障模式构成连续的浴盆形状曲线。

应该注意的是，其它统计定律也可用于易受某种非线性现象（诸如裂纹）的部件。更合适的对数-正态分布可用于这种现象。

图2示出了本发明的预测某型飞机发动机上的维修作业的方法。

步骤E10涉及到数据、参数和输入变量的初始化。这些输入信息包括发动机型号、其运行环境、其工作条件、适于这种发动机的故障模型，等等。

输入信息还包括参数P1,P2,…，Pi在故障可能原因和工作范围之间的联系方面影响最大，和一组有关发动机1工作范围的决策规则R。

该组有影响的参数P1,P2,…，Pi包括发动机年龄和发动机修复限制条件参数。

此外，决策规则R可以是根据不同故障模型和所有参数而建立的逻辑规则。

在步骤E20，处理装置11可以使用存储装置13中适合于所管制发动机1的所有的故障模型M1,M2,M3,…,Mn。根据（例如）以小时表示的时间或机翼下方发动机的循环数，每个故障模型都采用适用于0至100%之间的故障累积概率的定律来表示。应该注意的是，所述循环对应于所有飞行阶段（起飞、飞行和降落）。这些故障模型M1,M2,M3,…,Mn可以显示在作为输出装置15组成部分的屏幕上。

在步骤E30，处理装置11可以布置成将所有故障模型M1,M2,M3,…,Mn进行对比，从而选择相关的故障模型Mi，该故障模型Mi具有故障年龄T₀，其限定了发动机1在故障发生时将具有的年龄。

有利的是，相关模型采用在所有故障模型M1,M2,M3,…,Mn上进行蒙特卡罗（Monte-Carlo）模拟法来选出。蒙特卡罗模拟法可以从对应于威布尔定律类的故障模型M1,M2,M3,…,Mn概率分布的随机输入中决定那些确定性输出。由于大量数字定律，蒙特卡罗模拟可以将一次事件发生的确定性数字与该次事件发生的概率进行相关处理。

在这种情况下，发动机1部件正常工作的概率分布H(t)可在时间t后以根据故障（或分布函数）F(t)概率按如下公式来表示：

$H\left(t\right)=1-F\left(t\right)=e^{-{\left(\frac{t-\mathrm{\γ}}{\mathrm{\η}}\right)}^{\mathrm{\β}}}\⇔1-P=e^{-{\left(\frac{t}{\mathrm{\η}}\right)}^{\mathrm{\β}}}$

式中，P是在时间t之后由蒙特卡罗模拟法提取的0和1之间的随机数，对应于故障概率。

为此，对应于故障发生时发动机年龄的时间t由下列公式给出：

t＝-η×ln(1-P)^1/β

对于该组故障模型M1,M2,M3,…,Mn中的每个模型，处理装置11可以进行这种计算，从而生成一组故障年龄{t₁,t₂,Κ,t_n}。

处理装置11可配置成在该组故障年龄中选择相关的故障年龄和对应于该年龄的故障模型。例如，相关故障年龄可以对应于最小时间应该注意的是，该相关故障年龄T₀可表示送修的日期。

在步骤E40，根据相对于该发动机1的该组参数P1,P2,…,Pi，处理装置11配置成将发动机1的工作范围决策规则R与相关故障模型Mi相联系。

有利的是，该组有影响的参数包括发动机修复限制条件和关于发动机年龄的参数，这些参数包含故障发生时发动机年龄，以小时或上次送修以来工作循环表示的发动机技术历史（或运行持续时间），对应于车间3内发动机送修次数的等级或SV（送修指数），以及发动机1大量限寿部件(LLP)中每个的可能的剩余使用寿命。

在步骤E50，处理装置11配置成可根据这些决策规则R确定在发动机1上将要进行的必需维修的工作范围(Wf)。

为此，处理装置11将故障最可能的原因（换言之，相关故障模式）和有影响的参数之间进行联系，所述有影响的参数包括发动机历史、修复限制条件和送修等级，以便在步骤E30所确定的相关故障年龄T₀所表示的送修时计划出尽可能最真实的工作范围。

图3示出了图2所示维修作业预测方法的具体实施例。

如前面附图中步骤E10那样，步骤E11涉及数据、参数P1,…,Pi、和输入变量的初始化。更具体地说，根据该实施例，有关发动机1工作范围的该组决策规则R包括一组第一规则模块R1和一组第二规则模块R2。

第一规则模块R1组是这样定义的，即这些第一模块中每个模块都与确定的故障模型有关和送修车间3的确定的送修等级（SV）有关。

图4示出了第一规则模块的实施例，该模块限定了与发动机运行时间相关的多个水平L1,L2,L3或工作范围。换句话说，针对不同的工作范围，第一规则模块R1包括选择工作范围的“关键机翼下时间”。不同的工作范围可能会涉及到低压压气机LP、高压压气机HP、燃烧室、高压涡轮THP、低压涡轮TBP等。例如，对发动机核心燃气发生器（换句话说，由高压压气机HP，燃烧室和高压涡轮THP组成的装置）采取行动，从而可以重新形成排气温度(EGT)范围。

图4给出的实施例说明了三个水平,表示根据发动机1翼下时间t，由于某种故障原因X而要求的工作范围的特性。该图示出的第一水平L1，称之为小送修（SV），在0至2000循环之间，第二水平L2称之为中等送修（SV），在2000至5000循环之间，以及第三水平L3称之为大型送修（SV），翼下时间超过5000循环。小送修（SV）水平对应于工作范围减少的送修，中等送修（SV）水平对应于发动机核心燃气发生器上进行的工作范围，以及大型送修（SV）水平对应于包括发动机“核心”和低压涡轮TBP的工作范围。

例如，第一规则模块R1可对应于表列数据，采用逗号分隔值形式，使用csv(逗号分隔值)格式的文件，所述格式称之为“卡片”。为此，对于图4所示的一级送修，该卡片结构如下：

-卡片的日期；水平；原因X；水平1；等级1；发动机型号；发动机额定值（换句话说，根据发动机推力输出，发动机的子模型）；0；2000；小型送修（SV）。

-卡片的日期；水平；原因X；水平2；等级1；发动机型号；发动机额定值；2000；5000；中等送修（SV）。

-卡片的日期；水平；原因X；水平3；等级1；发动机型号；发动机额定值；5000；50000；大型送修（SV）。

每个水平L1，L2，L3的下限和上限都针对相对于其环境的每台发动机类型。有利的是，这些限值都可以根据车间3内所完成的工作范围的使用经验来修改或调整。

此外，针对第一模块R1的每个水平L1，L2，L3，根据发动机1修复限制条件，所有第二规则模块R2限定最终的工作范围。换句话说，对于每个第一规则模块R1，都存在一个第二规则模块R2，其限定了第一规则模块工作范围和最终维修作业之间的关系。第二规则模块R2还可以用逗号隔开值(csv)格式的文件或卡片来建立。

图3中的步骤E20和E30类似于参照图2描述的步骤。

为此，在步骤E20中，处理装置11设有一组故障模型M1,M2,M3,…,Mn适用于发动机1。

例如，第一故障模型M1是关于排气温度EGT的故障原因，第二故障模型M2是核心装置的故障原因，第三故障模型M3是低压涡轮TBP的故障原因，而第n个故障模型Mn则是关于风扇的故障原因。

那么，在步骤E30中，处理装置11比较适于发动机1的所有故障模型M1,M2,M3,…Mn，以选择相关的故障模型Mi，该故障模型Mi具有在发生故障时发动机1将具有的年龄T₀。

参照前一个示例，假设相关模型Mi是在18千次循环时的用于排气温度EGT的第一故障模型M1，该模型是在比较了故障模型M1,M2,M3,…，Mn之后选出的，初始限寿部件LLP在用于核心装置的第二故障模型M2上可能是20千次循环，在用于低压涡轮TBP的第三故障模型M3上可能是25千次循环，以及在用于风扇的第n个故障模型Mn上可能是30千次循环。

在步骤E41和E42时，根据与发动机相关的该组参数P1,…,Pi，处理装置11配置成可将具有第一和第二规则模型的决策规则与相关故障模型Mi进行联系。

更具体地来讲，在步骤E41时，处理装置11将第一规则模块R1与相关故障模型Mi进行联系，所述第一规则模块R1限定了与发动机1运行时间有关的多个工作范围L1，L2，L3。

然后，根据在步骤E30中选择的与相关故障模型Mi相关联的故障年龄，处理装置11在所述多个工作范围L1，L2，L3中选择相关水平。该第一规则模块R1可以提供维修作业的最小工作范围。

在前一个示例的情况下，在18千次循环时，有关排气温度EGT故障的相关故障模型M1是在第一规则模块R1的第二水平L2中，后者与在“核心”装置上进行的最小工作的中等送修(SV)相联系。

在步骤E42时，处理装置11选择第二规则模块R2，其限定了与有关故障模型Mi相联系的第一规则模块R1工作范围L1，L2，L3和对应的维修作业之间的关系。

根据在步骤E41时选择的有关水平L2、发动机修复限制条件和发动机1每个限寿部件LLP可能的剩余使用寿命，第二规则模块R2可使处理装置11能够确定所要求的维修工作范围。

例如，原因X的第二规则模块R2和送修等级1的卡片可以按照如下结构建立：

原因X编号；原因X；水平1；限寿部件LLP需求(是/否)；风扇限寿部件LLP需求(是/否)；核心装置限寿部件LLP需求(是/否)；低压涡轮限寿部件TBP LLP需求(是/否)；最终工作范围代码；综合工作范围(是/否)；最终工作范围。

在上面所述示例中，让我们假设发动机1的修复限制条件是送修期间限寿部件LLP为8千次循环。换句话说，发动机1必须重新维修，以便保持良好状态，能在出厂后保持至少8000次循环。假定剩余的使用时间是：核心装置2000次循环，低压涡轮TBP7000次循环，以及风扇12000次循环。因此，核心装置的限寿部件和低压涡轮TBP的限寿部件都将必须更换，这样，所有的限寿部件都可能使用8000次循环以上。因此，核心装置和低压涡轮TBP的限寿部件都是必须的，这会增加初始核心装置工装范围，等于核心装置+低压涡轮TBP。

为此，基于此前确定的有关故障年龄T₀，由于所述第一和第二决策模块，处理装置11确定在车间3送修期间将要在发动机1上进行的所要求的维修工作范围Wf(最终工作范围)。

有利的是，该组参数可在当前发动机上的维修作业完成后进行修改。这样，就可以考虑该工作范围的结果以便精确确定下一个工作范围。

应该看到，当预测最佳维修作业时，可以考虑所有如下参数：故障年龄，送修等级，发动机每个限寿部件LLP可能的剩余使用寿命，以及发动机的修复限制条件。很显然，本发明的方法可以同样适用于更多参数或仅仅其中所述部分参数。例如，有关送修等级的参数可以忽略不计。

Claims (9)

1.预测当前飞机发动机上维修作业的方法，其特征在于：其包括如下步骤：

-比较适于所述当前发动机（1）的一组故障模型(M1,…,Mn)，以选择相关故障模型(Mi)，该相关故障模型(Mi)具有限定故障发生时所述发动机年龄的故障年龄(T₀)；

-根据有关所述当前发动机的一组参数(P1,…Pi)，将有关所述当前发动机(1)工作范围的决策规则(R)与所述相关故障模型(Mi)进行联系；以及

-根据所述决策规则，确定在所述当前发动机上将要进行的必需的维修工作范围(Wf)。

2.根据权利要求1所述的方法，其特征在于：所述该组参数包括如下参数：故障年龄、自上次送修以来所述当前发动机工作时间、送修等级、所述当前发动机大量限寿部件（LLP）中每个可能的剩余使用寿命以及所述发动机修复限制条件。

3.根据权利要求1或2所述的方法，其特征在于：所述决策规则包括第一规则模块(R1)，其限定了有关所述发动机工作时间的多个工作范围(L1,L2,L3)，其特征还在于：根据与所述相关故障模型(Mi)相联系的所述故障年龄(T₀)，从所述多个工作范围中选出相关工作范围。

4.根据权利要求3所述的方法，其特征在于：所述第一规则模块(R1)是从此前在初始化阶段限定的一组第一规则模块中选出的，每个所述第一规则模块都与确定的故障模型和确定的送修等级相联系。

5.根据权利要求3或4所述的方法，其特征在于：所述决策规则包括第二规则模块(R2)，其限定了所述第一规则模块工作范围和维修作业之间的关系，其特征还在于：所述必需的维修工作范围的确定依据于所述有关工作范围、所述发动机修复限制条件以及所述当前发动机大量限寿部件(LLP)中每个可能的剩余使用寿命。

6.根据权利要求1至5任一项所述的方法，其特征在于：所述该组参数可在所述当前发动机的维修作业进行后来修改。

7.根据前面任一项权利要求所述的方法，其特征在于：所述故障模型来源于对一系列发动机使用经验的分析，包括各种数据，这些数据包括发动机编号、每台发动机使用环境、每台发动机模型、每台发动机工作条件、每台发动机维修部位、每台发动机进入车间和离开车间之间的持续时间。

8.预测当前飞机发动机上维修作业的系统，其特征在于：其包括：

-处理装置(11)，用来比较适于所述当前发动机的一组故障模型(M1,…,Mn)，以选出相关的故障模型(Mi)，该故障模型(Mi)具有故障年龄，该故障年龄限定了故障发生时的所述发动机年龄。

-处理装置(11)，用来根据有关所述当前发动机的一组参数，将所述当前发动机工作范围的决策规则与所述相关故障模型相联系；以及

-处理装置(11)，用来根据所述决策规则，确定将应用到所述当前发动机上的必需的维修工作范围。

9.计算机程序，当其由处理装置运行时，其包括实施根据权利要求1到7任一项所述的预测方法的代码指令。

Images