CN109765058B - 用于涡轮发动机的设备和方法 - Google Patents
用于涡轮发动机的设备和方法 Download PDFInfo
- Publication number
- CN109765058B CN109765058B CN201811330689.9A CN201811330689A CN109765058B CN 109765058 B CN109765058 B CN 109765058B CN 201811330689 A CN201811330689 A CN 201811330689A CN 109765058 B CN109765058 B CN 109765058B
- Authority
- CN
- China
- Prior art keywords
- asset
- sensor data
- sensor
- model
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P5/00—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft
- G01P5/14—Measuring speed of fluids, e.g. of air stream; Measuring speed of bodies relative to fluids, e.g. of ship, of aircraft by measuring differences of pressure in the fluid
-
- 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
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P13/00—Indicating or recording presence, absence, or direction, of movement
- G01P13/02—Indicating direction only, e.g. by weather vane
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P21/00—Testing or calibrating of apparatus or devices covered by the preceding groups
- G01P21/02—Testing or calibrating of apparatus or devices covered by the preceding groups of speedometers
-
- 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
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
- G05B23/0289—Reconfiguration to prevent failure, e.g. usually as a reaction to incipient failure detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/05—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using mechanical effects
- G01F1/34—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow by using mechanical effects by measuring pressure or differential pressure
Abstract
本发明涉及执行涡轮发动机的预后健康监测的设备、方法、和非暂时性计算机可读存储介质。示例设备包括:健康量化器计算器,其执行计算机生成的模型以生成涡轮发动机的第一传感器数据,其基于模拟使用资产监测信息监测涡轮发动机的传感器;参数跟踪器,其使用第一、第二传感器数据执行跟踪滤波器,以生成对应于涡轮发动机的第三传感器数据,第二传感器数据基于从监测涡轮发动机的传感器获得传感器数据,第三传感器数据基于将第一、第二传感器数据比较,健康量化器计算器使用第三传感器数据执行计算机生成的模型以生成涡轮发动机的资产健康量化器;及报告生成器,其在资产健康量化器满足阈值时生成包括其的报告和基于其的工作范围建议。
Description
技术领域
本公开大体上涉及涡轮发动机,并且更具体地,涉及用于涡轮发动机的预后健康监测的设备和方法。
背景技术
近年来,涡轮发动机已越来越多地用于各种应用和领域。涡轮发动机是复杂的机器,具有广泛的可用性、可靠性和可维护性要求。传统上,维护涡轮发动机会产生高昂的成本。成本通常包括让特别熟练和训练有素的维护人员维修涡轮发动机。在某些情况下,成本由更换昂贵的部件或修复复杂的子组件驱动。
追求提高涡轮发动机可用性同时降低过早维护成本需要增强洞察力。需要这种洞察力来确定何时以通常适当的维修间隔执行典型的维护任务。传统上,随着增强洞察力的展开,可用性、可靠性和可维护性也会提高。
近年来,许多维修组织的长期合同协议市场增长率很高。当维修组织与其客户建立长期合同协议时,理解包括产品、维修和/或其它项目结果的预期工作的范围(也称为“工作范围”)变得很重要。另外,维修组织需要了解修复计划(例如,车间工作量和/或工作范围计划)以及部件维护将如何影响其维修合同的管理,包括时间、成本、风险等。
发明内容
本发明公开了用于涡轮发动机的预后健康监测的设备、方法、和非暂时性计算机可读存储介质。
特定示例提供了用于涡轮发动机的预后健康监测的示例设备。示例设备包括:健康量化器计算器,其用于执行计算机生成的模型以生成涡轮发动机的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测涡轮发动机的传感器;参数跟踪器,其用于使用第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于涡轮发动机的第三传感器数据,所述第二传感器数据是基于从监测涡轮发动机的传感器获得传感器数据,所述第三传感器数据是基于将第一传感器数据与第二传感器数据进行比较,健康量化器计算器使用第三传感器数据执行计算机生成的模型以生成涡轮发动机的资产健康量化器;以及报告生成器,其用于在资产健康量化器满足阈值时生成包括资产健康量化器的报告和基于资产健康量化器的工作范围建议。
特定示例提供了用于资产的预后健康监测的示例方法。示例方法包括:执行计算机生成的模型以生成资产的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测资产的传感器;使用第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于资产的第三传感器数据,所述第二传感器数据是基于从监测资产的传感器获得传感器数据,所述第三传感器数据是基于将第一传感器数据与第二传感器数据进行比较;使用第三传感器数据执行计算机生成的模型以生成资产的资产健康量化器;以及响应于资产健康量化器满足阈值,生成包括资产健康量化器的报告和基于资产健康量化器的工作范围建议。
特定示例提供了示例非暂时性计算机可读存储介质,其包括指令,所述指令当被执行时使机器至少执行资产的预后健康监测。示例指令当被执行时使机器至少:执行计算机生成的模型以生成资产的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测资产的传感器;使用第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于资产的第三传感器数据,所述第二传感器数据是基于从监测资产的传感器获得传感器数据,所述第三传感器数据是基于将第一传感器数据与第二传感器数据进行比较;使用第三传感器数据执行计算机生成的模型以生成资产的资产健康量化器;以及当资产健康量化器满足阈值时,生成包括资产健康量化器的报告和基于资产健康量化器的工作范围建议。
本发明的方面、特征以及技术效果也体现在后述示例技术方案。其中,技术方案1涉及一种设备,其包括:
健康量化器计算器,其用于执行计算机生成的模型以生成涡轮发动机的第一传感器数据,所述第一传感器数据是基于模拟监测所述涡轮发动机的传感器;
参数跟踪器,其用于使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述涡轮发动机的第三传感器数据,所述第二传感器数据是基于从监测所述涡轮发动机的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
所述健康量化器计算器使用所述第三传感器数据执行所述计算机生成的模型以生成所述涡轮发动机的资产健康量化器;以及
建议生成器,其用于在所述资产健康量化器满足阈值时生成工作范围建议以改进所述涡轮发动机的操作。
技术方案2涉及根据技术方案1所述的设备,其特征在于,所述健康量化器计算器用于通过以下操作来确定所述资产健康量化器:
使用成像系统捕捉所述涡轮发动机的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
技术方案3涉及根据技术方案1所述的设备,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述涡轮发动机的数字化双胞胎模型相对应。
技术方案4涉及根据技术方案1所述的设备,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
技术方案5涉及根据技术方案1所述的设备,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
技术方案6涉及根据技术方案5所述的设备,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
技术方案7涉及根据技术方案6所述的设备,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述涡轮发动机在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述涡轮发动机在稳态飞行段之间的过渡中操作相对应。
技术方案8涉及一种方法,其包括:
执行计算机生成的模型以生成资产的第一传感器数据,所述第一传感器数据是基于模拟监测所述资产的传感器;
使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述资产的第三传感器数据,所述第二传感器数据是基于从监测所述资产的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
使用所述第三传感器数据执行所述计算机生成的模型以生成所述资产的资产健康量化器;以及
响应于所述资产健康量化器满足阈值,生成工作范围建议以改进所述资产的操作。
技术方案9涉及根据技术方案8所述的方法,其特征在于,生成所述资产健康量化器包括:
使用成像系统捕捉所述资产的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
技术方案10涉及根据技术方案8所述的方法,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述资产的数字化双胞胎模型相对应。
技术方案11涉及根据技术方案8所述的方法,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
技术方案12涉及根据技术方案8所述的方法,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
技术方案13涉及根据技术方案12所述的方法,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
技术方案14涉及根据技术方案13所述的方法,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述资产在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述资产在稳态飞行段之间的过渡中操作相对应。
技术方案15涉及一种非暂时性计算机可读存储介质,其包括指令,所述指令当被执行时使机器至少执行以下操作:
执行计算机生成的模型以生成资产的第一传感器数据,所述第一传感器数据是基于模拟监测所述资产的传感器;
使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述资产的第三传感器数据,所述第二传感器数据是基于从监测所述资产的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
使用所述第三传感器数据执行所述计算机生成的模型以生成所述资产的资产健康量化器;以及
当所述资产健康量化器满足阈值时生成工作范围建议以改进所述资产的操作。
技术方案16涉及根据技术方案15所述的非暂时性计算机可读存储介质,其特征在于,生成所述资产健康量化器包括:
使用成像系统捕捉所述资产的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
技术方案17涉及根据技术方案15所述的非暂时性计算机可读存储介质,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述资产的数字化双胞胎模型相对应。
技术方案18涉及根据技术方案15所述的非暂时性计算机可读存储介质,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
技术方案19涉及根据技术方案15所述的非暂时性计算机可读存储介质,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
技术方案20涉及根据技术方案19所述的非暂时性计算机可读存储介质,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
技术方案21涉及根据技术方案20所述的非暂时性计算机可读存储介质,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述资产在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述资产在稳态飞行段之间的过渡中操作相对应。
附图说明
图1示出可以在飞机内使用的示例燃气涡轮发动机,在所述飞机中可以实施本文公开的示例。
图2是其中示例资产工作范围生成系统监测图1的示例燃气涡轮发动机的示例环境的框图。
图3是图2的示例资产工作范围生成系统的示例实施方案的框图。
图4是示例现场资产健康顾问设备的示例实施方案的框图。
图5是图4的示例现场资产健康顾问设备使用来自图1的涡轮发动机的数据和图1的涡轮发动机的数字双胞胎模型执行跟踪滤波器系统的示例实施方案的框图。
图6是可以使用图1的涡轮发动机的示例飞行段的示意图。
图7-10是表示可以通过图3的示例资产工作范围生成系统和/或图4的示例现场资产健康顾问设备执行以实现本文公开的示例的示例方法的流程图。
图11是构造成执行机器可读指令以实现图7-10的方法和/或图4的示例现场资产健康顾问设备的示例处理平台的框图。
这些图不是成比例的。在可行之处,在全部图式中将使用相同的附图标记,伴随的书面描述指相同或相似部分。
具体实施方式
在以下详细描述中,参考形成本文一部分的附图,且在附图中,以示意方式来展示可实施的特定实施例。足够详细地描述这些示例,使得本领域技术人员能够实施所述主题,应理解,可使用其它示例。因此,提供以下详细描述来描述示范性实施方案,以下详细描述不应认为是限制本公开中描述的主题的范围。来自以下描述的不同方面的某些特征可以被组合以形成下面讨论的主题的另外的新方面。
在介绍本发明的各种实施例的元件时,冠词“一”和“所述”旨在表示存在这些元件的一个或多个。术语“包括”和“具有”旨在为包括性的并且意味着可能存在除了所列元件之外的额外元件。
如本文中所使用,术语“系统”、“单元”、“模块”、“发动机”、“部件”等可以包括用以执行一个或多个功能的硬件和/或软件系统。例如,模块、单元或系统可以包括计算机处理器、控制器和/或根据存储于计算机存储器等有形和非暂时性计算机可读存储介质上的指令来执行操作的其它基于逻辑的装置。另一选择为,模块、单元或系统可以包括基于装置的硬接线逻辑执行操作的硬接线装置。在附图中示出的各种模块、单元、发动机和/或系统可以表示根据软件或硬接线指令而操作的硬件、引导硬件执行操作的软件,或其组合。
涡轮发动机也称为燃气涡轮(combustion turbine)或气体涡轮(gas turbine),它是一种内燃发动机。涡轮发动机通常用于飞机和发电应用。如本文中所使用,术语“资产”、“飞机涡轮发动机”、“气体涡轮”,“陆基涡轮发动机”和“涡轮发动机”可互换使用。涡轮发动机的基本操作包括利用风扇通过涡轮发动机前部吸入新鲜大气空气流。在一些示例中,空气流行进通过位于风扇与高压压缩机之间的中压压缩机或增压压缩机。增压压缩机用于在空气流进入高压压缩机之前使空气流的压力增压或提升。然后,空气流可以行进通过高压压缩机,所述高压压缩机进一步加压空气流。高压压缩机包括一组附接到轴的叶片。叶片高速自旋,随后压缩空气流。然后,高压压缩机将加压空气流馈送到燃烧室。在一些示例中,高压压缩机以每小时数百英里的速度馈送加压空气流。在一些情况下,燃烧室包括一个或多个燃料喷射器环,其将稳定的燃料流喷射到燃烧室中,在燃烧室中燃料与加压空气流混合。
在涡轮发动机的燃烧室中,燃料由点火器提供的电火花点燃,其中在一些示例中燃料在高于2000华氏度的温度燃烧。所引起的燃烧产生高温、高压气体流(例如,热燃烧气体),其通过被称为涡轮的另一组叶片。涡轮包括复杂的交替旋转和固定翼型截面叶片阵列。当热燃烧气体穿过涡轮时,热燃烧气体膨胀,导致旋转叶片自旋。旋转叶片用于至少两个目的。旋转叶片的第一个目的是驱动增压压缩机和/或高压压缩机以将更多的加压空气吸入燃烧室中。例如,涡轮以直接驱动配置连接到与高压压缩机相同的轴上,因此,涡轮的自旋使高压压缩机自旋。旋转叶片的第二个目的是使可操作地连接到涡轮区段的发电机自旋以产生电力。例如,涡轮可以产生电力以供飞机、发电站等使用。
在飞机涡轮发动机的示例中,在穿过涡轮之后,热燃烧气体通过飞机涡轮发动机后部的喷嘴离开飞机涡轮发动机。当热燃烧气体离开喷嘴时,飞机涡轮发动机和连接到飞机涡轮发动机的相应飞机向前加速(例如,向前推进)。在陆基涡轮发动机的示例中,在穿过涡轮之后,热燃烧气体被消散、用于产生蒸汽等。
涡轮发动机(例如,飞机涡轮发动机)通常包括用于例如风扇(例如,风扇区段)、增压压缩机、高压压缩机、高压涡轮和低压涡轮的操作的部件(例如,资产部件等)或模块(例如,包括一个或多个部件的资产模块或组件等)。由于极端温度和振动等苛刻的操作条件,部件会随着时间的推移而劣化。在一些情况下,碎屑或其它物体通过风扇进入涡轮发动机并对一个或多个部件造成损坏。可以实施日常维护间隔和维修检查以检查劣化和/或损坏。然而,在一些情况下,使涡轮发动机离线或离开机翼以执行维护包括使整个系统离线,例如使飞机离线。除了过早更换昂贵的部件之外,飞机不运营还会引起额外的成本,例如收入损失、劳动力成本等。针对劣化的监测部件可以为维护人员提供可操作的信息,以在必要时更换涡轮发动机的部件,从而基于合同和/或维护资源等最佳地安排涡轮发动机的维护任务。
本文公开的示例包括示例资产工作范围生成系统(AWGS)组合现场数据、统计分析工具、基于工程物理的模型、与预告任务要求集成的预测模拟器等,以开发建议的模块化工作范围和为诸如涡轮发动机之类的资产执行建议的模块化工作范围的时序,从而满足客户合同和现场人员的期望。如本文中所使用,术语“工作范围”是指由维护人员执行以改进资产的操作条件的一组任务(例如,一个或多个维护任务、维修任务等),其中基于例如合同要求、环境要求、监管要求、使用要求等要求和/或其组合确定操作条件。在一些示例中,AWGS从一个或多个资产、网络、服务器等获得资产监测信息。如本文中所使用,术语资产监测信息是指对应于一个或多个资产的信息,例如资产传感器信息、资产环境信息、资产使用信息、资产配置信息、资产历史信息、资产类别历史信息、资产工作范围量化器等。
在一些示例中,AWGS基于计算资产健康量化器来识别从维修中移除(例如,从飞机移除、从设施移除、从使用中移除等)的目标资产。如本文中所使用,术语“资产健康量化器”是指对应于资产、资产部件等的健康状态、操作状态等的数字表示。例如,资产健康量化器可以由剩余使用寿命的百分比、飞行循环的数量(例如,在进行维修之前要执行的飞行循环的数量等)、在翼时间(TOW)小时数(例如,在进行维修之前的在翼时间小时数等)等来表示。例如,涡轮发动机增压压缩机的75%的资产健康量化器可以对应于在增压压缩机可能变得无响应或需要维护动作之前增压压缩机剩余75%的使用寿命。在另一示例中,涡轮发动机风扇区段的500个循环的资产健康量化器可以对应于在风扇区段可以被维修以满足合同要求之前涡轮发动机风扇区段执行500个循环。
在一些示例中,AWGS可以执行一个或多个基于工程物理的模型、基于历史信息的模型、统计模型等,和/或其组合,以生成资产、资产部件、资产模块等的实际资产健康量化器。在一些示例中,AWGS可以基于资产的预告任务要求(例如,预告的合同要求,预告的环境信息等)生成预计资产健康量化器。
在一些示例中,AWGS可以基于将一个或多个资产健康量化器(例如,实际资产健康量化器、预计资产健康量化器等)与阈值进行比较来识别要移除的一个或多个目标资产,确定一个或多个资产健康量化器是否满足阈值,并基于比较识别要移除的一个或多个目标资产。
在一些示例中,AWGS生成针对目标资产的工作范围任务。例如,AWGS可以识别一组任务(例如,维护任务、维修任务等)以对涡轮发动机的风扇区段(例如,一个或多个风扇叶片等)执行维护。例如,AWGS可以识别与所述一组任务中的每个任务相对应的维护成本。例如,AWGS可以基于维护人员的数量和执行维护任务的相应工时、执行维护任务的部件的数量(例如,替换零件、备件、车间供应的零件等,和/或其组合的数量)、每个部件的货币成本等来计算成本。
在一些示例中,AWGS基于所生成的目标资产的工作范围任务来优化和/或以其它方式改进工作范围。例如,AWGS可以生成多个工作范围,其中每个工作范围包括一个或多个生成的工作范围任务的组合。示例AWGS可以基于响应于对目标资产执行指定的工作范围估计目标资产的资产健康量化器可以是什么而来计算目标资产的估计资产健康量化器。示例AWGS可以针对每个生成的工作范围计算估计资产健康量化器。示例AWGS可以基于一个或多个因素来识别目标资产的工作范围,例如将计算的估计资产健康量化器与合同要求、客户要求、操作约束等,和/或其组合进行比较。
在一些示例中,AWGS基于将目标资产的第一资产健康量化器与目标资产的第二资产健康量化器进行比较来计算工作范围量化器。例如,第一资产健康量化器可以是在完成关于目标资产的工作范围之前目标资产的资产健康量化器(例如,实际资产健康量化器、预计资产健康量化器等)。第二资产健康量化器可以是在完成关于目标资产的工作范围之后目标资产的资产健康量化器(例如,实际资产健康量化器、预计资产健康量化器等)。例如,AWGS可以通过计算第一和第二资产健康量化器之间的差值来计算工作范围量化器。
在一些示例中,AWGS可以将工作范围量化器与工作范围量化器阈值进行比较,并且基于比较确定是否已经满足工作范围量化器阈值。在一些示例中,AWGS可以响应于满足工作范围量化器阈值而修改AWGS的一个或多个部件。例如,响应于满足工作范围量化器阈值,AWGS可以更新一个或多个模型、对应于维护任务的一个或多个参数,改进用于评估所生成的工作范围的优化参数等,和/或其组合。虽然已经关于例如涡轮发动机、柴油发动机等发动机说明了本文中描述的示例资产,但是本文公开和描述的系统和方法也可以适用于诸如风力涡轮、增材打印机、机车发动机等的资产、诸如计算机断层扫描仪等的健康成像设备,或任何其它类型的机械、电气或机电装置。另外或另一选择为,本文公开和描述的系统和方法还可以适用于具有模块化元件的任何资产,所述模块化元件要求维护计划并在要求约束内安排移除,所述要求约束的示例包括对应于备用资产管理的合同约束。
本文公开的示例包括现场资产健康顾问(FAHA)设备,用于在对资产执行维护操作之前计算和分析资产和相应资产部件的资产健康量化器。例如,FAHA可以在资产在现场(例如,在飞机的机翼上、在操作中等)时计算和分析资产和相应资产部件的资产健康量化器。例如,现场资产可以指进行操作的资产,运营中产生收入的资产,或者可以指在正常运营中而不是在测试、开发、演示、维护或资产的其它特殊用途活动中的消耗资产的一部分使用寿命的使用中资产。另外或另一选择为,示例FAHA可以在对资产执行维护操作之后计算和分析资产健康量化器,以确定响应于执行维护操作而恢复的资产健康量(例如,工作范围等)。
在一些示例中,FAHA设备是由资产维护提供者向资产运营商(例如,航空公司、制造设施等)提供的软件应用程序。例如,FAHA设备可以是可通过个人计算机(例如,台式计算机、笔记本电脑等)等计算装置、可启用因特网的移动手持设备(例如,智能手机、等)、平板电脑(例如SURFACETM等)等访问的基于网络的应用程序。在另一示例中,FAHA设备可以是智能手机应用程序(例如,iOS应用程序、ANDROIDTM应用程序等)、平板电脑应用程序(例如,用于的iOS应用程序、用于SurfaceTM的 应用程序等)。另一选择为,示例FAHA设备可以是在任何类型的计算装置上执行的任何其它类型的基于软件的应用程序。
在一些示例中,FAHA设备在资产操作(例如,在飞机的机翼上、当资产在现场时等)时计算和分析资产的资产健康量化器。在一些示例中,FAHA设备在资产已脱离操作之后但在执行资产的检查(例如,维护检查、维修检查等)之前计算和分析资产的资产健康量化器。示例FAHA设备基于以下来计算和分析资产健康量化器:获得传感器数据(例如,实时传感器数据、实时操作数据等),执行一个或多个基于计算机的模型来生成模拟资产传感器数据,使用跟踪滤波器校准模拟资产传感器数据,基于校准的模拟资产传感器数据生成资产健康量化器(例如,实际资产健康量化器、预计资产健康量化器等),并生成包括资产健康量化器的报告和基于资产健康量化器的对于资产的工作范围建议。
在一些示例中,FAHA设备获得资产监测信息。例如,FAHA设备可以获得资产传感器信息、资产环境信息、资产使用信息等,和/或其组合。例如,FAHA设备可以获得对应于操作中的现场资产(例如,在飞机的机翼上、当资产在现场时等)或已脱离操作但在检查之前(例如,资产从飞机移除但在进行资产检查之前等)的资产的资产传感器信息。在一些示例中,FAHA设备确定所选资产的飞行段。例如,当飞机停放、滑行、起飞、爬升、巡航、下降、接近、着陆等时,FAHA设备可以确定资产连接到飞机。
在一些示例中,FAHA设备执行一个或多个模型,例如基于工程物理的模型、统计模型等,以生成资产、资产部件、资产模块等的资产参数。例如,资产参数可以是由监测资产的一个或多个部件的传感器测量的值。例如,资产参数可以是传感器值,例如涡轮发动机速度、压力、压力比、温度、流速等。在另一示例中,资产参数可以是对应于资产的冷却流量、渗出、压力损失、间隙或喷嘴面积变化等的值。在又一示例中,资产参数可以是对应于资产所连接到的飞机的传感器值。例如,资产参数可以是飞机的高度、马赫数等。
在一些示例中,一个或多个模型计算资产特性参数,例如效率修改器(例如,效率加法器等)、流量修改器(例如,流量标量等)。如本文中所使用,术语“效率修改器”和“效率加法器”可互换使用,并且指用于基于涡轮发动机的基线(标称)效率确定所述涡轮发动机的实际效率(例如,实际涡轮发动机效率)的特性参数。如本文中所使用,术语“流量修改器”和“流量标量”可互换使用,并且指用于基于基线(标称)流速确定实际流速的特性参数,其中流速对应于通过涡轮发动机的空气流或气体流。
在一些示例中,FAHA设备通过使用稳态资产数据、瞬态资产数据等、和/或其组合来生成资产参数。例如,FAHA设备可以执行基于工程物理的模型、统计模型等一个或多个模型,以使用稳态资产数据生成资产、资产部件、资产模块等的稳态资产参数。例如,FAHA设备可以在飞机的巡航飞行段期间生成资产的稳态资产参数。在另一示例中,FAHA设备可以执行基于工程物理的模型、统计模型等一个或多个模型,以使用瞬态资产数据生成资产、资产部件、资产模块等的瞬态资产参数。例如,FAHA设备可以在飞机的爬升飞行段与巡航飞行段之间的过渡时段期间生成资产的瞬态资产参数。在另一示例中,FAHA设备可以在例如起飞和出发飞行段之间的瞬态飞行段期间生成资产的瞬态资产参数。
在一些示例中,FAHA设备基于稳态资产参数和瞬态资产参数来选择跟踪滤波器数据以供跟踪滤波器使用。例如,跟踪滤波器数据可以包括稳态资产参数、瞬态资产参数等。例如,与使用长窗口的瞬态操作数据相比,FAHA设备可以将稳态操作点与瞬态操作时段的快照、片段等合并。在一些示例中,FAHA设备从一个或多个模型获得稳态资产数据和/或瞬态资产数据。在一些示例中,FAHA设备从数据库、从通信地连接到网络的服务器等获得稳态资产数据和/或瞬态资产数据。
在一些示例中,FAHA设备使用实现跟踪滤波器的模型。示例FAHA设备可以使用跟踪滤波器来使用跟踪滤波器数据估计部件劣化、传感器偏差、涡轮发动机之间的变化等的影响。在一些示例中,跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器、卡尔曼滤波器(最佳观测器)等。示例FAHA设备可以使用模型和传感器输出来获得、跟踪和分析传感器数据和传感器数据随时间的变化趋势,以确定(1)在校准(例如,初始)过程期间获得和/或计算的模型输出、传感器输出等与(2)在操作过程期间获得和/或计算的模型输出、传感器输出等之间的差值。
在一些示例中,跟踪滤波器是参数识别算法,其调谐模型(例如,基于工程物理的模型、统计模型等)中的一个或多个参数(例如,稳态资产参数、瞬态资产参数等)来调整模型输出以匹配传感器输出。例如,FAHA设备可以从涡轮发动机传感器获得传感器数据(例如,诸如电流、电阻或电压的模拟信号)。例如,涡轮发动机传感器可以测量转子速度、压力、温度等。示例FAHA设备可以转换或缩放传感器数据以产生例如rpm、psi或兰金度等工程单位的传感器输出。示例FAHA设备可以计算模型输出(例如,来自基于工程物理的模型、统计模型等的输出),其中模型输出是基于模型中涡轮发动机的一组操作条件或参数的传感器输出的估计值。示例FAHA设备可以将模型输出与传感器输出进行比较以确定差值。示例FAHA设备可以调整模型的模拟资产传感器数据(例如,模拟的稳态资产传感器数据、模拟的瞬态资产传感器数据等)以消除和/或以其它方式将差值最小化。例如,FAHA设备可以使用跟踪滤波器来校准模拟资产传感器数据以生成一个或多个资产健康量化器。
在一些示例中,FAHA设备执行一个或多个模型,例如基于工程物理的模型、统计模型等,以基于校准的资产传感器数据生成资产、资产部件、资产模块等的资产健康量化器。在一些示例中,资产健康计算器设备基于例如预告环境信息、预告使用信息等资产的预告任务要求来生成预计资产健康量化器。在一些示例中,FAHA汇总并对资产健康量化器、预计资产健康量化器等进行排序。例如,FAHA设备可以基于生成的资产健康量化器对资产或资产部件进行排序。在一些示例中,FAHA设备将资产健康量化器与阈值(例如,资产健康量化器阈值、维护量化器阈值等)进行比较,并基于比较来确定资产健康量化器是否满足阈值。
在一些示例中,FAHA设备基于校准的模拟资产传感器数据、资产健康量化器等生成报告。例如,FAHA设备可以生成包括资产的校准资产传感器数据、资产健康量化器等的报告。在另一示例中,FAHA设备可以生成包括将一个或多个资产识别为从维修中移除的候选者的报告。在另一示例中,FAHA设备可以生成包括将一个或多个资产部件识别为进行翻新、维护、更换等的候选者的报告。在又一示例中,FAHA设备可以生成包括对资产管理(例如,机队管理等)、大修车间、维护设施等的诊断支持的报告,以帮助进行更优化和/或以其它方式更加改进的目标工作范围计划,减少车间周转时间(TAT),并降低成本(例如,货币成本、资源成本等)。
图1是由示例涡轮发动机控制器100监测的示例燃气涡轮发动机102的示意图。在所示示例中,涡轮发动机控制器100是全权限数字发动机控制(FADEC)单元。例如,涡轮发动机控制器100可以包括闭环控制模块,以基于发动机输入(例如,飞行员命令、飞机控制系统命令等)向发动机102生成控制输入(例如,推力命令、减速参数等)。另一选择为,涡轮发动机控制器100可以是任何其它类型的数据采集和/或控制计算装置。图1示出根据所公开示例的方面的可在飞机内使用的发动机102的横截面图。燃气涡轮发动机102被示出具有纵向或轴向中心线轴线104,其在整个燃气涡轮发动机102中延伸以用于参考目的。一般来说,发动机102可以包括核心燃气涡轮发动机106和定位于其上游的风扇区段108。核心燃气涡轮发动机106可以大体上包括限定环形入口112的大体上管状外壳体110。另外,外壳体110可以另外包围和支撑增压压缩机114以用于使进入核心燃气涡轮发动机106的空气的压力增加到第一压力级。高压多级轴流式压缩机116接着可接收来自增压压缩机114的加压空气并且将这种空气的压力进一步增加到第二压力级。另一选择为,高压多级压缩机116可以是高压多级离心压缩机或高压多级轴流式离心压缩机。
在图1所示示例中,离开高压压缩机116的加压空气接着可流到燃烧器118,在所述燃烧器118内,燃料注入到加压空气流中,其中所得混合物在燃烧器118内燃烧。高能燃烧产物从燃烧器118沿着发动机102的热气路径被引导到第一(高压)涡轮120,用于经由第一(高压)驱动轴122驱动高压压缩机116,然后被引导到第二(低压)涡轮124,用于经由大体上与第一驱动轴122同轴的第二(低压)驱动轴126驱动增压压缩机114和风扇区段108。在驱动涡轮120和124中的每一个之后,燃烧产物可以经由排出喷嘴128从核心燃气涡轮发动机106排出,以提供推进喷射推力。
在一些示例中,压缩机114、116中的每一个可以包括多个压缩机级,每个级包括环形阵列的固定压缩机叶片和紧邻所述压缩机叶片下游定位的环形阵列旋转压缩机叶片。类似地,涡轮120、124中的每一个可以包括多个涡轮级,每个级包括环形阵列的固定喷嘴叶片和紧邻所述喷嘴叶片下游定位的环形阵列旋转涡轮叶片。
另外,如图1所示,发动机102的风扇区段108可以大体上包括可旋转的轴流式风扇转子组件130,其被配置成由环形风扇壳体132围绕。风扇壳体132可以被配置成通过多个基本径向延伸、周向间隔开的出口导向叶片134相对于核心燃气涡轮发动机106支撑。这样,风扇壳体132可以包围风扇转子组件130及其相应的风扇转子叶片136。此外,风扇壳体132的下游区段138可以在核心燃气涡轮发动机106的外部部分上延伸,以限定提供额外推进喷射推力的次级或旁路气流导管140。
在一些示例中,第二(低压)驱动轴126直接连接到风扇转子组件130以提供直接驱动配置。另一选择为,第二驱动轴126可以通过减速装置142(例如,减速齿轮或齿轮箱)连接到风扇转子组件130,以提供间接驱动或齿轮驱动配置。根据需要或要求,这种减速装置也可以设置在发动机102内的任何其它合适的轴和/或线轴之间。
在图1所示的示例中,发动机102包括通信地连接到涡轮发动机控制器100的传感器144、146。另一选择为,传感器144、146可以通信地连接到飞机的连接到发动机102的控制系统,其中所述控制系统通信地连接到示例涡轮发动机控制器100。在所示示例中,传感器144、146是气体路径温度传感器(例如,排气路径温度传感器等)。例如,传感器144、146可以监测压缩机入口温度和离开高压涡轮120的气体温度。另一选择为,传感器144、146可以是芯片检测器传感器(例如,磁芯片检测器传感器等)、灰尘传感器、流量传感器、气体路径压力传感器、转子速度传感器、振动传感器、位置传感器(例如,致动器位置传感器、详细描述可变几何形状的传感器等)等。虽然图1中将传感器144、146描绘为处于特定位置,但是传感器144、146可以位于发动机102上的其它地方。另外或另一选择为,可以存在位于发动机102上的超过两个传感器144、146。典型实施方案具有六个气体路径温度传感器144、146。另外或另一选择为,可以存在连接到发动机102的超过一个示例涡轮发动机控制器100。虽然图1中将示例涡轮发动机控制器100描绘为靠近风扇区段108,但是涡轮发动机控制器100可以位于发动机102上的其它地方或连接到发动机102的飞机上的其它地方。
在发动机102的操作期间,初始空气流(由箭头148指示)可通过风扇壳体132的相关入口150进入发动机102。然后,空气流148通过风扇叶片136并分成移动通过导管140的第一压缩空气流(由箭头152指示)和进入增压压缩机114的第二压缩空气流(由箭头154指示)。第二压缩空气流154的压力接着增加并且进入高压压缩机116(如由箭头156指示)。在与燃料混合并且在燃烧器118内燃烧之后,燃烧产物158离开燃烧器118并且流过第一涡轮120。此后,燃烧产物158流过第二涡轮124并离开排出喷嘴128,为发动机102提供推力。
图2是用于图1的燃气涡轮发动机102的示例资产监测系统200的示意图。在图2所示的示例中,图1的传感器144、146经由传感器连接210通信地连接到涡轮发动机控制器100。示例涡轮发动机控制器100从传感器144、146获得资产传感器信息(例如,转子的压力、温度、速度等)以监测燃气涡轮发动机102的操作。传感器连接210可以包括直接有线或直接无线连接。例如,直接有线连接可以包括使用将传感器连接到涡轮发动机控制器100的线束中的导线的直接连接或诸如发动机区域分布式互连网络(EADIN)总线的总线。在另一示例中,直接无线连接可以实现蓝牙连接、Wi-Fi直接连接或任何其它无线通信协议。图2中进一步示出示例资产工作范围生成系统(AWGS)220、示例AWGS直接连接230、示例网络240、示例AWGS网络连接250、示例无线通信系统260和示例无线通信链路270。
在图2所示的示例中,示例涡轮发动机控制器100示出为经由AWGS直接连接230通信地连接到AWGS 220。例如,AWGS 220可以经由AWGS直接连接230从涡轮发动机控制器100获得资产操作信息,例如飞行数据(例如,高度、涡轮发动机速度、发动机排气温度等)、资产传感器信息等。示例AWGS直接连接230可以是直接有线或直接无线连接。例如,AWGS 220可以通过从涡轮发动机控制器100手动下载数据到例如笔记本电脑、服务器等计算装置且随后上传到AWGS 220来下载发动机102的资产信息(例如,资产操作信息、资产传感器信息等)。另一选择为,示例AWGS 220可以直接连接到涡轮发动机控制器100以获得资产信息。
所示示例的AWGS 220是收集并处理发动机102的资产信息的服务器。或者或另外,示例AWGS 220可以是笔记本电脑、台式计算机、平板电脑或任何类型的计算装置或包括任何数量的计算装置的网络。示例AWGS 220分析发动机102的资产信息以确定资产工作范围。例如,基于图1的高压压缩机116的资产健康量化器与对应于高压压缩机116的资产健康量化器阈值的比较、合同中规定的时间间隔的消逝等,AWGS 220可以确定高压压缩机116要求水洗。
另外或另一选择为,示例AWGS 220可以经由网络240从示例涡轮发动机控制器100获得资产信息。例如,AWGS 220可以通过经由AWGS网络连接250连接到网络240而从涡轮发动机控制器100获得发动机102的资产信息。示例AWGS网络连接250可以是直接有线或直接无线连接。例如,涡轮发动机控制器100可以将资产信息传输到连接到发动机102的飞机的控制系统。随后,飞机控制系统可以经由网络240(例如,经由AWGS网络连接250、无线通信链路270等)将所述资产信息传输到示例AWGS 220。
图2所示示例的示例网络240是因特网。然而,示例网络240可以使用任何合适的有线和/或无线网络来实现,包括例如一个或多个数据总线、一个或多个局域网(LAN)、一个或多个无线LAN、一个或多个蜂窝网络、一个或多个专用网络、一个或多个公共网络等。示例网络240使示例涡轮发动机控制器100能够与示例AWGS 220进行通信。如本文中所使用,包括变化形式的短语“与……通信”因此包括直接通信和/或通过一个或多个中间部件间接通信,且不需要直接物理(例如,有线)通信和/或持续通信,而是包括周期性和/或非周期性间隔的选择性通信以及一次性活动。
在一些示例中,涡轮发动机控制器100不能经由AWGS直接连接230、AWGS网络连接250等将资产信息传输到AWGS 220。例如,AWGS 220上游的路由装置可以停止向AWGS 220提供功能性路由能力。在所示示例中,涡轮发动机健康监测系统200包括用于实现AWGS 220与网络240之间的通信(例如,数据传送)的附加能力。如图2所示,示例AWGS 220和示例网络240包括经由示例无线通信链路270通过示例无线通信系统260(例如,蜂窝通信系统、卫星通信系统、无线电频带无线电通信系统、飞机通信寻址和报告系统(ACARS)等)传输和/或接收资产信息的能力。
图2的所示示例的无线通信链路270是蜂窝通信链路。然而,可以另外或另一选择为使用任何其它方法和/或通信系统,例如以太网连接、蓝牙连接、Wi-Fi连接、卫星连接等。此外,图2的示例无线通信链路270可以经由全球移动通信系统(GSM)实现蜂窝连接。然而,可以使用任何其它用于通信的系统和/或协议,例如时分多址(TDMA)、码分多址(CDMA)、全球微波接入互操作性(WiMAX),长期演进(LTE)等。
图3是图2的示例AWGS 220的示例实施方案的框图。示例AWGS 220包括示例资产健康计算器300、示例任务生成器305、示例任务优化器310、示例工作范围效果计算器315、示例现场资产健康顾问(FAHA)320、示例输入325、示例网络330、示例模型输入335、示例要求340、示例数据库345、示例任务信息350和示例输出355。
在图3的所示示例中,AWGS 220包括示例资产健康计算器300以识别例如图1的发动机102的要移除的目标资产,以执行任务来改进目标资产的操作条件。在一些示例中,资产健康计算器300基于经由网络330获得的输入325(例如,资产传感器数据、发动机控制输入等)计算资产的实际资产健康量化器(AHQ)。示例网络330可以实现或对应于图2的示例网络240。例如,资产健康计算器300可以基于资产维护技术人员进行的资产检查获得输入。在另一示例中,资产健康计算器300可以经由图2的AWGS直接连接230、图2的AWGS网络连接250、图2的无线通信链路270等从图1-2的发动机102的涡轮发动机控制器100获得资产信息。
在一些示例中,资产健康计算器300基于模型输入335计算预计AHQ。例如,资产健康计算器300可以在发动机102完成指定数量的循环(例如,飞行循环、操作循环等)之后估计发动机102的操作条件。例如,资产健康计算器300可以通过在指定数量的飞行循环中执行发动机102的数字化双胞胎模型来模拟发动机102完成指定数量的飞行循环。如本文中所使用,术语“飞行循环”是指由资产执行的包括起飞操作和着陆操作的飞机飞行的完整操作循环。
如本文中所使用,术语“数字化双胞胎”是指与关于物理系统的数字信息构造相对应的数字表示、数字模型或数字“阴影”。也就是说,数字信息可以实现为物理装置/系统(例如,发动机102等)的“双胞胎”和与物理装置/系统相关联和/或嵌入在物理装置/系统内的信息。数字化双胞胎通过物理系统的生命周期与物理系统链接。在某些示例中,数字化双胞胎包括真实空间中的物理对象、存在于虚拟空间中的所述物理对象的数字化双胞胎,以及将物理对象与其数字化双胞胎链接的信息。数字化双胞胎存在于与真实空间相对应的虚拟空间中,并且包括用于从真实空间到虚拟空间的数据流的链接以及用于从虚拟空间到真实空间和虚拟子空间的信息流的链接。数据流或信息流的链接对应于表示数据源与数字化双胞胎模型之间的通信框架的数字线程。数字线程可以在资产的整个生命周期中实现资产数据的集成视图。例如,数字化双胞胎模型可以对应于资产的虚拟模型,并且数字线程可以表示资产数据源与虚拟模型之间的连接数据流。
在一些示例中,资产健康计算器300根据将实际AHQ与实际AHQ阈值进行比较并基于比较识别要移除的目标资产来识别要移除的目标资产。在一些示例中,资产健康计算器根据将预计AHQ与预计AHQ阈值进行比较并基于比较识别要移除的目标资产来识别要移除的目标资产。在一些示例中,资产健康计算器300基于例如合同要求、维护资源、备件库存等的要求、和/或其组合来生成一个或多个目标资产的移除时间表。
在一些示例中,资产、资产部件等的AHQ阈值(例如,实际AHQ阈值、预计AHQ阈值等)表示指标,其在满足时对应于资产、资产部件等被识别为要移除以进行维护、维修等的候选者。例如,资产健康计算器300可以将图1的增压压缩机114的剩余(例如,直到可以进行维修、直到资产部件从机翼取出,等)50个循环(例如,飞行循环、飞行操作等)的实际AHQ与剩余100个循环的实际AHQ阈值进行比较,并基于实际AHQ小于实际AHQ阈值而将图1的增压压缩机114识别为要移除的候选者。在另一示例中,资产健康计算器300可以将图1的增压压缩机114的剩余200个小时操作的实际AHQ与剩余250个小时操作的实际AHQ阈值进行比较,并基于实际AHQ小于实际AHQ阈值而将图1的增压压缩机114识别为要移除的候选者。例如,可以基于合同要求、先前修复的资产和/或资产部件的基于历史的信息等来确定实际AHQ阈值、预计AHQ阈值等。
在图3的所示示例中,AWGS 220包括任务生成器305,其基于从资产健康计算器300获得AHQ来生成目标资产的工作范围任务。例如,任务生成器305可以获得发动机102的AHQ、发动机102的增压压缩机114的AHQ等。在一些示例中,任务生成器305基于将AHQ与AHQ阈值进行比较并基于比较识别资产部件来识别要处理的资产部件。例如,任务生成器305可以将增压压缩机114的剩余30%使用寿命的实际AHQ与剩余50%使用寿命的实际AHQ阈值进行比较,并基于实际AHQ小于实际AHQ阈值来识别要更换的增压压缩机114。
在一些示例中,任务生成器305基于从数据库345获得的要求340来识别要处理的资产部件。例如,任务生成器305可以基于合同要求将增压压缩机114的100个循环的实际AHQ与增压压缩机114的200个循环的实际AHQ阈值进行比较(例如,规定当实际AHQ低于200个循环时必须维修增压压缩机的合同)。在此示例中,任务生成器305可以基于实际AHQ小于实际AHQ阈值来识别供处理的增压压缩机114。
响应于识别要处理的一个或多个资产部件,示例任务生成器305可以生成可以对一个或多个资产部件执行的一组工作范围任务。例如,任务生成器305可以基于从数据库345获得任务信息350来确定所述一组任务。例如,任务生成器305可以用所识别的供处理的部件(例如,增压压缩器114)和部件的实际AHQ来查询数据库345,并且数据库345可以返回包括任务列表的任务信息,针对列表中的每个任务可以用相应的成本(例如,人工成本、货币成本等)、备件、工具等执行。
在图3的所示示例中,AWGS 220包括任务优化器310,用于基于针对目标资产和模型输入335生成的工作范围任务来识别目标资产的优化工作范围。例如,任务优化器310可以生成多个工作范围,其中每个工作范围包括从任务生成器305获得的一个或多个工作范围任务的组合。在此示例中,任务优化器310可以将多个工作范围存储在数据库345中。
在一些示例中,任务优化器310计算目标资产的估计资产健康量化器来生成可量化的度量,以评估AWGS 220在改进发动机102的操作条件方面的准确度或效率。例如,任务优化器310可以响应于对目标资产执行指定的工作范围来计算目标资产的资产健康量化器。例如,任务优化器310可以获得由资产健康计算器300计算的目标资产的实际AHQ,选择目标资产的感兴趣的工作范围,并且如果将对目标资产执行所选工作范围则计算目标资产的估计AHQ。在一些示例中,工作范围效果计算器315在目标资产上完成所选工作范围之后计算目标资产的实际AHQ,并将实际AHQ与由任务优化器310计算的估计资产健康量化器进行比较以基于比较确定AWGS 220的准确度。
在一些示例中,任务优化器310通过执行诸如目标资产的数字化双胞胎模型之类的一个或多个模型以生成模型输入335来计算估计AHQ。例如,可以使用人工神经网络和/或其它机器学习/人工智能来实现数字化双胞胎模型,以在输入与输出之间形成连接并通过模式、反馈、优化等来驱动评估和行为。
在一些示例中,任务优化器310计算每一个生成的工作范围的估计资产健康量化器。在一些示例中,任务优化器310基于一个或多个因素选择要对目标资产执行的工作范围,所述一个或多个因素例如计算的估计资产健康量化器与合同要求的比较、客户要求、操作约束等,和/或其组合。在此类示例中,输出355对应于所选工作范围,包括要对目标资产执行的一组任务和相应的工作范围信息。例如,工作范围信息可以包括基于由资产健康计算器300识别的移除时间表为工作范围分配维护人员、维修设施、备件、工具等。
在图3的所示示例中,AWGS 220包括工作范围效果计算器315,用于生成涡轮发动机的预测资产健康量化器。例如,工作范围效果计算器315可以基于输入325确定涡轮发动机的一个或多个减速参数。例如,工作范围效果计算器315可以确定发动机102的起飞减速参数、爬升减速参数等的值。示例工作范围效果计算器315可以分析减速参数以识别关于操作度量(例如,燃料燃烧、任务时间等)的发动机102的增加TOW、降低涡轮发动机维护成本等的机会。
在一些示例中,工作范围效果计算器315基于偏差生成资产和/或资产部件性能和强度模型。例如,工作范围效果计算器315可以将环境因素、操作因素等的影响转换为驱动资产和/或资产部件维护操作的资产和/或资产部件健康因素。在一些示例中,工作范围效果计算器315使用历史信息生成强度模型。例如,工作范围效果计算器315可以根据TOW和环境或操作条件生成资产部件的资产健康量化器。例如,工作范围效果计算器315可以生成强度模型,所述强度模型将高压压缩机等的资产部件的TOW映射到对部件使用寿命有重要意义的一个或多个环境参数(例如,TOW等)。
在一些示例中,当资产在飞机机翼上时,工作范围效果计算器315生成建议以优化和/或以其它方式改进与起飞减速参数、爬升减速参数等相对应的操作员行为。例如,工作范围效果计算器315可以生成建议以调整操作员行为来增加TOW并改进涡轮发动机性能。例如,工作范围效果计算器315可以生成改变当在飞机的机翼上时资产的爬升时间、锥度计划(例如,涡轮发动机减速锥度计划等)、减速参数等的建议。如本文中所使用,术语“锥度计划”是指当涡轮发动机在飞行循环的飞行段之间过渡时涡轮发动机的预定的降速操作。例如,锥度计划可以包括以下指令:在起飞和出发飞行段期间以5%的减速率操作涡轮发动机、在爬升飞行段期间以15%的减速率操作涡轮发动机、以及在巡航飞行段期间以40%的减速率操作涡轮发动机。
在一些示例中,工作范围效果计算器315生成包括建议的报告。例如,工作范围效果计算器315可以生成包括针对所识别的操作员的候选者改进计划作为候选者改进目标的报告。例如,候选者改进计划可以包括当在飞机机翼上时改变资产的爬升时间、锥度计划、减速参数等的建议。在一些示例中,工作范围效果计算器315生成警报仪表板(例如,报告中的警报仪表板、基于网(web)的软件应用程序中的警报仪表板等),其指示操作员改进TOW并减少资产维护成本的改进区域。
在一些示例中,工作范围效果计算器315计算对目标资产执行工作范围的效果。在一些示例中,工作范围效果计算器315计算工作范围量化器,其表示AWGS 220在提高发动机102的操作条件方面的准确度或效率。在一些示例中,工作范围效果计算器315响应于对目标资产执行的所选工作范围来计算目标资产的实际AHQ。在一些示例中,工作范围效果计算器315基于维护人员的检查(例如,目视检查等)、来自图2的传感器144、146的传感器数据等、和/或其组合来计算实际AHQ。例如,工作范围效果计算器315可以基于比较(1)在执行所选工作范围之前从图2的传感器144、146获得的高压涡轮120的第一压力值和/或第一温度值与(2)在执行所选工作范围之后从传感器144、146获得的高压涡轮120的第二压力值和/或第二温度值来计算高压涡轮120的实际AHQ。在此示例中,工作范围效果计算器315可以基于比较计算实际AHQ。
在一些示例中,工作范围效果计算器315基于将目标资产的第一资产健康量化器与目标资产的第二资产健康量化器进行比较来计算工作范围量化器。例如,工作范围效果计算器315可以基于对发动机102执行工作范围之前由任务优化器310计算的第一实际AHQ和在完成工作范围之后由工作范围效果计算器315计算的第二实际AHQ来计算工作范围量化器。例如,工作范围量化器可以是第一和第二实际AHQ之间的差值、第一和第二实际AHQ的比率等。例如,工作范围效果计算器315可以基于由任务优化器310计算的90%的第一实际AHQ与由工作范围效果计算器315计算的80%的第二实际AHQ之间的差值来计算10%的工作范围量化器(例如,10%=90%-80%等)。在此示例中,工作范围效果计算器315可以确定AWGS220可以被改进,因为所选工作范围没有将发动机102的操作条件改进到AWGS 220预期的水平。
在一些示例中,工作范围效果计算器315基于操作员行为(例如,所有者资产的减速行为等)来修改AWGS 220的一个或多个部件。在一些示例中,工作范围效果计算器315通过计算工作范围量化器、将工作范围量化器与工作范围量化器阈值进行比较并基于比较确定工作范围量化器是否满足工作范围量化器阈值来修改AWGS 220的一个或多个部件。在一些示例中,工作范围量化器阈值表示指标,在满足所述指标时识别可以通过更新AWGS 220的一个或多个部件来改进AWGS 220。例如,工作范围效果计算器315可以从数据库345获得增压压缩机114的第一实际AHQ,其对应于由任务优化器310计算的剩余90%使用寿命的实际AHQ。示例工作范围效果计算器315可以基于增压压缩机114的检查、来自传感器144、146的传感器数据等生成剩余70%使用寿命的第二实际AHQ。
示例工作范围效果计算器315可以基于计算第一和第二实际AHQ之间的差值(例如,20%=90%-70%等)计算20%的工作范围量化器。在另一示例中,工作范围效果计算器315可以基于计算第一和第二实际AHQ的比率(例如,0.78=0.70÷0.90等)计算0.78的工作范围量化器。在此示例中,工作范围效果计算器315可以将0.78的工作范围量化器与0.85的工作范围量化器阈值进行比较,并确定工作范围量化器是否满足工作范围量化器阈值。例如,工作范围效果计算器315可以基于工作范围量化器小于工作范围量化器阈值确定修改AWGS 220的部件。
响应于确定工作范围量化器满足工作范围量化器阈值,示例工作范围效果计算器315可以重新生成示例资产健康计算器300、示例任务生成器305、示例任务优化器310、示例模型输入335、示例要求340、示例数据库345、示例任务信息350等、和/或其组合。例如,工作范围效果计算器315可以引导发动机102的数字化双胞胎模型更新到结合最新历史趋势信息、模型参数、模型算法等的数字化双胞胎模型的最新版本。在另一示例中,工作范围效果计算器315可以引导数据库345更新到包括任务信息350的最新版本。在又一示例中,工作范围效果计算器315可以引导任务优化器310将由任务优化器310使用的一个或多个算法、计算参数等更新到最新版本。
在图3的所示示例中,AWGS 220包括FAHA 320以生成改进资产的操作使用情况的建议。在一些示例中,FAHA 320从图2的传感器144、146获得传感器数据、模型信息(例如,来自资产的基于物理的模型的输出、资产的随机模型的输出等)等,以生成与资产的健康相对应的分析和诊断。例如,FAHA 320可以是在计算装置(例如,台式计算机、平板电脑、智能手机等)上执行以生成资产健康信息(例如,实际AHQ、预计AHQ等)、资产使用建议等的软件应用程序信息,资产使用情况建议等。在其它示例中,FAHA 320可以实施为专用硬件装置(例如,专用集成电路、固件装置等)以监测资产操作并生成资产健康信息、资产使用情况建议等。
在所示示例中,FAHA 320通信地连接到网络330。例如,FAHA 320可以经由网络330从传感器144、146获得传感器数据,获得一个或多个模型的最新版本,获得由资产健康计算器300使用的算法或计算参数的最新版本等。另一选择为,示例FAHA 320可不通信地连接到网络330(例如,FAHA 320在未通信地连接到网络330的独立装置上执行,等)。
在图3的所示示例中,AWGS 220包括数据库345以记录数据(例如,资产健康量化器、工作范围量化器、输入325、模型输入335、要求340、任务信息350等)。在所示示例中,数据库345通信地连接到资产健康计算器300、任务生成器305、任务优化器310、工作范围效果计算器315和FAHA 320(例如,当通信地连接到网络330时,等)。示例数据库345可以响应与数据库345中的数据相关的信息的查询。例如,数据库345可以通过提供附加数据(例如,一个或多个数据点)、通过提供与数据库345中的附加数据相关联的索引等来响应对附加数据的查询。当数据库345中没有附加数据时,示例数据库345可以另外或另一选择为通过提供空索引、数据库标识符的结尾等来响应查询。例如,资产健康计算器300可以向数据库345查询对应于发动机102的资产传感器数据、资产环境数据、使用数据等。响应于查询,示例数据库345可以将数据和诸如数据日志、维护历史等的相应信息传输到示例资产健康计算器300。
示例数据库345可以由易失性存储器(例如,同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)等)和/或非易失性存储器(例如,闪存)实现。另外或另一选择为,示例数据库345可以由一个或多个双倍数据速率(DDR)存储器实现,例如DDR、DDR2、DDR3、DDR4、移动DDR(mDDR)等。另外或另一选择为,示例数据库345可以由一个或多个大容量存储装置实现,例如硬盘驱动器、光盘驱动器、数字通用盘驱动器、固态驱动器等。虽然在所示示例中数据库345被示为单个数据库,但数据库345可以由任何数量和/或类型的数据库实现。
尽管在图3中示出了图2的AWGS 220的示例实施方案,但是图3所示的一个或多个元件、过程和/或装置可被组合、划分、重新排列、省略、消除和/或以任何其它方式实施。此外,图3的示例资产健康计算器300、示例任务生成器305、示例任务优化器310、示例工作范围效果计算器315、示例FAHA 320、示例输入325、示例网络330、示例模型输入335、示例要求340、示例数据库345、示例任务信息350、示例输出355和/或更一般地示例AWGS 220可以由硬件、软件、固件和/或硬件、软件和/或固件的任何组合实现。因此,例如,示例资产健康计算器300、示例任务生成器305、示例任务优化器310、示例工作范围效果计算器315、示例FAHA 320、示例输入325、示例网络330、示例模型输入335、示例要求340、示例数据库345、示例任务信息350、示例输出355和/或更一般地示例AWGS 220中的任一者可以由一个或多个模拟或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑装置(PLD)和/或现场可编程逻辑装置(FPLD)实现。当阅读本发明的关于任何设备或系统的权利要求以涵盖纯粹的软件和/或固件实施方案时,示例资产健康计算器300、示例任务生成器305、示例任务优化器310、示例工作范围效果计算器315、示例FAHA 320、示例输入325、示例网络330、示例模型输入335、示例要求340、示例数据库345、示例任务信息350和/或示例输出355中的至少一个在此明确定义为包括非暂时性计算机可读存储装置或存储盘,例如存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等,包括软件和/或固件。更进一步,图2的示例AWGS220可包括除了或代替图3所示的那些元件、过程和/或装置之外的一个或多个元件、处理和/或装置,和/或可包括超过一个任何或全部所示元件、过程和装置。
图4是图3的示例FAHA 320的示例实施方案的框图。所示示例的FAHA 320对资产(例如,图1的发动机102)、资产部件(例如,增压压缩机114、高压涡轮120等)等的AHQ(例如,实际AHQ、预计AHQ等)进行计算、汇总并排序。FAHA 320包括示例数据收集引擎400、示例参数跟踪器405、示例健康量化器计算器410、示例建议生成器415和示例报告生成器420。
在图4的所示示例中,FAHA 320包括示例数据收集引擎400以获得感兴趣的信息进行处理。在所示示例中,数据收集引擎400获得输入325进行处理。例如,数据收集引擎400可以从图3的网络330获得输入325。所示示例的输入325包括示例资产传感器数据430、示例资产环境数据432、示例操作/使用数据434、示例资产配置数据436、示例资产类别历史数据438以及示例工作范围量化器440。
在所示示例中,数据收集引擎400获得资产传感器数据430以确定图1的发动机102所经历的操作条件。在一些示例中,资产传感器数据430对应于对发动机102的输入。例如,资产传感器数据430可以包括发动机命令(例如,推力控制输入、减速控制输入等)、发动机输入等。例如,资产传感器数据430可以对应于从包含在图1-2的涡轮发动机控制器100中的闭环控制模块获得的信息。例如,资产传感器数据430可以包括由涡轮发动机控制器100响应于发动机控制输入、环境因素等执行的算法所生成的参数。
在一些示例中,数据收集引擎400从图3的数据库345获得资产传感器数据430。在一些示例中,资产传感器数据430对应于从图2的传感器144、146获得的传感器数据。例如,资产传感器数据430可以包括传感器测量值,例如图1的发动机102所经历的转子速度、压力、温度、振动等。在一些示例中,资产传感器数据430包括由环境参数传感器(例如,压力传感器、温度传感器等)测量的一定范围的环境参数(例如,压力、温度等)传感器测量值。在一些示例中,资产传感器数据430包括传感器测量的持续时间,例如传感器144、146测量特定传感器测量值的时间量(例如,传感器144、146测量100PSI的压力值的时间量;传感器144、146测量2400兰金的温度值的时间量,等)。
在一些示例中,资产传感器数据430包括与资产的当前或即时飞行段相对应的信息。例如,资产传感器数据430可以包括来自飞机控制系统、图2的涡轮发动机控制器100等的信息,表示图1的发动机102是在目前正在起飞、爬升、巡航等的飞机的机翼上。在一些示例中,数据收集引擎400确定资产传感器数据430是瞬态资产数据。例如,数据收集引擎400可以基于在瞬态飞行段期间操作或者在飞行段之间过渡的发动机102(例如,从爬升飞行段过渡到巡航飞行段等)来确定资产传感器数据430是瞬态资产数据。在一些示例中,数据收集引擎400确定资产传感器数据430是稳态资产数据。例如,数据收集引擎400可以基于在巡航飞行段期间操作的发动机102确定资产传感器数据430是稳态资产数据。在此示例中,数据收集引擎400可以确定资产传感器数据430是基于类似(例如,基本相似、相对不变等)的环境和操作条件生成的(例如,迭代地生成等)。
在所示示例中,数据收集引擎400获得资产环境数据432以确定发动机102所经历的环境条件。在一些示例中,数据收集引擎400从图3的数据库345获得资产环境数据432。在一些示例中,资产环境数据432包括发动机102所经历的一定范围的环境条件参数。例如,资产环境数据432可以包括发动机102所经历的一定范围的环境温度(例如,10-40摄氏度的范围等)、降水量、盐气氛百分比(例如,5-55%盐气氛的范围,等)、空气中颗粒物质的大小(例如,人造空气中颗粒物质的大小、天然存在的空气中颗粒物质的大小,等)、湿度百分比(例如,40-95%湿度范围,等)等。在一些示例中,资产环境数据432包括发动机102所经历的环境条件参数的持续时间。例如,资产环境数据432可以包括发动机102经历30%、40%、50%等的盐气氛的时间量。
在图4的所示示例中,数据收集引擎400获得操作/使用数据434以确定发动机102的使用情况。在一些示例中,操作/使用数据434包括发动机102的使用计划。例如,操作/使用数据434可以包括由发动机102完成的多个循环(例如,飞行循环、操作循环等)、操作中的小时数、飞行路线的类型(例如,从第一目的地到第二目的地的飞行等)、多个航段(例如,从第一目的地到第二目的地的小时数等)等。在一些示例中,操作/使用数据434包括一个或多个航空公司运营商的一个或多个资产操作行为。例如,操作/使用数据434可以包括与涡轮发动机的额定最大容量相比对应于发动机102的操作的操作等级信息。例如,操作/使用数据434可以包括平均起飞减速信息、平均爬升减速信息等。在另一示例中,操作/使用数据434可以包括发动机102的平均推力参数、指示发动机102在一个或多个循环期间处于全功率的频率的百分比等。
在图4的所示示例中,数据收集引擎400获得资产配置数据436以确定发动机102的当前或即时配置。在一些示例中,随着对发动机102执行维护,随时间推移可以对发动机102的物理和/或软件配置进行更新、升级等。例如,发动机102可以用新部件、升级部件等进行翻新。在另一示例中,发动机102的涡轮发动机控制器100的软件可以升级以在操作时调整或控制发动机102的可变几何形状。在此类示例中,资产配置数据436可以包括发动机102中的当前部件列表、涡轮发动机控制器100的当前软件版本等。
在图4的所示示例中,数据收集引擎400获得资产类别历史数据438,以响应于升级资产的硬件和/或软件部件来确定资产的基线操作参数、性能参数、可靠性参数等。例如,资产类别可以对应于基本相似的资产的机队,用于通过分析机队的耐久性参数、可靠性参数等来生成基线耐久性参数或基线可靠性参数。例如,发动机102可以属于第一资产类别,所述第一资产类别对应于第一基线耐久性参数、第一基线可靠性参数等。
在此示例中,发动机102的硬件和/或软件部件的升级可以使发动机102对应于第二资产类别,所述第二资产类别对应于第二基线耐久性参数、第二基线可靠性参数等,其中第二参数与第一参数相比可以有所改进。在一些示例中,数据收集引擎400获得资产类别历史数据438以确保参数跟踪器405、健康量化器计算器410等相较于发动机102的先前资产类别(例如,发动机102在升级之前的资产类别等)基于发动机102的当前资产类别使用模型输入335。
在图4的所示示例中,数据收集引擎400获得一个或多个工作范围量化器440以确定由资产健康计算器300和/或FAHA 320生成的AHQ的准确度。例如,数据收集引擎400可以获得由工作范围效果计算器315计算的10%、20%、30%等的工作范围量化器。例如,FAHA320可以基于工作范围量化器确定要更新FAHA 320的一个或多个参数。例如,FAHA 320可以通过更新(例如,引导更新等)历史数据模型450、基于物理的模型452、随机模型454、混合模型456等、和/或其组合以结合最新版本的信息、参数值等来更新模型输入335。
在图4的所示示例中,FAHA 320包括参数跟踪器405,以基于跟踪滤波器数据执行跟踪滤波器来计算校准的模拟传感器数据。在一些示例中,跟踪滤波器数据包括对应于图1的发动机102的模拟资产传感器数据(例如,模拟的稳态资产传感器数据、模拟的瞬态资产传感器数据等)。在一些示例中,参数跟踪器405基于模型输入335获得模拟资产传感器数据。在一些示例中,参数跟踪器405从数据库345获得模拟资产传感器数据。
在一些示例中,跟踪滤波器数据包括模拟的稳态资产传感器数据。例如,参数跟踪器405可以通过模拟处于稳态的图1-2的传感器144、146来获得发动机102的模拟的稳态排气路径温度(EGT)传感器数据。例如,参数跟踪器405可以使用与处于巡航飞行段等稳态的飞机相对应的操作条件来引导基于物理的模型452模拟发动机102,以生成模拟的稳态EGT传感器数据。
在一些示例中,跟踪滤波器数据包括瞬态资产传感器数据。例如,参数跟踪器405可以通过模拟处于瞬态的图1-2的传感器144、146来获得发动机102的模拟的瞬态EGT传感器数据。例如,参数跟踪器405可以使用与处于从爬升飞行段过渡到巡航飞行段等瞬态的飞机相对应的操作条件来引导基于物理的模型452模拟发动机102,以生成模拟的瞬态EGT传感器数据。例如,基于物理的模型452可以使用通过在传感器的制造、测试、实时操作等期间校准(例如,迭代地校准等)传感器和传感器模型而生成的传感器模型来模拟传感器。在另一示例中,参数跟踪器405可以使用与处于起飞和出发飞行段等瞬态飞行段的飞机相对应的操作条件来引导基于物理的模型452模拟发动机102,以生成模拟的瞬态EGT传感器数据。
在一些示例中,跟踪滤波器数据包括基于物理传感器的资产传感器数据,其基于从图1-2的传感器144、146获得稳态资产传感器数据、瞬态资产传感器数据等(例如,基于物理传感器的资产参数、非模拟资产参数等)。在一些示例中,参数跟踪器405通过获得资产传感器数据430来获得与发动机102相对应的基于物理传感器的资产传感器数据。
在一些示例中,跟踪滤波器数据包括基于物理传感器的稳态资产传感器数据。例如,参数跟踪器405可以通过从图1-2的传感器144、146获得EGT传感器数据来获得发动机102的基于物理传感器的稳态EGT传感器数据。例如,参数跟踪器405可以通过在与处于巡航飞行段等稳态的飞机相对应的操作条件期间从图1-2的传感器144、146获得资产传感器数据430来获得基于物理传感器的稳态EGT传感器数据。
在一些示例中,跟踪滤波器数据包括基于物理传感器的瞬态资产传感器数据。例如,参数跟踪器405可以通过从处于瞬态的图1-2的传感器144、146获得EGT传感器数据来获得发动机102的基于物理传感器的瞬态EGT传感器数据。例如,参数跟踪器405可以通过在与处于从爬升飞行段过渡到巡航飞行段等瞬态的飞机相对应的操作条件期间从图1-2的传感器144、146获得资产传感器数据430来获得基于物理传感器的瞬态EGT传感器数据。
在一些示例中,参数跟踪器405基于稳态资产传感器数据和/或瞬态资产传感器数据来选择供跟踪滤波器使用的跟踪滤波器数据。例如,参数跟踪器405可以选择跟踪滤波器数据以包括稳态资产传感器数据、瞬态资产传感器数据等、和/或其组合。例如,参数跟踪器405可以选择跟踪滤波器数据以包括稳态资产传感器数据(例如,模拟的稳态资产传感器数据、基于物理传感器的稳态资产传感器数据等)和/或瞬态资产传感器数据(例如,模拟的瞬态资产传感器数据、基于物理传感器的瞬态资产传感器数据等)。
在一些示例中,参数跟踪器405确定跟踪滤波器数据仅包括稳态资产传感器数据。在一些示例中,参数跟踪器405确定跟踪滤波器数据仅包括瞬态资产传感器数据。在一些示例中,参数跟踪器405确定跟踪滤波器数据包括稳态资产传感器数据和瞬态资产传感器数据的组合。例如,与使用长窗口的瞬态操作数据相比,参数跟踪器405可以将稳态操作点与瞬态操作时段的快照、片段等合并。例如,参数跟踪器405可以基于(1)第一时间示例或第一时间间隔期间的稳态资产传感器数据与(2)在第一时间示例或第一时间间隔期间的瞬态资产传感器数据的平均值计算在第一时间示例或第一时间间隔期间的平均跟踪滤波器数据。在另一示例中,参数跟踪器405可以选择跟踪滤波器数据以包括(1)针对第二时间示例或针对第二时间间隔的稳态资产传感器数据并选择(2)针对第三时间示例或针对第三时间间隔的瞬态资产传感器数据。
在一些示例中,参数跟踪器405使用跟踪滤波器(例如,卡尔曼滤波器等)来计算模拟资产传感器数据与基于物理传感器的资产传感器数据之间的差值。在一些示例中,参数跟踪器405使用跟踪滤波器基于模拟的与获取的资产传感器数据之间的差值来计算校准的资产传感器数据。例如,参数跟踪器405可以计算(1)基于模型输入335的发动机102的模拟EGT传感器数据与(2)基于资产传感器数据430的发动机102的实际EGT传感器数据之间的差值。在此示例中,参数跟踪器405可以基于模拟EGT传感器数据与实际EGT传感器数据之间的差值计算校准的资产传感器数据。
在一些示例中,参数跟踪器405将校准的资产传感器数据传输到图4的模型450、452、454、456中的一个或多个、数据库345等以重新计算模型输入335。例如,参数跟踪器405可以确定模型输入335与从发动机102获得的资产传感器数据430分歧。例如,参数跟踪器405可以将校准的资产传感器数据传输到基于物理的模型452,以优化和/或以其它方式改进基于物理的模型452的功能,从而生成AHQ、模拟的传感器数据等以最小化与资产传感器数据430的分歧。例如,基于物理的模型452可以使用校准的资产传感器数据来生成模拟的传感器数据,所述模拟的传感器数据利用从发动机102获得的资产传感器数据430更准确地跟踪。
在图4的所示示例中,FAHA 320包括健康量化器计算器410,以基于模型输入335计算实际AHQ、预计AHQ等。例如,FAHA320可以当发动机102在飞机的机翼上或当发动机102在现场时、在维护检查之前等使用健康量化器计算器410基于模型输入335来计算图1的发动机102的AHQ。例如,健康量化器计算器410可以使用校准的资产传感器数据基于执行历史数据模型450、基于物理的模型452、随机模型454、混合模型456等中的一个或多个来获得模型输入335。在此示例中,健康量化器计算器410可以使用最具限制性的模型输入335,或者健康量化器计算器410可以使用模型输入335中的一个或多个的平均值。
在一些示例中,健康量化器计算器410使用历史数据模型450来生成模型输入335。例如,健康量化器计算器410可以当发动机102在飞机的机翼上时、当发动机102在现场时、在维护检查之前等使用历史数据模型450生成模型输入335。例如,历史数据模型450可以是回归模型或使用基于输入325的资产监测信息(例如,历史资产监测信息等)、存储在数据库345中的信息、来自参数跟踪器405的校准的资产传感器数据等的任何其它类型的统计模型。例如,历史数据模型450可以通过对先前的工作范围操作执行统计分析来生成模型输入335。例如,历史数据模型450可以向发动机102获得与资产相对应的资产配置、资产类别、环境、使用等类似的信息。在此示例中,历史数据模型450可以生成可以应用于发动机102的度量和量化器。例如,历史数据模型450可以基于类似资产(例如,具有基本上类似的资产配置、资产类别历史等的资产)先前已经如何执行(例如,先前在完成类似的工作范围之后执行,等等)来计算发动机102的剩余使用寿命的百分比、剩余飞行循环的数量、剩余TOW小时的数量等。
在一些示例中,健康量化器计算器410使用基于物理的模型452来生成模型输入335。例如,发动机102的基于物理的模型452可以包括发动机102的一个或多个传感器、资产部件等的一个或多个振动模型、应力模型、热机械模型、气动热模型、航空机械模型等。例如,健康量化器计算器410可以当发动机102在飞机的机翼上时、当发动机102在现场时、在维护检查之前等使用基于物理的模型452来生成模型输入335。示例基于物理的模型452可以是发动机102的数字化双胞胎模型。例如,数字化双胞胎模型可以使用基于输入325的资产监测信息、存储在数据库345中的信息、来自参数跟踪器405的校准的资产传感器数据等来模拟发动机102的物理行为、热力学健康状况、性能健康状况等。例如,基于物理的模型452可以模拟发动机102的图1-2的传感器144、146的输入和输出。
在一些示例中,基于物理的模型452可以基于模拟发动机102执行一个或多个飞行循环、航段、飞行操作等来模拟发动机102的可操作性(例如,发动机102的效率等)、发动机102的耐久性(例如,风扇区段108、增压压缩机114等上的机械应力)等。因此,通过从基于物理的模型452进行评估和推断,可以识别和评估资产特性,并且例如可以对与资产(例如,发动机102等)相关联的行为和其它结果进行建模和预测。例如,健康量化器计算器410可以推断从基于物理的模型452获得的图3的模型输入335,以预告和/或以其它方式预测由于发动机102的特性、发动机102的使用、发动机102的操作环境等可能出现的与发动机102相对应的未来问题。
在一些示例中,健康量化器计算器410使用随机模型454通过允许一个或多个输入随时间的随机变化而基于估计潜在结果的概率分布来生成度量。例如,健康量化器计算器410可以当发动机102在飞机的机翼上时、当发动机102在现场时、在维护检查之前等使用随机模型454来生成模型输入335。在一些示例中,随机模型454基于历史数据中观察到的波动(例如,基于历史数据模型450的模型输入335等)、基于输入325的资产监测信息、来自参数跟踪器405的校准的资产传感器数据等来针对使用时间序列技术选择的时间段生成随机变化。例如,随机模型454可以将随机变化校准为在来自历史数据模型450的输出所阐述的限制内。在一些示例中,随机模型454包括生成连续概率分布(例如,威布尔分布、可靠性曲线等)以确定由于一个或多个资产部件导致的故障率随时间的分布。例如,随机模型454可以基于确定发动机102的风扇区段108、增压压缩机114等的故障率来生成发动机102的故障率。
在一些示例中,健康量化器计算器410使用混合模型456利用图4的历史数据模型450、基于物理的模型452和随机模型454中的一个或多个来生成模型输入335。例如,健康量化器计算器410可以当发动机102在飞机的机翼上时、当发动机102在现场时、在维护检查之前等使用混合模型456来生成模型输入335。例如,混合模型456可以是随机模型454,其中来自随机模型454的输出与基于物理的模型452进行比较,并且基于比较来调整输出。在另一示例中,混合模型456可以是随机模型454,其中来自随机模型454的输出可以与历史数据模型450进行比较,并且基于比较来调整或校准输出。
在一些示例中,当资产部件在飞机的机翼上时、当资产部件在现场时、在维护检查之前等,健康量化器计算器410基于资产部件的子部件的实际AHQ来计算资产部件的实际AHQ。例如,健康量化器计算器410可以基于根据模型输入335计算风扇区段108的子部件的实际AHQ来计算图1的风扇区段108的实际AHQ。例如,健康量化器计算器410可以通过执行发动机102的基于物理的模型452来计算风扇区段108的例如风扇叶片、轴承、速度传感器等子部件的实际AHQ。在此示例中,健康量化器计算器410可以基于计算风扇区段108的风扇叶片、轴承、速度传感器等的实际AHQ的平均值(例如,加权平均值等)来生成风扇区段108的实际AHQ。在一些示例中,健康量化器计算器410可以按升序、降序、按重要性(例如,资产部件对发动机102的功能的重要程度的定量测定等)等对资产部件(例如,风扇区段108、增压压缩机114等)的实际AHQ进行排序。
在一些示例中,健康量化器计算器410基于模型输入335计算预计AHQ。在一些示例中,预计AHQ表示基于预告的操作条件资产部件的实际AHQ可以是什么。例如,健康量化器计算器410可以基于增压压缩机114的实际AHQ以及基于预告的使用和环境计划460生成模型输入335来计算图1的增压压缩机114的预计AHQ。在一些示例中,预告的使用和环境计划460对应于在未来的操作中由发动机102持续的未来使用(例如,多个飞行循环、航段、操作小时数等)和环境(例如,25-40摄氏度的环境温度范围、15-35%的盐气氛百分比范围等)。
例如,健康量化器计算器410可以通过基于预告的使用和环境计划460计算实际AHQ随时间的改变来计算增压压缩机114的预计AHQ。例如,健康量化器计算器410可以基于增压压缩机114的70%的实际AHQ并且针对其中环境温度范围为25-40摄氏度、盐气氛百分比范围为15-35%的地理区域内的额外500次飞行循环执行模型450、452、454、456来计算增压压缩机114的30%的预计AHQ。
在一些示例中,健康量化器计算器410基于资产部件的子部件的预计AHQ计算资产部件的预计AHQ。例如,健康量化器计算器410可以基于根据模型输入335计算风扇区段108的子部件的预计AHQ来计算图1的风扇区段108的预计AHQ。例如,健康量化器计算器410可以通过执行发动机102的基于物理的模型452来计算风扇区段108的例如风扇叶片、轴承、速度传感器等子部件的预计AHQ。在此示例中,健康量化器计算器410可以基于计算风扇区段108的风扇叶片、轴承、速度传感器等的预计AHQ的平均值(例如,加权平均值等)来生成风扇区段108的预计AHQ。在一些示例中,健康量化器计算器410可以按升序、降序、按重要性(例如,资产部件对发动机102的功能的重要程度的定量测定等)等对资产部件(例如,风扇区段108、增压压缩机114等)的预计AHQ进行排序。
在一些示例中,健康量化器计算器410部署或引导自动(例如,无人驾驶的、计算机操作的等)成像系统的部署以检查发动机102来生成AHQ。例如,健康量化器计算器410可以使用包括一个或多个相机(例如,数码相机、摄像机等)的成像系统来捕捉发动机102的资产部件的一个或多个图像。例如,健康量化器计算器410可以使用对象识别系统(例如,机器学习系统、深度学习系统等)来比较图1的增压压缩机114的图像与对象识别数据库中的图像。在一些示例中,对象识别系统使用例如分治搜索、边缘匹配、灰度匹配、梯度匹配等基于外观的方法来比较图像。在一些示例中,对象识别系统使用基于特征的方法来比较图像。
在一些示例中,健康量化器计算器410基于在检查过程、实时操作、维护周期等期间捕捉的增压压缩机114的图像与对象识别数据库中存储的图像的比较来计算增压压缩机114的AHQ。例如,健康量化器计算器410可以通过将具有未知AHQ的增强压缩机114的所捕捉图像(例如,在指定对象识别容限内匹配所捕捉图像等)与具有已知AHQ的存储在对象识别数据库中的图像相匹配并基于匹配确定AHQ来确定增压压缩机114的AHQ。
在图4的所示示例中,FAHA 320包括建议生成器415以生成资产的工作范围建议。例如,建议生成器415可以生成图1的发动机102的工作范围建议,包括发动机102的维护操作、维修操作等。例如,建议生成器415可以将AHQ(例如,实际AHQ、预计AHQ等)与AHQ阈值(例如,实际AHQ阈值、预计AHQ阈值等)进行比较并且基于比较确定AHQ是否满足AHQ阈值。示例建议生成器415可以基于AHQ是否满足AHQ阈值而生成对发动机102、发动机102的部件(例如,风扇区段108、增压压缩机114等)等进行维护的建议。
例如,建议生成器415可以将风扇区段108的剩余50%使用寿命的实际AHQ与风扇区段108的75%的实际AHQ阈值进行比较。示例建议生成器415可以基于实际AHQ小于实际AHQ阈值而确定50%的实际AHQ满足75%的实际AHQ阈值。例如,建议生成器415可以生成咨询动作、维护警报、维修建议等,以基于AHQ满足实际AHQ阈值而对风扇区段108执行维护操作(例如,更换、翻新、修复等)。在一些示例中,建议生成器415生成资产级别和机队级别操作诊断、维护警报、维修建议等,以评估、总结、视觉化等资产部件级别AHQ、资产级别AHQ、机队级别AHQ等从而优化和/或以其它方式改进资产维护操作。
在图4的所示示例中,FAHA 320包括报告生成器420以生成和/或以其它方式准备报告来记录建议的工作范围计划。例如,报告生成器420可以生成包括与一个或多个资产和/或一个或多个运营商相对应的机队级别实际AHQ、资产级别实际AHQ、资产部件级别实际AHQ等的报告。在另一示例中,报告生成器420可以生成包括与一个或多个资产和/或一个或多个操作员相对应的机队级别预计AHQ、资产级别预计AHQ、资产部件级别预计AHQ等的报告。在又一示例中,报告生成器420可以生成报告,所述报告包括针对操作员的建议工作范围、操作员拥有的资产、资产中包括的资产部件等。
在一些示例中,报告生成器420响应于用户输入生成报告。例如,FAHA 320的用户可以按需在任何时间生成报告。在一些示例中,报告生成器420响应于AHQ满足AHQ阈值而生成(例如,自动地生成等)报告。例如,当增压压缩机114的实际AHQ、预计AHQ等满足实际AHQ阈值、预计AHQ阈值等时,报告生成器420可以生成包括发动机102的增压压缩机114的工作范围建议的报告。
在一些示例中,报告生成器420将报告存储在数据库345中。在一些示例中,报告生成器420经由图3的网络330将报告传输给操作员、中央设施、维护设施、供应链支持中心等。在一些示例中,报告生成器420经由基于web的应用程序、基于智能手机的应用程序等在计算装置的显示器上显示报告。
在图4的所示示例中,健康量化器计算器410、建议生成器415、报告生成器420和/或更一般地,FAHA 320生成输出470。在一些示例中,输出470包括资产(例如,发动机102等)、资产部件(例如,风扇区段108、增压压缩机114等)、资产机队等的AHQ(例如,实际AHQ、预计AHQ、总体实际AHQ、总体预计AHQ等)。在一些示例中,输出470包括针对维护操作、从维修中移除等的一个或多个资产和/或资产部件的工作范围建议。在一些示例中,输出470可以包括报告。例如,输出470可以包括报告,所述报告包括针对维护的资产(例如,发动机102等)以及资产和资产的资产部件(例如风扇区段108、增压压缩机114等)的相应AHQ。例如,将发动机102的增压压缩机114识别为维护目标的报告可以经由网络330传输到供应链运营中心,以引导供应链人员、供应链计算系统或算法等购买更换零件和设备以更换增压压缩机114、安排将发动机102从维修中移除、识别维护设施以完成更换等。
尽管实施图3的FAHA 320的示例实施方案在图4中示出,但图4中示出的一个或多个元件、过程和/或装置可被组合、分开、重新排列、省略、消除和/或以任何其它方式实施。此外,图4的示例数据收集引擎400、示例参数跟踪器405、示例健康量化器计算器410、示例建议生成器415、示例报告生成器和/或更一般地,图3的示例FAHA 320可以通过硬件、软件、固件、和/或硬件、软件和/或固件的任何组合来实现。因此,例如,示例数据收集引擎400、示例参数跟踪器405、示例健康量化器计算器410、示例建议生成器415、示例报告生成器和/或更一般地,示例FAHA 320中的任何一个都可以由一个或多个模拟或数字电路、逻辑电路、可编程处理器、专用集成电路(ASIC)、可编程逻辑装置(PLD)和/或现场可编程逻辑装置(FPLD)来实现。当阅读本发明的关于任何设备或系统的权利要求以涵盖纯粹的软件和/或固件实施方案时,示例数据收集引擎400、示例参数跟踪器405、示例健康量化器计算器410、示例建议生成器415和/或示例报告生成器中的至少一个在此明确定义为包括非暂时性计算机可读存储装置或存储盘,例如存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等,包括软件和/或固件。更进一步,除了或代替图4示出的那些元件之外,图3的示例FAHA 320可以包括一个或多个元件、过程和/或装置,和/或可以包括超过一个任何或全部示出的元件、过程和装置。
图5是示例FAHA 320使用来自图1的发动机102的数据(例如,图4的资产传感器数据430等)和图4的与发动机102相对应的基于物理的模型452执行跟踪滤波器系统500以优化和/或以其它方式改进基于物理的模型452的框图。在图5的所示示例中,发动机输入505指向闭环控制模块510以控制物理发动机515。物理发动机515基于输入525(例如,环境和控制输入等)生成传感器数据520。
在图5的所示示例中,发动机输入505表示对物理发动机515的控制输入。例如,发动机输入505可以是来自飞行员的命令、来自自动发动机控制系统的命令等,以控制物理发动机515。例如,发动机输入505可以对应于图4的资产传感器数据430。在图5的所示示例中,闭环控制模块510表示由图1-2的涡轮发动机控制器100执行的一个或多个控制算法。例如,闭环控制模块510可以基于发动机输入505和反馈回路530计算控制输入525。例如,闭环控制模块510可以对应于图1-2的涡轮发动机控制器100。所示示例的环境输入525表示物理发动机515所经历的环境因素。例如,环境输入525可以包括物理发动机515在停放飞行段、起飞飞行段等时的环境温度。在另一示例中,环境输入525可以是空气中颗粒物质、盐气氛含量、湿度气氛含量等。
在图5的所示示例中,物理发动机515表示响应于接收环境和控制输入525执行涡轮发动机操作(例如,以指定速率转动转子叶片等)的物理(例如,实际等)涡轮发动机。例如,物理发动机515可以对应于图1的发动机102。所示示例的物理发动机515基于随机变化535和传感器误差540生成传感器数据520。所示示例的传感器数据520表示从图1-2的传感器144、146获得的资产传感器数据。例如,传感器数据520可以对应于图4的资产传感器数据430。在一些示例中,传感器数据520对应于当发动机102处于巡航飞行段等稳态飞行段时的资产传感器数据430。在一些示例中,传感器数据520对应于当发动机102处于从爬升飞行段过渡到巡航飞行段等瞬态飞行段时的资产传感器数据430。
图5所示示例的随机变化535表示物理发动机515的资产部件操作的变化。例如,由于高压涡轮120和/或发动机102的随机环境或操作特性,图1的高压涡轮120可以在10PSI、25PSI、50PSI等的公差范围内操作。所示示例的传感器误差540表示条件之间的传感器测量的变化。例如,传感器误差540可以是传感器144、146的热电偶装置、压电晶体、集成电路芯片电特性等的变化。在另一示例中,传感器误差540可以是由于传感器144、146的不正确校准、过时校准等引起的偏移。
在图5的所示示例中,跟踪滤波器系统500包括发动机模型545以模拟物理发动机515。例如,发动机模型545可以是图4的历史数据模型450、基于物理的模型452、随机模型454、混合模型456等。所示示例的发动机模型545基于环境和控制输入525以及校准的传感器数据575生成模拟传感器数据550。所示示例的模拟传感器数据550可以对应于图3-4的模型输入335。例如,发动机模型545可以基于执行图4的模型450、452、454、456中的一个或多个生成传感器数据520的预测值。例如,发动机模型545可以基于类似(例如,基本上类似、公差内的类似值,等)输入(例如,环境和控制输入525等)和调整的模拟传感器数据(例如,校准的传感器数据575等)生成模拟传感器数据550以表示传感器数据520的模拟。例如,发动机模型545可以通过在0.5兰金度的公差内模拟基本上类似于发动机102所经历的环境温度的环境温度来生成对应于温度传感器的模拟传感器数据550。
在图5的所示示例中,跟踪滤波器系统500包括图5的参数跟踪器405,将传感器数据520与模拟传感器数据550进行比较。在图5的所示示例中,参数跟踪器405包括差值计算器560,计算传感器数据520与模拟传感器数据550之间的差值以生成残差565。例如,残差565可以是从图1-2的传感器144、146获得的温度传感器测量值和与传感器144、146相对应的模拟温度传感器测量值之间的差值。可以将所示示例的残差565指向、传输等到建议生成器415,以基于残差565生成工作范围建议。
在图5的所示示例中,参数跟踪器405包括跟踪滤波器570以生成校准的传感器数据575。例如,跟踪滤波器570可以是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器、卡尔曼滤波器(最佳观测器)等。在图5的所示示例中,参数跟踪器405使用跟踪滤波器570基于稳态信息、瞬态信息等、和/或其组合来生成校准的传感器数据575。
在一些示例中,跟踪滤波器570是卡尔曼滤波器。在此类示例中,跟踪滤波器570为每个测量值(例如,每个输入、每个输出等)分配跟踪滤波器调整因子(例如高斯白噪声参数)。例如,跟踪滤波器调整因子可以对应于高斯白噪声的标准偏差。例如,如果跟踪滤波器570为测量值分配高斯白噪声标准偏差零,则测量值可以对应于没有噪声的测量精确值。在另一示例中,如果跟踪滤波器570分配无限标准偏差的高斯白噪声标准偏差,则跟踪滤波器570可以忽略所述测量值。
在一些示例中,跟踪滤波器570基于瞬态资产信息为高斯白噪声标准偏差分配值以平滑资产参数。例如,发动机模型545可以在爬升飞行段640期间使用爬升飞行段模型(例如,在爬升飞行段640中模拟发动机102的发动机模型545等)为图1的低压涡轮124生成0.8的第一效率。在此示例中,发动机模型545可以在巡航飞行段650期间使用巡航飞行段模型(例如,在巡航飞行段650中模拟发动机102的发动机模型545等)为低压涡轮124生成1.2的第二效率。
然而,在一些示例中,第一和第二效率应与模拟发动机102的实时操作相当。为了减小第一和第二效率之间的差值,示例跟踪滤波器570可以将高斯白噪声标准偏差的值添加到第一效率以产生第二效率。例如,跟踪滤波器570可以将第二效率确定为第一效率和高斯白噪声标准偏差的值之和。示例跟踪滤波器570可以基于高斯白噪声标准偏差的值生成校准的传感器数据575,所述校准的传感器数据又可以引导发动机模型545以生成更准确的模拟传感器数据550。
在一些示例中,可以使用当发动机102在稳态飞行段操作(例如,在巡航段操作等)时与从发动机102获得的信息相对应的稳态信息(例如,稳态传感器数据、稳态模拟传感器数据等)来执行跟踪滤波器系统500。在一些示例中,可以使用当发动机102在过渡飞行段(例如,从爬升飞行段过渡到巡航飞行段,等)时与从发动机102获得的信息相对应的瞬态信息(例如,瞬态传感器数据、瞬态模拟传感器数据等)来执行跟踪滤波器系统500。例如,跟踪滤波器570可以基于在稳态、瞬态等下操作的物理发动机515以及模拟在稳态、瞬态等下操作的物理发动机515的发动机模型545获得传感器数据520、模拟传感器数据550、残差565等。
例如,跟踪滤波器570可以基于在稳态下操作的物理发动机515和模拟在稳态下操作的物理发动机515的发动机模型545获得传感器数据520、模拟传感器数据550等。在另一示例中,跟踪滤波器570可以基于在瞬态下操作的物理发动机515和模拟在瞬态下操作的物理发动机515的发动机模型545获得传感器数据520、模拟传感器数据550等。
在一些示例中,参数跟踪器405指示跟踪滤波器570选择要处理的跟踪滤波器数据。例如,跟踪滤波器570可以选择跟踪滤波器数据以包括对应于处于稳态的物理发动机515和发动机模型545的传感器数据520、模拟传感器数据550等。在另一示例中,跟踪滤波器570可以选择跟踪滤波器数据以包括对应于处于瞬态的物理发动机515和发动机模型545的传感器数据520、模拟传感器数据550等。在又一示例中,跟踪滤波器570可以选择跟踪滤波器数据以包括对应于(1)处于稳态的物理发动机515和发动机模型545和(2)处于瞬态的物理发动机515和发动机模型545的传感器数据520、模拟传感器数据550等的组合。
在一些示例中,校准的传感器数据575包括由发动机模型545模拟的资产、资产部件等的调整状态和参数。例如,校准的传感器数据575可以包括基于将包括在模拟传感器数据550中的模拟温度传感器测量值与包括在传感器数据520中的温度传感器测量值进行比较的调整后的模拟温度传感器测量值。
在图5的所示示例中,参数跟踪器405包括数据洞察分析器580,其用于评估随时间推移残差565、校准的传感器数据575等的变化。例如,数据洞察分析器580可以将趋势信息传输到图4的健康量化器计算器410。在一些示例中,数据洞察分析器580在维护或操作事件(例如,发动机102的水洗、发动机102的碎屑摄取等)之后检测变化点类型变换。在一些示例中,数据洞察分析器580确定参数之间的相关性(例如,第一和第二瞬态资产参数之间的相关性等),执行数据比较,相较于机队参数值计算发动机102的参数值之间的差值,等。在一些示例中,数据洞察分析器580基于执行跟踪滤波器570来识别无响应或发生故障的传感器。在一些示例中,数据洞察分析器580通过识别传感器值的慢速偏移、传感器值的突然变换等来识别潜在无响应的或潜在发生故障的传感器。在此类示例中,数据洞察分析器580可以指示参数跟踪器405移除、隔离、防止等识别的无响应传感器或识别的潜在无响应传感器,以免跟踪滤波器570使用。
在一些示例中,健康量化器计算器410基于从数据洞察分析器580获得的校准的传感器数据575的趋势分析(例如,随时间推移残差565增加,随时间推移传感器数据575减少等)来调整AHQ的计算。在一些示例中,建议生成器415基于校准的传感器数据575的趋势分析生成针对发动机102的工作范围建议,并且报告生成器420可以生成包括校准的传感器数据575的工作范围建议和趋势分析的报告。
在图5的所示示例中,示例跟踪滤波器系统500包括跟踪滤波器570以将由发动机模型545生成的模拟传感器数据550与由物理发动机515生成的传感器数据520进行比较,以优化和/或以其它方式改进发动机模型545。例如,发动机模型545可以基于校准的传感器数据575调整(例如,迭代地调整等)一个或多个基于物理的计算、回归或统计计算等。例如,发动机模型545可以基于校准的传感器数据575生成模拟的传感器数据550以更准确地匹配传感器数据520。图6是可以使用图1的涡轮发动机102的飞行路线600的示例飞行段的示意图。在所示示例中,发动机102可以连接到飞机605。所示示例的飞行路线600包括停放飞行段610、滑行飞行段620、起飞和出发飞行段630、爬升飞行段640、巡航飞行段650、下降飞行段660、接近飞行段670以及着陆和滑行到登机口飞行段680。另外或另一选择为,在飞行路线600中可以存在更少或更多飞行段。
在示例飞行路线600中,发动机102经历稳态和瞬态飞行段。例如,停放飞行段610、滑行飞行段620、巡航飞行段650以及着陆和滑行到登机口飞行段680可以对应于稳态飞行段。在另一示例中,起飞和出发飞行段630、爬升飞行段640、下降飞行段660以及接近飞行段670可以对应于瞬态飞行段。在一些示例中,当发动机102不在飞行段之间过渡时,发动机102生成稳态资产数据(例如,稳态资产传感器数据等)。例如,当发动机102处于停放飞行段610、滑行飞行段620、巡航飞行段650等并且不过渡到另一飞行段时,发动机102可以生成稳态资产传感器数据。例如,当发动机102在巡航飞行段650中操作且未过渡到下降飞行段660时,发动机102可以生成(例如,迭代地生成等)稳态资产传感器数据。
在一些示例中,当发动机102在飞行段之间过渡时,发动机102生成瞬态资产数据(例如,瞬态资产传感器数据,等)。例如,当发动机102从滑行飞行段620过渡到起飞和出发飞行段630、从爬升飞行段640过渡到巡航飞行段650等时,发动机102可以生成瞬态资产传感器数据。例如,当发动机102在巡航飞行段650与下降飞行段660之间的过渡时间段中操作时,发动机102可以生成(例如,迭代地生成等)瞬态资产传感器数据。
图7-10中示出表示用于实施图3到5的示例FAHA 320的示例机器可读指令的流程图。在这些示例中,机器可读指令包括由处理器执行的程序,所述处理器例如在下面关于图11中讨论的示例处理器平台1100中示出的处理器1112。程序可以软件实施,所述软件存储在非暂时性计算机可读存储介质上,例如CD-ROM、软盘、硬盘驱动器、DVD、蓝光磁盘或者与处理器1112关联的存储器,但整个程序和/或其部分可替代性地由处理器1112之外的装置执行,和/或以固件或专用硬件实施。另外,尽管参照图7-10中示出的流程图描述了示例程序,但可以替代性使用实现示例FAHA 320的许多其它方法。例如,块的执行次序可以改变和/或所描述的一些块可以被改变、消除或组合。另外或另一选择为,任何或所有块可以由一个或多个硬件电路(例如,离散和/或集成的模拟和/或数字电路、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、比较器、运算放大器(op-amp)、逻辑电路等)实现,所述一个或多个硬件电路被构造成在不执行软件或固件的情况下执行相应的操作。
如上文所提及,可使用编码指令(例如计算机和/或机器可读指令)实施图7-10的示例过程,所述编码指令存储在非暂时性计算机和/或机器可读介质上,例如硬盘驱动器、闪存、只读存储器、CD、DVD、高速缓存、随机存取存储器和/或可在任何持续时间(例如延长的时段、永久性、极短时间、暂时性缓存和/或用于信息的高速缓存)内存储信息的任何其它存储装置或存储盘。如本发明中所使用,术语非暂时性计算机可读介质明确定义为包括任何类型的计算机可读存储装置和/或存储盘,不包括传播信号,不包括传输介质。“包含”和“包括”(以及其所有形式和时态)在本文中用作开放术语。因此,每当权利要求列出遵循任何形式的“包含”或“包括”(例如包括、包含、正包括、正包含等)的任何内容时,应理解,在不脱离对应权利要求的范围的情况下,可存在额外元件、术语等。如本发明中所使用,当词语“至少”用作权利要求的前序部分中的过渡词时,与术语“包括”是开放式的相同方式,是开放式的。
图7是表示可以通过图3-5的示例FAHA 320执行以生成与发动机102的工作范围相对应的报告的示例方法的流程图。示例方法开始于框702,其中示例FAHA 320选择感兴趣的资产进行处理。例如,图4的数据收集引擎400可以选择图1的发动机102。
在框704处,示例FAHA 320确定所选资产的飞行段。例如,数据收集引擎400可以确定发动机102连接到在巡航飞行段650中操作的飞机。例如,数据收集引擎400可以在发动机102操作时从发动机102获得信息。在框706处,示例FAHA 320使用稳态信息执行模型以产生稳态传感器数据。例如,参数跟踪器405可以引导图4的基于物理的模型452使用稳态模拟资产传感器数据生成图3-4的模型输入335。在另一示例中,参数跟踪器405可以引导图5的发动机模型545使用基于图5的环境和控制输入525的稳态信息生成图5的模拟传感器数据550。
在框708处,示例FAHA 320使用瞬态信息执行模型以产生瞬态传感器数据。例如,参数跟踪器405可以引导图4的基于物理的模型452使用瞬态模拟资产传感器数据生成图3-4的模型输入335。在另一示例中,参数跟踪器405可以引导图5的发动机模型545使用基于图5的环境和控制输入525的瞬态信息生成图5的模拟传感器数据550。
在框710处,示例FAHA 320基于稳态和瞬态模拟传感器数据选择跟踪滤波器数据。例如,参数跟踪器405可以使用图5的跟踪滤波器570选择跟踪滤波器数据以包括稳态模拟传感器数据、瞬态模拟传感器数据等、和/或其组合。
在框712处,示例FAHA 320基于跟踪滤波器数据执行跟踪滤波器以生成校准的模拟传感器数据。例如,参数跟踪器405可以执行跟踪滤波器570以生成图5的校准的传感器数据575。下文结合图8描述可以用于实施框712的示例过程。
在框714处,示例FAHA 320基于校准的模拟传感器数据生成资产健康量化器。例如,健康量化器计算器410可以根据基于物理的模型452基于校准的模拟传感器数据(例如,图5的校准的传感器数据575,等)生成模拟资产传感器数据(例如,稳态模拟资产传感器数据、瞬态模拟资产传感器数据,等)而生成发动机102的实际AHQ、预计AHQ等。例如,健康量化器计算器410可以在发动机102操作时生成发动机102的AHQ。通过生成在使用中的发动机102的AHQ,FAHA 320可以在检查发动机102之前识别潜在的维护任务,并且因此增加飞机操作员对发动机102资产健康的可见性。下文结合图9-10描述可以用于实施框714的示例过程。
在框716处,示例FAHA 320生成报告。例如,报告生成器420可以生成包括针对发动机102、发动机102的操作员等的建议工作范围的报告。例如,报告生成器420可以在发动机102操作时生成报告,并且因此在执行发动机102的检查之前实现发动机102资产健康的更大可见性。在框718处,示例FAHA 320确定是否选择另一感兴趣的资产进行处理。例如,数据收集引擎400可以确定选择另一涡轮发动机进行处理。
如果在框718处示例FAHA 320确定选择另一感兴趣的资产进行处理,则控制返回到框702以选择另一感兴趣的资产进行处理。如果在框718处示例FAHA 320确定不选择另一感兴趣的资产进行处理,则在框720处,FAHA 320生成汇总的报告。例如,报告生成器420可以生成包括针对一个操作员、多个操作员的多个资产等的建议工作范围的报告。例如,报告生成器420可以生成包括由一个飞机操作员拥有并操作的20个涡轮发动机的建议工作范围的报告。在另一示例中,报告生成器420可以生成包括由10个飞机操作员拥有并操作的200个涡轮发动机的建议工作范围的报告。响应于示例FAHA 320生成汇总的报告,示例方法结束。
图8表示可以通过图3-5的示例FAHA 320执行以基于跟踪滤波器数据执行跟踪滤波器来生成校准的模拟传感器数据的示例方法的流程图。图8的示例过程可以用于实施图7的框712的操作。示例方法开始于框802,其中示例FAHA 320获得对应于感兴趣的资产的传感器数据。例如,图4的数据收集引擎400可以在发动机102操作时获得与图1的发动机102相对应的图4的资产传感器数据430。
在框804处,示例FAHA 320基于所获得的传感器数据确定实际传感器数据。例如,参数跟踪器405可以基于物理发动机515对图5的环境和控制输入525、随机变化535和传感器误差540作出响应而获得传感器数据520。
在框806处,示例FAHA 320使用模型生成模拟传感器数据。例如,参数跟踪器405可以引导发动机模型545生成图5的模拟传感器数据550。例如,参数跟踪器405可以引导发动机模型545生成在发动机102操作时的模拟传感器数据550。
在框808处,示例FAHA 320计算实际传感器数据与模拟传感器数据之间的差值。例如,参数跟踪器405可以引导差值计算器560计算图5的传感器数据520与模拟传感器数据550之间的差值。
在框810处,示例FAHA 320基于所述差值以及实际传感器数据和模拟传感器数据来选择跟踪滤波器数据。例如,参数跟踪器405可以选择跟踪滤波器数据以包括稳态实际传感器数据、稳态模拟传感器数据等。例如,参数跟踪器405可以基于差值确定选择与瞬态资产数据相当的稳态资产数据。在另一示例中,参数跟踪器405可以基于差值确定选择稳态资产数据和瞬态资产数据的组合。
在框812处,示例FAHA 320基于跟踪滤波器数据执行跟踪滤波器。例如,参数跟踪器405可以基于稳态资产数据、瞬态资产数据等和/或其组合执行图5的跟踪滤波器570。在框814处,示例FAHA320基于执行跟踪滤波器而生成校准的模拟传感器数据。例如,参数跟踪器405可以使用图5的跟踪滤波器570生成图5的校准的传感器数据575,以优化和/或以其它方式改进由健康量化器计算器410和/或更一般地FAHA 320使用以生成更准确AHQ的图5的发动机模型545。响应于基于执行跟踪滤波器生成校准的模拟传感器数据,示例方法返回到图7的示例的框714以基于校准的传感器数据生成资产健康量化器。
图9是表示可以通过图3-5的示例FAHA 320执行以基于校准的模拟传感器数据生成资产健康量化器的示例方法的流程图。图9的示例过程可以用于实施图7的框714的操作。示例方法开始于框902,其中示例FAHA 320选择感兴趣的部件进行处理。例如,数据收集引擎400可以在风扇区段108操作时选择图1的风扇区段108进行处理。在框904处,示例FAHA320选择感兴趣的子部件进行处理。例如,数据收集引擎400可以选择风扇区段108的风扇叶片进行处理。
在框906处,示例FAHA 320使用关于感兴趣的子部件的校准的模拟传感器数据执行基于物理的模型。例如,健康量化器计算器410可以执行图4的基于物理的模型452,以使用图5的校准的传感器数据575在风扇区段108操作时模拟风扇区段108的风扇叶片的操作。在框908处,示例FAHA 320执行关于感兴趣的子部件的随机模型。例如,健康量化器计算器410可以执行图4的随机模型454以使用连续概率分布估计风扇区段108的风扇叶片的故障率。
在框910处,示例FAHA 320执行关于感兴趣的子部件的历史模型。例如,健康量化器计算器410可以执行图4的历史数据模型450,以使用针对与发动机102类似(例如,基本上类似,等)的资产上操作的风扇叶片收集的历史数据估计风扇区段108的风扇叶片的故障率。
在框912处,示例FAHA 320使用关于感兴趣的子部件的校准模拟传感器数据执行混合模型。例如,健康量化器计算器410可以执行混合模型456以使用随机模型454估计风扇区段的风扇叶片的故障率,并将随机模型454的输出与使用图5的校准的传感器数据575、历史数据模型等、和/或其组合的基于物理的模型452的输出进行比较。
在框914处,示例FAHA 320生成子部件的资产健康量化器。例如,健康量化器计算器410可以基于风扇区段108的风扇叶片操作时的模型输入335计算风扇区段108的风扇叶片的实际AHQ。在框916处,示例FAHA 320确定是否选择另一感兴趣的子部件进行处理。例如,数据收集引擎400可以确定选择风扇区段108的轴承进行处理。
如果在框916处示例FAHA 320确定选择另一感兴趣的子部件进行处理,则控制返回到框704以选择另一感兴趣的子部件进行处理。如果在框916处示例FAHA 320确定不选择另一感兴趣的子部件进行处理,则在框918处,FAHA 320基于针对所述子部件生成的资产健康量化器生成所述部件的资产健康量化器。例如,健康量化器计算器410可以基于风扇区段108在操作时风扇区段108的子部件(例如,风扇叶片、轴承等)的实际AHQ来生成风扇区段108的实际AHQ。
在框920处,示例FAHA 320确定是否选择另一感兴趣的部件进行处理。例如,数据收集引擎400可以确定选择图1的增压压缩机114进行处理。如果在框920处示例FAHA 320确定选择另一感兴趣的部件进行处理,则控制返回到框902以选择另一感兴趣的部件进行处理,否则示例方法返回到图7的示例的框716以生成报告。
图10是表示可以通过图3-5的示例FAHA 320执行以基于校准的模拟传感器数据生成资产健康量化器的示例方法的流程图。例如,图10的方法可以通过FAHA 320执行以基于校准的传感器数据生成预计资产健康量化器。图10的示例过程可以用于实施图7的框714的操作。示例方法开始于框1002,其中示例FAHA 320获得使用预告信息。例如,数据收集引擎400可以针对发动机102获得图4的预告的使用和环境计划460。
在框1004处,示例FAHA 320获得环境计划预告信息。例如,数据收集引擎400可以获得发动机102的预告的使用和环境计划460。在框1006处,示例FAHA 320选择感兴趣的部件进行处理。例如,数据收集引擎400可以选择图1的风扇区段108进行处理。
在框1008处,示例FAHA 320选择感兴趣的子部件进行处理。例如,数据收集引擎400可以选择风扇区段108的风扇叶片进行处理。在框1010处,示例FAHA 320基于所获得的信息和校准的模拟传感器数据执行资产健康模型。例如,健康量化器计算器410可以使用当发动机102在操作时发动机102的预告的使用和环境计划460以及图5的校准的传感器数据575来执行历史数据模型450、基于物理的模型452、随机模型454、混合模型456等中的一个或多个。例如,健康量化器计算器410可以基于图5的校准的传感器数据575执行基于物理的模型452以生成图5的模拟传感器数据550。
在框1012处,示例FAHA 320基于模型生成子部件的预计资产健康量化器。例如,健康量化器计算器410可以基于当风扇叶片在操作时执行图4的模型450、452、454、456中的一个或多个来生成风扇区段108的风扇叶片的预计资产健康量化器。在框1014处,示例FAHA320确定是否选择另一感兴趣的子部件进行处理。例如,数据收集引擎400可以确定选择风扇区段108的轴承进行处理。例如,数据收集引擎400可以基于将风扇区段108与图3-4的数据库345中的配置文件、部件列表等进行比较来确定选择风扇区段108的轴承。例如,数据收集引擎400可以将风扇区段108映射到配置文件并基于映射确定包含在风扇区段108中的部件列表。例如,数据收集引擎400可以基于将风扇区段108的已经处理过的部件与针对风扇区段108的配置文件、部分列表等中定义的尚未处理的部件进行比较来确定是否尚未处理轴承。
如果在框1014处示例FAHA 320确定选择另一感兴趣的子部件进行处理,则控制返回到框1008以选择另一感兴趣的子部件进行处理。如果在框1014处示例FAHA 320确定不选择另一感兴趣的子部件进行处理,则在框1016处,FAHA 320基于针对所述子部件生成的资产健康量化器生成所述部件的预计资产健康量化器。例如,健康量化器计算器410可以基于当风扇区段108在操作时风扇区段108的子部件(例如,风扇叶片、轴承等)的预计AHQ来生成风扇区段108的预计AHQ。
在框1018处,示例FAHA 320确定是否选择另一感兴趣的部件进行处理。例如,数据收集引擎400可以确定处理图1的低压涡轮124。如果在框1018处示例FAHA 320确定选择另一感兴趣的部件进行处理,则控制返回到框1006以选择另一感兴趣的部件进行处理,否则示例方法返回到图7的示例的框716以生成报告。
图11是能够执行图7-10的指令以实施图3-5的FAHA 320的示例处理器平台1100的框图。处理器平台1100可以是例如服务器、个人计算机、移动装置(例如,手机、智能手机、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其它类型的计算装置。
图示的示例的处理器平台1100包括处理器1112。图示的示例的处理器1112为硬件。例如,处理器1112可以由来自任何期望系列或制造商的一个或多个集成电路、逻辑电路、微处理器或控制器实施。硬件处理器可以是基于半导体的(例如,硅基)装置。在这个示例中,处理器1112实施图4的示例数据收集引擎400、示例参数跟踪器405、示例健康量化器计算器410、示例建议生成器415和报告生成器420。
图示的示例的处理器1112包括本地存储器1113(例如高速缓存)。图示的示例的处理器1112通过总线1118与主存储器通信,主存储器包括易失性存储器1114和非易失性存储器1116。易失性存储器1114可以由同步动态随机存取存储器(SDRAM)、动态随机存取存储器(DRAM)、RAMBUS动态随机存取存储器(RDRAM)和/或任何其它类型的随机存取存储器装置实现。非易失性存储器1116可以由闪存和/或任何其它期望类型的存储器装置实现。对主存储器1114、1116的访问由存储器控制器控制。
图示的示例的处理器平台1100还包括接口电路1120。接口电路1120可以由任何类型的接口标准实现,例如以太网接口、通用串行总线(USB)和/或外围部件互连标准(PCI)高速接口。
在图示的示例中,一个或多个输入装置1122连接至接口电路1120。输入装置1122允许用户将数据和命令输入到处理器1112中。输入装置可以由例如音频传感器、麦克风、相机(静止或视频)、键盘、按钮、鼠标、触摸屏、跟踪板、跟踪球、等点装置和/或语音识别系统实现。
一个或多个输出装置1124也连接至图示的示例的接口电路1120。输出装置1124可以例如由显示装置(例如发光二极管(LED)、有机发光二极管(OLED)、液晶显示器、阴极射线管显示器(CRT)、触摸屏、触觉输出装置、打印机和/或扬声器)实现。图示的示例的接口电路1120因此一般包括图形驱动器卡、图形驱动器芯片和/或图形驱动器处理器。
图示的示例的接口电路1120还包括通信装置,例如发射器、接收器、收发器、调制解调器和/或网络接口卡,以促进与外部机器(例如任何类型的计算装置)通过网络1126(例如以太网连接、数字用户线路(DSL)、电话线、同轴电缆、蜂窝电话系统等)的数据交换。
图示的示例的处理器平台1100还包括用于存储软件和/或数据的一个或多个大容量存储装置1128。这种大容量存储装置1128的示例包括软盘驱动器、硬盘驱动器、光盘驱动器、蓝光盘驱动器、独立磁盘冗余阵列(RAID)系统和DVD驱动器。
图7-10的编码指令1132可以存储在大容量存储装置1128中,存储在易失性存储器1114中,存储在非易失性存储器1116中和/或存储在例如CD或DVD的可移动的非暂时性计算机可读存储介质上。
从前述内容将了解,已经公开了执行涡轮发动机的预后健康监测的示例方法、装置、系统和制品。由于缺乏对资产相关信息的可见性,执行涡轮发动机的预后健康监测的现有方法受到限制。由于无法将资产管理的不同方面纳入计算资产健康量化器,因此现有方法无法以相对级别的准确度确定何时从维修中移除涡轮发动机。因此,现有方法基于基本时间表、循环计数或基于飞机飞行之前的检查结果来从维修中移除涡轮发动机,其中基于飞机飞行之前的检查结果使飞机操作员更为不便且费用增加。此外,当涡轮发动机由于飞行前的检查结果而突然停止使用时,飞机乘客可能会感到不便。
上文公开的现场资产健康顾问装置利用有限仪器使用涡轮发动机的数字化双胞胎模型等一个或多个模型通过在使用中的资产的部件和子部件来估计诸如涡轮发动机之类的资产的当前健康状态(例如,实际AHQ等)并预报预计健康状态(例如,预计AHQ等)。示例现场资产健康顾问装置可以通过利用跟踪滤波器以提高的准确性估计当前健康状态并预告预计健康状态。
示例现场资产健康顾问设备可以使用跟踪滤波器将从涡轮发动机传感器获得的资产传感器数据与由数字化双胞胎模型生成的模拟资产数据进行比较。示例现场资产健康顾问设备可以使用跟踪滤波器基于比较生成校准的模拟传感器数据。示例现场资产健康顾问设备可以通过基于校准的模拟传感器数据更新数字化双胞胎模型的一个或多个参数优化和/或以其它方式改进数字化双胞胎模型,以生成与涡轮发动机传感器获得的传感器数据相比准确性提高的模拟传感器数据。示例现场资产健康顾问设备可以优化和/或以其它方式改进机翼上的时间或资产操作时间,同时最小化成本和移除时间,但仍然通过基于数字化双胞胎模型的改进准确度计算资产健康量化器而基于资产的预告使用信息实现维修后任务。
示例现场资产健康顾问设备可以在飞机使用时获得与飞机机翼上的涡轮发动机相对应的资产监测信息。示例现场资产健康顾问设备可以基于使用与涡轮发动机相对应的一个或多个计算机生成的模型基于校准的模拟传感器数据生成涡轮发动机的个别部件的实际健康状态而生成(例如,迭代地生成)涡轮发动机的实际健康状态。示例现场资产健康顾问设备可以生成包括识别涡轮发动机是从维修中移除的候选者的工作范围建议的报告,以基于对一个或多个实际健康状态与实际健康状态阈值的比较来对涡轮发动机的一个或多个部件执行维护。涡轮发动机维护提供商可以基于报告将涡轮发动机移出机翼或从维修中移除,在移除的涡轮发动机上进行维护操作,并将涡轮发动机重新部署回服务状态,其中示例现场资产健康顾问设备可以在使用中恢复监测涡轮发动机。另一选择为,示例现场资产健康顾问设备可以确定涡轮发动机是否应保持在机翼上或在使用中。
尽管本文已经公开了某些示例方法、设备、系统和制造品,但本发明的覆盖范围不局限于此。相反,本发明覆盖合理地落入本发明的权利要求的范围内的所有方法、设备、系统和制造品。
Claims (21)
1.一种用于涡轮发动机的设备,其包括:
健康量化器计算器,其用于执行计算机生成的模型以生成所述涡轮发动机的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测所述涡轮发动机的传感器;
参数跟踪器,其用于使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述涡轮发动机的第三传感器数据,所述第二传感器数据是基于从监测所述涡轮发动机的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
所述健康量化器计算器使用所述第三传感器数据执行所述计算机生成的模型以生成所述涡轮发动机的资产健康量化器;以及
建议生成器,其用于在所述资产健康量化器满足阈值时生成工作范围建议以改进所述涡轮发动机的操作。
2.根据权利要求1所述的设备,其特征在于,所述健康量化器计算器用于通过以下操作来确定所述资产健康量化器:
使用成像系统捕捉所述涡轮发动机的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
3.根据权利要求1所述的设备,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述涡轮发动机的数字化双胞胎模型相对应。
4.根据权利要求1所述的设备,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
5.根据权利要求1所述的设备,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
6.根据权利要求5所述的设备,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
7.根据权利要求6所述的设备,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述涡轮发动机在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述涡轮发动机在稳态飞行段之间的过渡中操作相对应。
8.一种用于资产的方法,其包括:
执行计算机生成的模型以生成所述资产的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测所述资产的传感器;
使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述资产的第三传感器数据,所述第二传感器数据是基于从监测所述资产的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
使用所述第三传感器数据执行所述计算机生成的模型以生成所述资产的资产健康量化器;以及
响应于所述资产健康量化器满足阈值,生成工作范围建议以改进所述资产的操作。
9.根据权利要求8所述的方法,其特征在于,生成所述资产健康量化器包括:
使用成像系统捕捉所述资产的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
10.根据权利要求8所述的方法,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述资产的数字化双胞胎模型相对应。
11.根据权利要求8所述的方法,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
12.根据权利要求8所述的方法,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
13.根据权利要求12所述的方法,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
14.根据权利要求13所述的方法,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述资产在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述资产在稳态飞行段之间的过渡中操作相对应。
15.一种非暂时性计算机可读存储介质,其包括指令,所述指令当被执行时使机器至少执行以下操作:
执行计算机生成的模型以生成资产的第一传感器数据,所述第一传感器数据是基于模拟使用资产监测信息监测所述资产的传感器;
使用所述第一传感器数据和第二传感器数据执行跟踪滤波器,以生成对应于所述资产的第三传感器数据,所述第二传感器数据是基于从监测所述资产的传感器获得传感器数据,所述第三传感器数据是基于将所述第一传感器数据与所述第二传感器数据进行比较;
使用所述第三传感器数据执行所述计算机生成的模型以生成所述资产的资产健康量化器;以及
当所述资产健康量化器满足阈值时生成工作范围建议以改进所述资产的操作。
16.根据权利要求15所述的非暂时性计算机可读存储介质,其特征在于,生成所述资产健康量化器包括:
使用成像系统捕捉所述资产的第一图像;
使用对象识别系统将所述第一图像与数据库中的第二图像进行比较;以及
当所述第一图像匹配所述第二图像时确定所述资产健康量化器。
17.根据权利要求15所述的非暂时性计算机可读存储介质,其特征在于,所述计算机生成的模型包括基于物理的模型、随机模型、历史数据模型或混合模型中的至少一个,所述基于物理的模型与所述资产的数字化双胞胎模型相对应。
18.根据权利要求15所述的非暂时性计算机可读存储介质,其特征在于,模拟所述传感器包括模拟芯片检测器传感器、灰尘传感器、流量传感器、位置传感器、压力传感器、速度传感器、温度传感器或振动传感器中的至少一个。
19.根据权利要求15所述的非暂时性计算机可读存储介质,其特征在于,所述跟踪滤波器是经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器或卡尔曼滤波器中的至少一个。
20.根据权利要求19所述的非暂时性计算机可读存储介质,其特征在于,执行所述跟踪滤波器进一步包括选择跟踪滤波器数据,所述跟踪滤波器数据是基于稳态信息或瞬态信息中的至少一个。
21.根据权利要求20所述的非暂时性计算机可读存储介质,其特征在于:
所述第一和所述第二传感器数据中的至少一个是基于所述稳态信息,所述稳态信息与所述资产在稳态飞行段中操作相对应;或
所述第一和所述第二传感器数据中的至少一个是基于所述瞬态信息,所述瞬态信息与所述资产在稳态飞行段之间的过渡中操作相对应。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/809,747 | 2017-11-10 | ||
US15/809,747 US11067592B2 (en) | 2017-11-10 | 2017-11-10 | Methods and apparatus for prognostic health monitoring of a turbine engine |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109765058A CN109765058A (zh) | 2019-05-17 |
CN109765058B true CN109765058B (zh) | 2021-10-22 |
Family
ID=64331618
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811330689.9A Active CN109765058B (zh) | 2017-11-10 | 2018-11-09 | 用于涡轮发动机的设备和方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11067592B2 (zh) |
EP (1) | EP3483686A1 (zh) |
CN (1) | CN109765058B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018113900A1 (de) * | 2018-06-11 | 2019-12-12 | Rolls-Royce Deutschland Ltd & Co Kg | Verfahren zur Bestimmung einer Messgröße und Sensorsystem |
US11713692B2 (en) * | 2018-06-22 | 2023-08-01 | Textron Innovations Inc. | Real time engine inlet barrier filter condition monitor |
CN110631690B (zh) * | 2019-08-29 | 2022-01-14 | 深圳市广宁股份有限公司 | 基于数字孪生的智能振动检测方法及装置 |
US11288900B2 (en) * | 2019-09-05 | 2022-03-29 | GM Global Technology Operations LLC | Method of enhanced component failure diagnosis for suggesting least probable fault |
US11719170B2 (en) * | 2020-02-14 | 2023-08-08 | Gulfstream Aerospace Corporation | Method for monitoring engine health of aircraft |
US11685051B2 (en) | 2020-10-29 | 2023-06-27 | General Electric Company | Systems and methods of servicing equipment |
US11935290B2 (en) * | 2020-10-29 | 2024-03-19 | Oliver Crispin Robotics Limited | Systems and methods of servicing equipment |
US11874653B2 (en) | 2020-10-29 | 2024-01-16 | Oliver Crispin Robotics Limited | Systems and methods of servicing equipment |
US11915531B2 (en) * | 2020-10-29 | 2024-02-27 | General Electric Company | Systems and methods of servicing equipment |
US11938907B2 (en) | 2020-10-29 | 2024-03-26 | Oliver Crispin Robotics Limited | Systems and methods of servicing equipment |
CN112329183A (zh) * | 2020-11-06 | 2021-02-05 | 北京三一智造科技有限公司 | 设备状态数据获取方法、装置、电子设备及存储介质 |
CN115875091B (zh) * | 2021-09-26 | 2024-01-09 | 国能智深控制技术有限公司 | 汽轮机阀门流量特性的监测方法、装置和可读存储介质 |
US20230118411A1 (en) * | 2021-10-18 | 2023-04-20 | General Electric Company | Methods, apparatuses, and storage media to track engine components |
DE102021129764A1 (de) * | 2021-11-15 | 2023-06-01 | MTU Aero Engines AG | Verfahren und Vorrichtung zum Ermitteln eines Einflusses wenigstens eines Triebwerksmoduls auf eine Verschlechterung einer Triebwerksleistung |
US11946421B2 (en) * | 2022-02-10 | 2024-04-02 | General Electric Company | Use of particulate sensor in engine power assurance |
CN114757048B (zh) * | 2022-04-28 | 2023-03-24 | 北京千尧新能源科技开发有限公司 | 一种风机基础的健康状态评估方法、装置、设备和介质 |
US11702954B1 (en) | 2022-05-13 | 2023-07-18 | Pratt & Whitney Canada Corp. | Monitoring engine operation |
CN117150446B (zh) * | 2023-10-30 | 2024-02-09 | 武汉华信数据系统有限公司 | 鼓风机运行状态识别方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2149832A2 (en) * | 2008-07-28 | 2010-02-03 | General Electric Company | Method and systems for monitoring gas turbine engine temperature |
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
EP2495631A2 (en) * | 2011-03-02 | 2012-09-05 | General Electric Company | Method and system for analysis of turbomachinery |
CN102889992A (zh) * | 2011-07-22 | 2013-01-23 | 通用电气公司 | 用于个性化的设备退化预测的基于模型的途径 |
WO2014149112A1 (en) * | 2013-03-15 | 2014-09-25 | Rolls-Royce North American Technologies, Inc. | Model based distributed health monitoring for aircraft engines |
US9458735B1 (en) * | 2015-12-09 | 2016-10-04 | General Electric Company | System and method for performing a visual inspection of a gas turbine engine |
Family Cites Families (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067486A (en) | 1999-02-01 | 2000-05-23 | General Electric Company | Method and system for planning repair of an aircraft engine |
US20080101683A1 (en) * | 1999-12-22 | 2008-05-01 | Siemens Power Generation, Inc. | System and method of evaluating uncoated turbine engine components |
US6832205B1 (en) | 2000-06-30 | 2004-12-14 | General Electric Company | System and method for automatically predicting the timing and costs of service events in a life cycle of a product |
US6871160B2 (en) | 2001-09-08 | 2005-03-22 | Scientific Monitoring Inc. | Intelligent condition-based engine/equipment management system |
US6732040B2 (en) | 2002-02-19 | 2004-05-04 | General Electric Company | Workscope mix analysis for maintenance procedures |
US20060010152A1 (en) | 2004-07-12 | 2006-01-12 | Snecma Services | System and method for managing machine servicing including workscope generation |
US20080172268A1 (en) | 2005-01-13 | 2008-07-17 | Standard Aero (San Antonio), Inc. | System and method of enhancing cost performance of mechanical systems including life-limited parts |
EP1705542B1 (en) * | 2005-03-24 | 2008-08-06 | Abb Research Ltd. | Estimating health parameters or symptoms of a degrading system |
US20100262442A1 (en) | 2006-07-20 | 2010-10-14 | Standard Aero, Inc. | System and method of projecting aircraft maintenance costs |
US20090048730A1 (en) | 2007-08-17 | 2009-02-19 | General Electric Company | Method and system for planning repair of an engine |
US7861578B2 (en) * | 2008-07-29 | 2011-01-04 | General Electric Company | Methods and systems for estimating operating parameters of an engine |
US9477224B2 (en) | 2008-12-12 | 2016-10-25 | General Electric Company | Physics-based lifespan modeling |
GB0917527D0 (en) | 2009-10-07 | 2009-11-25 | Optimized Systems And Solution | Asset management system |
FR2972025B1 (fr) | 2011-02-25 | 2016-03-04 | Snecma | Prevision d'operations de maintenance sur un moteur d'aeronef |
US20130110587A1 (en) | 2011-10-31 | 2013-05-02 | Katherine Tharp Nowicki | Methods and systems for selecting a workscope for a system |
US20130179388A1 (en) * | 2012-01-05 | 2013-07-11 | Anurag Agarwal | Method, System and Program Product for Intelligent Prediction of Industrial Gas Turbine Maintenance Workscope |
-
2017
- 2017-11-10 US US15/809,747 patent/US11067592B2/en active Active
-
2018
- 2018-11-06 EP EP18204633.4A patent/EP3483686A1/en active Pending
- 2018-11-09 CN CN201811330689.9A patent/CN109765058B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2149832A2 (en) * | 2008-07-28 | 2010-02-03 | General Electric Company | Method and systems for monitoring gas turbine engine temperature |
CN101858826A (zh) * | 2009-04-09 | 2010-10-13 | 通用电气公司 | 用于监测涡轮发动机的健康的系统和方法 |
EP2495631A2 (en) * | 2011-03-02 | 2012-09-05 | General Electric Company | Method and system for analysis of turbomachinery |
CN102889992A (zh) * | 2011-07-22 | 2013-01-23 | 通用电气公司 | 用于个性化的设备退化预测的基于模型的途径 |
WO2014149112A1 (en) * | 2013-03-15 | 2014-09-25 | Rolls-Royce North American Technologies, Inc. | Model based distributed health monitoring for aircraft engines |
US9458735B1 (en) * | 2015-12-09 | 2016-10-04 | General Electric Company | System and method for performing a visual inspection of a gas turbine engine |
Also Published As
Publication number | Publication date |
---|---|
CN109765058A (zh) | 2019-05-17 |
US20190146000A1 (en) | 2019-05-16 |
US11067592B2 (en) | 2021-07-20 |
EP3483686A1 (en) | 2019-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109765058B (zh) | 用于涡轮发动机的设备和方法 | |
CN109766566B (zh) | 用以改善涡轮发动机的操作的设备、方法和存储介质 | |
CN110046716B (zh) | 用以生成资产工作范围的系统、方法和存储介质 | |
CN109766567B (zh) | 用以生成涡轮发动机的资产健康量词的设备和方法 | |
CN108733867B (zh) | 用以监测涡轮发动机的健康信息的方法和设备 | |
CN109767025B (zh) | 用以生成优化的工作范围的设备、存储介质和方法 | |
EP3493128A1 (en) | Methods and apparatus to generate an asset workscope operation | |
US9797328B2 (en) | Equipment health monitoring method and system and engine | |
CN108733891B (zh) | 用于预测使用寿命周期和低周期疲劳消耗的系统和方法 | |
US20090048730A1 (en) | Method and system for planning repair of an engine | |
US20180004197A1 (en) | In-Situ Measurement Logging by Wireless Communication Unit for Communicating Engine Data | |
CN108223137B (zh) | 用于确定燃气涡轮发动机机队性能劣化的系统和方法 | |
US9091616B2 (en) | Engine operations support systems and methods for reducing fuel flow | |
CN111240235A (zh) | 从通用模型库自生成特定于发动机的健康监测模型 | |
CN113168313A (zh) | 用于监控飞行器发动机的计算环境系统 | |
Volponi | Gas turbine engine health management: past, present and future trends | |
Silva | Turbofan Engine Behaviour Forecasting using Flight Data and Machine Learning Methods | |
CN114202823A (zh) | 预报用于预测分析的飞行器发动机操作数据的系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |