CN105637437A - 监测飞行器引擎来预测维护操作 - Google Patents

监测飞行器引擎来预测维护操作 Download PDF

Info

Publication number
CN105637437A
CN105637437A CN201480056010.5A CN201480056010A CN105637437A CN 105637437 A CN105637437 A CN 105637437A CN 201480056010 A CN201480056010 A CN 201480056010A CN 105637437 A CN105637437 A CN 105637437A
Authority
CN
China
Prior art keywords
curve
nargin
temperature
engine
aircraft engine
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
Application number
CN201480056010.5A
Other languages
English (en)
Other versions
CN105637437B (zh
Inventor
杰罗姆·亨利·诺埃尔·拉凯
欧拉丽·戈比
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Safran Aircraft Engines SAS
Original Assignee
SNECMA SAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SNECMA SAS filed Critical SNECMA SAS
Publication of CN105637437A publication Critical patent/CN105637437A/zh
Application granted granted Critical
Publication of CN105637437B publication Critical patent/CN105637437B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/002—Analysing tachograph charts
    • 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
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • 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
    • G05B23/0283—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]
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D31/00—Power plant control systems; Arrangement of power plant control systems in aircraft
    • B64D31/02—Initiating means
    • B64D31/06—Initiating means actuated automatically

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Engines (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种用于对飞行器引擎(2)进行监测的方法和系统，包括：获取和处理装置(11)，配置为收集所述飞行器引擎(2)的排气温度剩余裕度的时间信号；获取和处理装置(11)，配置为使所述时间信号平滑，由此形成表示所述时间剩余裕度的第一曲线；获取和处理装置(11)，配置为识别所述第一曲线中的下降段；获取和处理装置(11)，配置为通过串接所述下降段来构建第二曲线，所述第二曲线在受限于所述第一曲线的下降段的同时是连续的；获取和处理装置(11)，配置为根据所述第二曲线构建预测模型来确定至少一个故障预测指示。

Description

监测飞行器引擎来预测维护操作
技术领域
本发明涉及对飞行器引擎进行监测的领域。特别地，本发明提供了一种用于对飞行器引擎进行监测以通过估计该引擎的排气温度剩余裕度来预测维护操作的方法和系统。
背景技术
在每次飞行中，飞行器根据称作ACARS(AircraftCommunicationAddressingandReportingSystem，飞行器通信寻址与报告系统)的消息系统来记录并发送关于自身操作的信息。这些数据由地面站实时地恢复以在明显异常的情况下被立即处理，反之则与机队的所有数据一起归档。
随后专家对与引擎相关的数据进行查询以监测该引擎的正确操作。除其他因素外，专家分析来自连续飞行的关于排气温度EGT(ExhaustGasTemperature)的数据以诊断引擎的状态并预测故障。特别地，专家估计EGT温度剩余裕度，其表示极限温度阈值(unseuildetemperaturelimite)与测量到的EGT温度之间的差。因此，监测该裕度的演变是重要的以便能够预测对阈值的超越，超出该阈值必须移除引擎以恢复引擎自身性能。
应当注意的是，在使用寿命开始时，裕度是高的，且随着循环次数的增加逐渐降低。因此，温度剩余裕度的时间信号通常沿着一条表示引擎的正常磨损的向下倾斜曲线演变。
然而，该裕度的、通常观察到的时间信号具有随机的振荡，而不是连续地下降。这些振荡主要是由于对引擎执行的保养操作，并且在较小程度上由于温度测量值的获取条件引起的。对引擎执行频率较高或较低的清洗以消除从一次飞行到另一次飞行所积累的污物会导致温度剩余裕度的人为增加。
温度剩余裕度的时间信号的这些振荡使分析复杂化，并且使得无法提前且精确地对引擎的故障日期进行适当地预测。
因此，本发明的目的在于通过提供一种用于对飞行器引擎的排气温度剩余裕度进行监测的方法和系统来克服上述缺陷，该方法和系统使得能够以简单精确的方式且充分提前地对待预测的引擎的故障进行预测。
发明内容
本发明涉及一种监测飞行器引擎的方法，包括以下步骤：
获取所述飞行器引擎的排气温度剩余裕度的时间信号；
使所述时间信号平滑以形成表示所述温度剩余裕度的第一曲线；
识别所述第一曲线中的下降段；
通过串接所述下降段来构建第二曲线，所述第二曲线在受限于所述第一曲线的下降部分的同时是连续的，以及
根据所述第二曲线构建预测模型以确定至少一个故障预测指示。
该方法以快速简便的方式对引擎的真实磨损进行建模，从而消除温度裕度上的人为增加并由此使引擎的故障能够被精确地预测。
有利地，识别所述第一曲线中的下降部分包括以下步骤：
对所述第一曲线应用统计的增加模型，所述统计的增加模型被分解为两个独立的部分，这两个独立的部分由第一下降函数和第二阶跃函数形成，该第一下降函数表示飞行器引擎的常规磨损，该第二阶跃函数表示对飞行器引擎的临时保养操作的随机触发的跳变形成；
查找与所述跳变对应的上升；以及
通过将点从所述第一曲线上的所述上升中删除来识别所述下降段。
这使得能够消除温度裕度上的人为增加以仅保留与表示引擎的磨损的下降段对应的间隔。
有利地，通过串接构建所述第二曲线包括：通过从最后一段开始并在时间上逐步回溯地移动每个之前的段以使所述每个之前的段与下一段相连接来接合所述下降段。
这使得能够对指示引擎的真实磨损的下降趋势进行建模。
根据本发明的第一实施例，构建所述预测模型包括以下步骤：
使用所述第二曲线的记录来构建对温度剩余裕度进行建模的自回归模型；以及
对所述自回归模型应用动态滤波器以确定所述至少一个故障预测指示。
该动态模型的构建使得能够对任意类型的引擎和处于引擎寿命的任意时期的引擎进行精确的预测。
有利地，所述动态滤波器选自以下颗粒滤波器：贝叶斯滤波器、卡尔曼滤波器、扩展的卡尔曼滤波器。
根据本发明的第二实施例，构建所述预测模型包括以下步骤：
使用所述第二曲线的记录来构建用于温度剩余裕度的演变的线性模型；以及
对所述线性模型应用自回归技术以确定所述至少一个故障预测指示。
构建线性模型是非常简单的并使得能够利用少量计算来进行精确的预测。
有利地，所述至少一个故障预测指示选自包括以下各项的一组指示：
第一指示，用于估计在预定时间水平线之前超出故障阈值的概率，以及
第二指示，用于估计超出故障阈值的日期。
有利地，获取温度剩余裕度的所述时间信号包括以下步骤：
随时间获取所述飞行器引擎的排气温度的测量值；
相对于标准的参考温度来对所述温度测量值进行归一化，由此形成归一化的温度测量值；
通过将环境数据考虑在内对所述归一化的温度测量值进行标准化，由此形成标准化的温度测量值；以及
计算所述标准化的温度测量值与(因引擎而异的)预定最大温度值之间的裕度以形成所述裕度时间信号。
因此，裕度时间信号根据标准的物理条件且独立于环境进行收集。
本发明还提供了一种用于监测飞行器引擎的系统，包括：
获取和处理装置，配置为收集所述飞行器引擎的排气温度剩余裕度的时间信号；
获取和处理装置，配置为使所述时间信号平滑，由此形成表示所述时间剩余裕度的第一曲线；
获取和处理装置，配置为识别所述第一曲线中的下降段；
获取和处理装置，配置为通过串接所述下降段来构建第二曲线，所述第二曲线在受限于所述第一曲线的下降段的同时是连续的；
获取和处理装置，配置为根据所述第二曲线构建预测模型以确定至少一个故障预测指示。
本发明还涉及一种计算机程序，该计算机程序可由处理装置实现并包括适用于实现上述特征中任一项所述的监测方法的代码指令。
附图说明
通过阅读以下参照附图以指示而非限制性示例的方式进行的说明，根据本发明的系统和方法的其他特征和优点将变得明显，在附图中：
-图1示意性地示出了在根据本发明的用于对飞行器引擎进行监测的系统和方法中实现的物质资源；
-图2A示出了在一组连续飞行期间飞行器引擎的EGT测量值；
-图2B示出了在一组连续飞行期间的飞行器引擎的标准化的EGT测量值；
-图3示出了排气温度剩余裕度的时间信号；
-图4示出了根据本发明，与图3的时间信号在预定时段上的平滑对应的第一曲线；
-图5示出了根据本发明，与第一曲线的跳变对应的上升的图形表示；
-图6示出了根据本发明，由下降部分的串接形成的第二曲线的图形表示；
-图7示出了根据本发明，颗粒滤波器在第二曲线的动态系统的应用；
-图8示出了根据本发明，特定滤波器在服役不久的(jeune)引擎相关的第二曲线的动态系统的应用；以及
-图9示意性地示出了根据本发明的两个故障预测指示。
具体实施方式
本发明的原理在于删除与温度剩余裕度的人为增加对应的点从而仅保留表示引擎的真实磨损的下降部分。因此，通过观察该磨损的演变，可以高精度地预测引擎的未来故障以及待进行的维护操作。
图1示出了根据本发明的用于对飞行器引擎进行监测的系统或方法中实现的物质资源的一个示例。本发明还可应用到包括多个引擎的飞行器，如图1中所示。
在一次飞行中，飞行器1执行关于自身运转以及不同的环境参数的信息的记录。由飞行器上的计算机(例如FADEC、ACMS等)记录的这些数据来自由集成在飞行器1内的测量装置或传感器所提供的测量值。例如，FADEC(控制飞行器1的引擎2)记录由集成在引擎2中的传感器测量到的一定数量的数据以用于控制引擎2并用作维护预测过程的基础。
因此，飞行器的计算机1随时间收集与飞行器引擎2和自身环境相关的数据。在每次获取时，这些数据包括与描述引擎2的行为的内源性参数相关以及与描述获取内容的外源性参数相关的信息。
举例而言，内源性参数包括排气温度EGT、轴的旋转速度、燃料流、液体在引擎的不同位置处(例如，压缩之前和/或压缩之后)的温度和压力等。
外源性参数可以包括外部温度、海拔、飞机的重量、排气阀的可变几何形状、涡轮机的高压设定点和低压设定点、飞机的速度等。
此外，飞行器1定期地向地面发送关于内源性参数和外源性参数的短瞬时消息(courtsmessagesinstantanés)。在每次飞行期间，飞行器1通常向地面发送至少两个消息，一个在起飞阶段发送，另一个在巡航阶段发送。特别地，由于位于飞行中的飞行器与地面之间的数字数据传输系统，这些消息由卫星(ACARS协议)发送(可以是其他通信协议：PCMCIA、3G等)。
地面站3对不同飞行器1和不同引擎2在不同日期发出的不同消息进行恢复，并随后通过通信装置将其发送到管理中心5。该管理中心包括计算系统7，该计算系统通常包括输入装置9、获取和处理装置11、存储装置13和输出装置15。应该注意的是，在飞行期间机载的计算机上所记录的其他数据还可以被定期地卸载(déchargées)以改善与引擎2相关的信息的收集。
来自从不同的飞行器1直接接收到的消息的不同数据或在地面上从机载计算机的内部存储器中恢复的数据被存储在存储装置13中以形成整个机队的引擎2的数据库14。
本发明尤其对与引擎的排气输出温度EGT相关的数据进行处理。
图2A示出了在一组连续飞行期间飞行器引擎的EGT测量值。y轴表示EGT值，x轴表示循环或飞行的次数。
集成在飞行器引擎内的某些传感器被配置为随时间获取引擎的排气输出温度的测量值。这些数据的获取环境(contexte)可以有很大的差异。例如，在一天的第一次飞行期间(启动时引擎是冷的)获取的与起飞相关的测量值可以不同于在当天的其他飞行期间获取的测量值。其他示例涉及在天气条件(下雨、下雪、结霜等)、导频变化、所飞越的位置(海洋上、沙漠上或陆地上等)方面的变化。因此，EGT测量值极其依赖于外部条件。
有利地，处理装置11被配置为对这些EGT测量值执行相对于标准参考帧和相对于环境的双重归一化以消除外部条件的影响。
更具体地，温度(EGT)测量值相对于iso标准的参考温度进行归一化，从而形成归一化的温度测量值。该参考温度相对于在海平面测量到的起飞温度进行定义。这些归一化的温度测量值进一步相对于环境数据进行标准化以形成标准化的EGT测量值。标准化技术例如被描述在本申请人的专利EP2376988中，并且尤其以回归模型为基础，同时可将根据使用初始的外源性参数的计算所构建的其他参数考虑在内。
图2B示出了在一组连续飞行期间飞行器引擎的标准化的EGT测量值。图2B的图形表示对应于图2A的图形表示的标准化。这两个表示具有相同的标度且均关注于EGT测量值的平均值。水平的虚线表示平均值的±3σ和±6σ界限。
最后，处理装置11被配置为计算标准化的EGT测量值与预定的最大温度值之间的裕度以构建如图3所示的排气温度剩余裕度的时间信号。最大温度通常对应于需要移除引擎的极限温度。
特别地，图3显示了尽管基于标准化的EGT测量值，温度剩余裕度的时间信号仍具有随机的振荡。这些振荡本质上是由于对引擎执行不同的保养操作(例如水洗)引起的。
处理装置11还被配置为使图3的时间信号平滑以形成图4所示的表示温度剩余裕度的第一曲线C1。使时间信号平滑可以根据已知的滤波技术(移动平均、高斯滤波等)来进行。第一曲线C1清楚地显示了与温度剩余裕度的人为增加对应的上升跳变。这些上升跳变看起来是或多或少定期地出现，但却具有不同的效应。
根据本发明，提出了消除这些上升跳变以仅保留表示引擎的真实磨损的下降部分。
因此，处理装置11被配置为自动地识别第一曲线中的下降段。更具体地，识别下降段可以例如通过查询与跳变对应的上升来执行。
根据本发明的优选的实施例，处理装置11对第一曲线C1应用与统计的增加过程对应的统计模型以提取出不含上升跳变的区域。
该统计过程可被分成两个独立的部分，使得与第一曲线C1相关的温度剩余裕度的增加dXt＝Xt+1-Xt根据以下公式由第一下降函数Ut和第二阶跃函数Ht之和来定义：
dXt＝Ut+Ht
下降函数Ut表示飞行器引擎的常规磨损并被认为是随机变量Ut，该随机变量遵循高斯分布Ut～N(-u,σu)，该高斯分布以表示温度剩余裕度的正常下降的负期望值-u和标准差σu为参数。
阶跃函数Ht表示对飞行器引擎的保养操作，并可由随机布尔(booliennealéatoire)分布Zt和正跳变Gt的随机变量的乘积Ht＝ZtGt定义。
跳变Gt的随机变量还可根据高斯分布Gt～N(+g,σg)描述，该高斯分布以正平均跳变g和标准差σg为参数，平均跳变g大于温度剩余裕度的正常下降-u的绝对值u。
布尔法则Zt以小概率p随机地触发跳变Gt并能够例如通过具有预定参数p的二项分布Zt～B(p)来定义。因此，对引擎的保养操作(即上升)的概率由p＝P(Zt＝1)给出。随后，为了识别由随机变量Ut建模的下降段，只需通过删除与上升对应的点来获得一组使Zt＝0的时刻t。
图5示出了与跳变对应的上升的图形表示。该表示显示了在离散时刻附近与临时动作对应的、以长间隔隔开的点。该离散时刻具有人为的长度，该长度可由归一化操作和平滑操作产生。应该注意的是，离散时刻远远少于下降时刻，因而可被忽略而不会对高斯分布Ut～N(-u,σu)的参数-u和σu的值产生任何影响。
在删除了上升的离散时刻后，处理装置11被配置为通过串接下降段来构建第二曲线C2，如图6所示。于是第二曲线在仅受限于第一曲线C1的下降段的同时是连续且下降的。
通过串接构建第二曲线C2包括垂直地和水平地移动下降段以将端部彼此接合从而确保不同段之间的连续性。
特别地，处理装置11被配置为由最后一段(即最近一段)开始，使得最后的值具有物理意义。随后，通过在时间上逐步回溯来串接其他段。因此，每个之前(即在前的)的段被移动以使其在时间反转方向(lesensinversedutemps)上连续地与下一段接合。换句话说，变量dXt＝Xt-1-Xt的值被逐步地从右到左添加以形成第二曲线C2。
此外，处理装置被配置为根据第二曲线C2构建故障预测模型，该故障预测模型使得能够确定引擎的至少一个故障预测指示。
应该注意的是，图6的示例中所示的曲线实际上是线性的。因此，根据第一实施例，有利的是，使用第二曲线C2的记录来构建温度剩余裕度的演变的线性模型并随后将相当简单的回归技术应用到该线性模型以确定故障预测指示。根据该实施例，不必分析信号的动态变化就足以估计下降的一般趋势，该趋势遵循学生类法则。
然而，对于刚刚服役的引擎，裕度下降是缓慢且并非是严格线性的。因此，根据第二实施例，使用基于动态或颗粒滤波器的随机方法。
一般而言，对连续的过程进行预测的好方法在于利用自回归模型对自身的行为进行建模。因而通过使用第二曲线的记录来构建对温度剩余裕度进行建模的自回归模型。因此，可以从观察值(Yt)t>1中提取出所谓的隐藏状态的过程。
特别地，假设状态(Xt)t>0的过程是一阶马尔可夫链并且(Xt)t>0与(Yt)t>1之间的链受到无记忆信道假设的约束。那么自回归模型的状态空间可被定义如下：
X t = F X t - 1 + e t Y t = HX t - 1
et是白噪声，算子F是状态传输矩阵，算子H是对动态系统进行限定的观察值矩阵。应该注意的是，由于消除了上升跳变，对温度剩余裕度的信号的下降进行感知的动态系统非常易于分析和实现，且在给出高精度的结果的同时仅需要极少的计算步骤。
随后，对自回归模型应用动态滤波器以根据贝叶斯技术从观察值(Yt)t>1中递归地估计隐藏状态(Xt)t>0的过程。动态滤波器因而能够根据可用的观察值Y1,…,Yk(即直到时刻k)确定任意时刻k的隐藏状态Xk。因此，长期故障预测指示可被精确地确定。
事实上，图7示出了颗粒滤波器在第二曲线的动态系统中的应用。
达到虚的垂直线d1的曲线C2与表示观察到的裕度演变的观察过程(Yt)对应。垂直线d1因而对应于根据观察过程(Yt)来进行预测的时刻。从该时刻起，动态滤波器的应用模拟多个颗粒路径t1，在不同路径t1内的加粗曲线C3表示平均路径。水平线d2表示故障阈值。值得注意的是，由于精确获知了动态系统，尤其由于消除了与对引擎的临时保养操作对应的上升，因而预测质量非常好。
图8示出了颗粒滤波器在与服役不久的引擎相关的动态系统中的应用。
起初，由于服役不久的引擎的磨合现象，因而温度剩余裕度的降低相当大，随后，演变平滑向下并且下降变得相当缓慢。以图7所示的相同方式，动态滤波器的应用以高的预测质量模拟了多个颗粒路径。
因此，颗粒滤波器动态模型的使用使得能够对每种类型的引擎和处于不同服役期的引擎进行精确的长期预测。
值得注意的是，动态滤波器可以是线性或非线性的贝叶斯滤波器。可替换地，可以使用卡尔曼滤波器或卡尔曼滤波器的扩展(例如，扩展的卡尔曼滤波器)。
这些动态滤波器之一在预测模型中的任何应用使得能够估计出待估计温度剩余裕度的演变，并因此使得能够确定出可用作警告指示的故障预测指示。
图9示意性地示出了根据本发明的两个故障预测指示。
第一指示I1在预定时间水平线h1之前超出故障阈值d2的概率。这通过对时刻t+h的检出概率POD进行计算来示意性地示出。举例而言，时间水平线h1可对应于安排用于检查引擎的日期。
可替换地，可以就估计引擎的剩余使用寿命RUL进行推理。在该情况下，第二指示估计出超过故障阈值d2的日期。
因此，这些故障预测指示I1、I2使得可以在达到未来的水平线h1时预测故障的概率或预测故障日期。
本发明还提供了一种计算机程序，该计算机程序可以在处理装置中实现并包括适于实现根据上述发明的方法的代码指令。

Claims (10)

1.一种用于监测飞行器引擎的方法，其特征在于，该方法包括以下步骤：
获取所述飞行器引擎(2)的排气温度剩余裕度的时间信号；
使所述时间信号平滑以形成表示所述温度剩余裕度的第一曲线(C1)；
识别所述第一曲线中的下降段；
通过串接所述下降段来构建第二曲线(C2)，所述第二曲线在受限于所述第一曲线的所述下降段的同时是连续的；以及
根据所述第二曲线构建预测模型以确定至少一个故障预测指示(I1、I2)。
2.根据权利要求1所述的方法，其特征在于，识别所述第一曲线中的下降段包括以下步骤：
对所述第一曲线(C1)应用统计的增加模型，所述统计的增加模型可被分解为两个独立的部分，这两个独立的部分由第一下降函数和第二阶跃函数形成，该第一下降函数表示所述飞行器引擎的常规磨损，该第二阶跃函数由表示对所述飞行器引擎的临时保养操作的随机触发的跳变形成；
查找与所述跳变对应的上升；以及
通过将点从所述第一曲线上的所述上升中删除来识别所述下降段。
3.根据权利要求1或2所述的方法，其特征在于，通过串接来构建所述第二曲线(C2)包括：通过从最后一段开始并在时间上逐步回溯地移动每个之前的段以使所述每个之前的段与下一段相连接来接合所述下降段。
4.根据前述权利要求中任一项所述的方法，其特征在于，构建所述预测模型包括以下步骤：
使用所述第二曲线的记录来构建对所述温度剩余裕度进行建模的自回归模型；以及
对所述自回归模型应用动态滤波器以确定所述至少一个故障预测指示。
5.根据权利要求4所述的方法，其特征在于，所述动态滤波器选自以下颗粒滤波器：贝叶斯滤波器、卡尔曼滤波器、扩展的卡尔曼滤波器。
6.根据权利要求1至3中任一项所述的方法，其特征在于，构建所述预测模型包括以下步骤：
使用所述第二曲线的记录来构建用于所述温度剩余裕度的演变的线性模型；以及
对所述线性模型应用自回归技术以确定所述至少一个故障预测指示。
7.根据前述权利要求中任一项所述的方法，其特征在于，所述至少一个故障预测指示选自包括以下各项的一组指示：
第一指示(I1)，用于估计在预定时间水平线之前超出故障阈值的概率，以及
第二指示(I2)，用于估计超出故障阈值的日期。
8.根据前述权利要求中任一项所述的方法，其特征在于，获取所述温度剩余裕度的所述时间信号包括以下步骤：
随时间获取所述飞行器引擎的排气温度的测量值；
相对于标准的参考温度来对所述温度测量值进行归一化，由此形成归一化的温度测量值；
通过将环境数据考虑在内对所述归一化的温度测量值进行标准化，由此形成标准化的温度测量值；以及
计算所述标准化的温度测量值与(因引擎而异的)预定最大温度值之间的裕度以形成所述裕度时间信号。
9.一种用于监测飞行器引擎的系统，其特征在于，该系统包括：
获取和处理装置(11)，配置为收集所述飞行器引擎(2)的排气温度剩余裕度的时间信号；
获取和处理装置(11)，配置为使所述时间信号平滑，由此形成表示所述时间剩余裕度的第一曲线(C1)；
获取和处理装置(11)，配置为识别所述第一曲线中的下降段；
获取和处理装置(11)，配置为通过串接所述下降段来构建第二曲线(C2)，所述第二曲线在受限于所述第一曲线的下降段的同时是连续的；
获取和处理装置(11)，配置为根据所述第二曲线构建预测模型以确定至少一个故障预测指示(I1、I2)。
10.一种计算机程序，该计算机程序可由处理装置实现并包括适于实现根据权利要求1至8中任一项所述的监测方法的代码指令。
CN201480056010.5A 2013-10-11 2014-10-01 监测飞行器引擎来预测维护操作 Active CN105637437B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1359903 2013-10-11
FR1359903A FR3011946B1 (fr) 2013-10-11 2013-10-11 Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance
PCT/FR2014/052485 WO2015052408A1 (fr) 2013-10-11 2014-10-01 Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance

Publications (2)

Publication Number Publication Date
CN105637437A true CN105637437A (zh) 2016-06-01
CN105637437B CN105637437B (zh) 2018-10-26

Family

ID=50023713

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201480056010.5A Active CN105637437B (zh) 2013-10-11 2014-10-01 监测飞行器引擎来预测维护操作

Country Status (8)

Country Link
US (1) US10115245B2 (zh)
EP (1) EP3039497B1 (zh)
CN (1) CN105637437B (zh)
BR (1) BR112016007718B1 (zh)
CA (1) CA2926240C (zh)
FR (1) FR3011946B1 (zh)
RU (1) RU2664126C2 (zh)
WO (1) WO2015052408A1 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106628248A (zh) * 2016-12-29 2017-05-10 东方航空技术有限公司 应用于飞机的报警方法、系统、及监测终端
CN109478262A (zh) * 2016-07-08 2019-03-15 通用电气航空系统有限责任公司 基于清洗事件的引擎性能建模
CN109977358A (zh) * 2019-03-29 2019-07-05 南京航空航天大学 基于两故障马尔科夫模型的fadec时间限制派遣分析方法
CN110296701A (zh) * 2019-07-09 2019-10-01 哈尔滨工程大学 惯性与卫星组合导航系统渐变型故障回溯容错方法
CN113269368A (zh) * 2021-06-07 2021-08-17 上海航空工业(集团) 有限公司 一种基于数据驱动的民机安全趋势预测方法
US20210394933A1 (en) * 2020-06-15 2021-12-23 Kitty Hawk Corporation Motor wear metric generator

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3011936B1 (fr) 2013-10-11 2021-09-17 Snecma Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine
FR3028067B1 (fr) 2014-11-05 2016-12-30 Snecma Outil de validation d'un systeme de surveillance d'un moteur d'aeronef
US9902506B2 (en) 2016-03-10 2018-02-27 General Electric Company Using aircraft data recorded during flight to predict aircraft engine behavior
US11659322B1 (en) * 2017-06-26 2023-05-23 Wing Aviation Llc Audio based aircraft detection
DE102018126501B3 (de) * 2018-10-24 2019-12-19 Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr Verfahren zur Wartungsvorhersage von Komponenten einer Brennkraftmaschine mittels Körperschallsensor
FR3089501B1 (fr) 2018-12-07 2021-09-17 Safran Aircraft Engines Système d’environnement informatique pour la surveillance de moteurs d’aéronefs
FR3094350B1 (fr) * 2019-04-01 2021-03-12 Safran Aircraft Engines Procédé de surveillance d’au moins un moteur d’aéronef
US11010222B2 (en) * 2019-08-29 2021-05-18 Sap Se Failure mode specific analytics using parametric models
CN111196380B (zh) * 2019-12-18 2022-06-17 中国民用航空飞行学院 一种排除飞机慢车停车故障的方法
CN111361759B (zh) * 2020-03-02 2023-02-03 哈尔滨工业大学 基于混合模型的飞机辅助动力装置在翼剩余寿命预测方法
US11952149B2 (en) * 2020-09-17 2024-04-09 General Electric Company System and method of forecasting aircraft engine operational data for predictive analytics
DE102021202242A1 (de) 2021-03-09 2022-09-15 MTU Aero Engines AG Vorrichtung und Verfahren zur Überwachung eines Flugzeugzustandes
CN114104332B (zh) * 2021-11-19 2023-09-22 中国直升机设计研究所 直升机动部件的状态指标动态阈值的获取方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1705542A1 (en) * 2005-03-24 2006-09-27 Abb Research Ltd. Estimating health parameters or symptoms of a degrading system
US20070198215A1 (en) * 2006-02-22 2007-08-23 Bonanni Pierino G Method, system, and computer program product for performing prognosis and asset management services
CN101206685A (zh) * 2006-12-22 2008-06-25 联合工艺公司 燃气涡轮发动机性能数据验证
EP2376988A1 (fr) * 2008-12-15 2011-10-19 Snecma Standardisation de données utilisées pour la surveillance d'un moteur d'aéronef.
WO2012110733A1 (fr) * 2011-02-15 2012-08-23 Snecma Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance
CN103324155A (zh) * 2012-03-19 2013-09-25 通用电气航空系统有限公司 系统监控

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1981003079A1 (en) * 1980-04-22 1981-10-29 Boeing Co Real-time performance monitoring of gas turbine engines
US7286923B2 (en) * 2005-09-30 2007-10-23 General Electric Company System and method for estimating turbine engine deterioration rate with noisy data
US7949497B2 (en) * 2007-04-12 2011-05-24 Siemens Corporation Machine condition monitoring using discontinuity detection
US20090048730A1 (en) * 2007-08-17 2009-02-19 General Electric Company Method and system for planning repair of an engine
FR2965915B1 (fr) 2010-10-11 2013-08-02 Snecma Systeme de surveillance d'un banc d'essai de moteur d'aeronef
US8825567B2 (en) * 2012-02-08 2014-09-02 General Electric Company Fault prediction of monitored assets
FR2997451B1 (fr) 2012-10-26 2015-01-16 Snecma Systeme de surveillance d'un ensemble de composants moteur
FR3005732B1 (fr) 2013-05-17 2016-10-07 Snecma Procede et systeme d'analyse vibratoire d'un moteur
FR3011936B1 (fr) 2013-10-11 2021-09-17 Snecma Procede, systeme et programme d'ordinateur d'analyse acoustique d'une machine
US20150106313A1 (en) * 2013-10-11 2015-04-16 General Electric Company Predictive modeling of high-bypass turbofan engine deterioration
FR3012636B1 (fr) 2013-10-24 2015-12-25 Snecma Procede de non-regression d'un outil de conception d'un systeme de surveillance de moteur d'aeronef

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1705542A1 (en) * 2005-03-24 2006-09-27 Abb Research Ltd. Estimating health parameters or symptoms of a degrading system
CN1837767A (zh) * 2005-03-24 2006-09-27 Abb研究有限公司 降级系统的健康参数或症状的估计
US20070198215A1 (en) * 2006-02-22 2007-08-23 Bonanni Pierino G Method, system, and computer program product for performing prognosis and asset management services
CN101025804A (zh) * 2006-02-22 2007-08-29 通用电气公司 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
CN101206685A (zh) * 2006-12-22 2008-06-25 联合工艺公司 燃气涡轮发动机性能数据验证
US20080154473A1 (en) * 2006-12-22 2008-06-26 United Technologies Corporation Gas turbine engine performance data validation
EP2376988A1 (fr) * 2008-12-15 2011-10-19 Snecma Standardisation de données utilisées pour la surveillance d'un moteur d'aéronef.
WO2012110733A1 (fr) * 2011-02-15 2012-08-23 Snecma Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance
CN103324155A (zh) * 2012-03-19 2013-09-25 通用电气航空系统有限公司 系统监控
EP2642362A2 (en) * 2012-03-19 2013-09-25 GE Aviation Systems Limited System monitoring

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109478262A (zh) * 2016-07-08 2019-03-15 通用电气航空系统有限责任公司 基于清洗事件的引擎性能建模
CN106628248A (zh) * 2016-12-29 2017-05-10 东方航空技术有限公司 应用于飞机的报警方法、系统、及监测终端
CN109977358A (zh) * 2019-03-29 2019-07-05 南京航空航天大学 基于两故障马尔科夫模型的fadec时间限制派遣分析方法
CN109977358B (zh) * 2019-03-29 2023-06-20 南京航空航天大学 基于两故障马尔科夫模型的fadec时间限制派遣分析方法
CN110296701A (zh) * 2019-07-09 2019-10-01 哈尔滨工程大学 惯性与卫星组合导航系统渐变型故障回溯容错方法
US20210394933A1 (en) * 2020-06-15 2021-12-23 Kitty Hawk Corporation Motor wear metric generator
CN115515856A (zh) * 2020-06-15 2022-12-23 小鹰公司 马达磨损度量生成器
CN115515856B (zh) * 2020-06-15 2023-09-12 小鹰公司 马达磨损度量生成器
US11905042B2 (en) * 2020-06-15 2024-02-20 Kitty Hawk Corporation Motor wear metric generator
CN113269368A (zh) * 2021-06-07 2021-08-17 上海航空工业(集团) 有限公司 一种基于数据驱动的民机安全趋势预测方法
CN113269368B (zh) * 2021-06-07 2023-06-30 上海航空工业(集团)有限公司 一种基于数据驱动的民机安全趋势预测方法

Also Published As

Publication number Publication date
US10115245B2 (en) 2018-10-30
CA2926240A1 (fr) 2015-04-16
FR3011946B1 (fr) 2016-07-08
CA2926240C (fr) 2023-04-11
EP3039497A1 (fr) 2016-07-06
BR112016007718B1 (pt) 2022-09-06
US20160240017A1 (en) 2016-08-18
WO2015052408A1 (fr) 2015-04-16
CN105637437B (zh) 2018-10-26
RU2016118148A3 (zh) 2018-07-11
BR112016007718A2 (zh) 2017-08-01
FR3011946A1 (fr) 2015-04-17
RU2664126C2 (ru) 2018-08-15
EP3039497B1 (fr) 2018-08-29
RU2016118148A (ru) 2017-11-16

Similar Documents

Publication Publication Date Title
CN105637437A (zh) 监测飞行器引擎来预测维护操作
US11170586B1 (en) Fleet level prognostics for improved maintenance of vehicles
US8600917B1 (en) Coupling time evolution model with empirical regression model to estimate mechanical wear
US20130325286A1 (en) Monitoring of an aircraft engine for anticipating maintenance operations
US20180349532A1 (en) Method of evaluating a part
US10739736B2 (en) Apparatus and method for event detection and duration determination
CN109313740B (zh) 环境影响评估系统
KR102013733B1 (ko) 엔진 윤활유 모니터링 시스템 및 방법
US9834317B2 (en) Method for identifying a piece of defective equipment in an aircraft
US20050049832A1 (en) Trending system and method using monotonic regression
CN104246637B (zh) 分析飞行器记录的飞行数据以将其截取到飞行阶段的方法
US11428118B2 (en) Method and apparatus for predicting turbine outlet temperature in gas turbine
US20170185937A1 (en) Aircraft flight data evaluation system
CN106021719A (zh) 一种基于无迹卡尔曼滤波算法的轴承剩余寿命预测方法
US20230130854A1 (en) Method for predictive maintenance of satellites
CN114330517A (zh) 一种基于神经网络的航空发动机传感器故障自诊断方法
CN113678075A (zh) 用于监测至少一个航空器发动机的方法
Zhang et al. Fault diagnosis and prognosis based on lebesgue sampling
Yang et al. Particle filter-based method for prognostics with application to auxiliary power unit
US20160292302A1 (en) Methods and systems for inferred information propagation for aircraft prognostics
CA3163790C (en) Prognostics for improved maintenance of vehicles
WO2018009738A1 (en) Engine performance modeling based on wash events
Bastard et al. Engine health management in safran aircraft engines
CN107533675A (zh) 用于汇集与飞机发动机有关的数据的系统
Yang et al. Particle filter-based approach to estimate remaining useful life for predictive maintenance

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant