CN109766566A - 用以改善涡轮发动机的操作的设备、方法和存储介质 - Google Patents
用以改善涡轮发动机的操作的设备、方法和存储介质 Download PDFInfo
- Publication number
- CN109766566A CN109766566A CN201811329664.7A CN201811329664A CN109766566A CN 109766566 A CN109766566 A CN 109766566A CN 201811329664 A CN201811329664 A CN 201811329664A CN 109766566 A CN109766566 A CN 109766566A
- Authority
- CN
- China
- Prior art keywords
- operator
- model
- assets
- engine
- working range
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- 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
- G05B23/0286—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
- 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
- G05B23/0294—Optimizing process, e.g. process efficiency, product quality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05B—INDEXING SCHEME RELATING TO WIND, SPRING, WEIGHT, INERTIA OR LIKE MOTORS, TO MACHINES OR ENGINES FOR LIQUIDS COVERED BY SUBCLASSES F03B, F03D AND F03G
- F05B2260/00—Function
- F05B2260/80—Diagnostics
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及用以改善涡轮发动机的操作的设备、方法、和非暂态计算机可读存储介质。示例设备包括性能模型分析器,用以通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来确定队行为参数、基于计算所述队行为参数和多个运营商行为参数之间的差值来生成残差性能模型、基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标以及为所述候选改善目标确定调整的运营商行为参数。所述示例设备还包括系统更新器,用以更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数,以及任务优化器,用以确定所述涡轮发动机的工作范围。
Description
技术领域
本公开整体涉及涡轮发动机,且更具体地涉及用以生成涡轮发动机的预测性资产健康量词的设备和方法。
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、可靠性和可服务性要求。传统上,维护涡轮发动机会产生高昂的成本。这些成本一般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,替换昂贵的部件或修理复杂的子组件驱动成本。
追求提高涡轮发动机的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一般来讲适当的维修间隔执行典型的维护任务。传统上,随着增强的洞察力的部署,可用性、可靠性和可服务性也会增加。
近年来,许多服务组织的长期合同协议的市场增长率很高。随着服务组织与他们的客户建立长期合同协议,了解包括产品、服务和/或其他项目结果的预期工作范围(scopeof work,也称为workscope)变得重要。此外,服务组织需要了解修理计划(例如,车间工作负荷和/或工作范围计划)以及部件的维护将如何影响对其包括时间、成本、风险等的服务合同的管理。
附图说明
图1示出了其中可以实现本文公开的示例的可以用在飞行器内的示例燃气涡轮发动机。
图2是其中示例资产工作范围生成系统监视图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现方式的框图。
图4是示例工作范围效果计算器设备的示例实现方式的框图。
图5是其中可以使用图1的涡轮发动机的示例飞行段的示意图。
图6A是示例性能参考模型的示意图。
图6B是与运营商行为相对应的示例回归参考模型随第一示例严重性因子、第二示例严重性因子和第三示例严重性因子的变化而变化的示意图。
图6C是用以识别改善运营商行为的机会的示例残差模型的示意图。
图6D是示例资产健康量词(AHQ)性能模型的示意图。
图7是包括优化和/或以其他方式改善运营商资产行为的推荐的示例警报仪表板。
图8A是在翼时间严重性模型生成系统的示例。
图8B是示例队级模型的示意图。
图9是将在翼时间的AHQ映射到AHQ严重性因子输入的示例资产部件级严重性模型的示意图。
图10是由图3至图4的工作范围效果计算器实现通过调整运营商行为优化和/或以其他方式改善运营商资产行为的示例推荐的示例效果的示意图。
图11至图13是表示可由图2至图3的示例资产工作范围生成系统和/或图3至图4的示例工作范围效果计算器设备执行以实现本文公开的示例的示例方法的流程图。
图14是被构造成执行机器可读指令以实现图11至图13的方法和/或图3至图4的示例工作范围效果计算器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,在全部附图和伴随的书面描述中将使用相同的附图标记,来指代相同或相似部分。
发明内容
公开了用以生成涡轮发动机的预测性资产健康量词的方法、设备、系统和制品。
某些示例提供一种示例设备,用以生成涡轮发动机的预测性资产健康量词。示例设备包括性能模型分析器,用以通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数、基于计算队行为参数和与队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型、基于将与运营商相对应的运营商行为参数与残差性能模型中的队进行比较来将运营商识别为候选改善目标以及为候选改善目标确定调整的运营商行为参数。示例设备还包括系统更新器,用以更新基于计算机的模型以用调整的运营商行为参数替换运营商行为参数以计算候选改善目标所操作的涡轮发动机的资产健康量词,以及任务优化器,用以基于使用调整的运营商行为参数计算资产健康量词来确定涡轮发动机的工作范围,所述工作范围要对涡轮发动机执行、以改善涡轮发动机的操作。
某些示例提供一种示例方法,用以生成涡轮发动机的预测性资产健康量词。示例方法包括通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数、基于计算队行为参数和与队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型、基于将与运营商相对应的运营商行为参数与残差性能模型中的队进行比较来将运营商识别为候选改善目标以及为候选改善目标确定调整的运营商行为参数。示例方法还包括更新基于计算机的模型以用调整的运营商行为参数替换运营商行为参数以计算候选改善目标所操作的涡轮发动机的资产健康量词、基于使用调整的运营商行为参数计算资产健康量词来确定涡轮发动机的工作范围以及对涡轮发动机执行工作范围以改善涡轮发动机的操作。
某些示例提供一种包括指令的示例非暂态计算机可读存储介质,所述指令在被执行时使机器至少生成涡轮发动机的预测性资产健康量词。示例指令在被执行时使机器至少通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数、基于计算队行为参数和与队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型、基于将与运营商相对应的运营商行为参数与残差性能模型中的队进行比较来将运营商识别为候选改善目标以及为候选改善目标确定调整的运营商行为参数。示例指令还使机器至少更新基于计算机的模型以用调整的运营商行为参数替换运营商行为参数以计算候选改善目标所操作的涡轮发动机的资产健康量词以及基于使用调整的运营商行为参数计算资产健康量词来确定涡轮发动机的工作范围,所述工作范围要对涡轮发动机执行、以改善涡轮发动机的操作。
本发明的方面、特征和效果也可以体现在后述技术方案,其中技术方案1涉及一种设备,其包括:
性能模型分析器,用以:
通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数;
基于计算所述队行为参数和与所述队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型;
基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标;以及
为所述候选改善目标确定调整的运营商行为参数;
系统更新器,用以更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数以计算所述候选改善目标所操作的涡轮发动机的资产健康量词;以及
任务优化器,用以基于使用所述调整的运营商行为参数计算所述资产健康量词来确定所述涡轮发动机的工作范围,所述工作范围要对所述涡轮发动机执行、以改善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,其中所述队行为参数、所述运营商行为参数和所述调整的运营商行为参数是发动机减速参数或涡轮发动机锥度计划表。
技术方案3涉及根据技术方案1所述的设备,其中所述发动机性能特征是飞行器重量、机场标高、环境温度或大气颗粒物中的至少一个。
技术方案4涉及根据技术方案1所述的设备,其中所述参考性能模型是包括所述队行为参数到所述发动机性能特征的映射的多变量回归模型。
技术方案5涉及根据技术方案1所述的设备,其还包括所述性能模型分析器,用以:
通过使用所述队的模拟运营商行为参数生成基于物理的参考模型来根据所述发动机性能特征确定所述队行为参数;以及
基于计算所述队行为参数和所述队的运营商行为参数之间的差值来生成所述残差性能模型。
技术方案6涉及根据技术方案5所述的设备,其中所述模拟运营商行为参数是使用涡轮发动机的数字孪生模型计算的。
技术方案7涉及根据技术方案1所述的设备,其还包括所述性能模型分析器,用以生成警报仪表板,所述警报仪表板包括与所述队的所述运营商行为参数相对应的趋势信息。
技术方案8涉及一种方法,其包括:
通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数;
基于计算所述队行为参数和与所述队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型;
基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标;
为所述候选改善目标确定调整的运营商行为参数;
更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数以计算所述候选改善目标所操作的涡轮发动机的资产健康量词;
基于使用所述调整的运营商行为参数计算所述资产健康量词来确定所述涡轮发动机的工作范围;以及
对所述涡轮发动机执行所述工作范围以改善所述涡轮发动机的操作。
技术方案9涉及根据技术方案8所述的方法,其中所述队行为参数、所述运营商行为参数和所述调整的运营商行为参数是发动机减速参数或涡轮发动机锥度计划表。
技术方案10涉及根据技术方案8所述的方法,其中所述发动机性能特征是飞行器重量、机场标高、环境温度或大气颗粒物中的至少一个。
技术方案11涉及根据技术方案8所述的方法,其中所述参考性能模型是包括所述队行为参数到所述发动机性能特征的映射的线性回归模型。
技术方案12涉及根据技术方案8所述的方法,其还包括:
通过使用所述队的模拟运营商行为参数生成基于物理的参考模型来根据所述发动机性能特征确定所述队行为参数;以及
基于计算所述队行为参数和所述队的运营商行为参数之间的差值来生成所述残差性能模型。
技术方案13涉及根据技术方案12所述的方法,其中所述模拟运营商行为参数是使用所述队中所包括的涡轮发动机的数字孪生模型计算的。
技术方案14涉及根据技术方案8所述的方法,其还包括生成警报仪表板,所述警报仪表板包括与所述队的所述运营商行为参数相对应的趋势信息。
技术方案15涉及一种包括指令的非暂态计算机可读存储介质,所述指令在执行时使得机器至少:
通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据资产性能特征确定队行为参数;
基于计算所述队行为参数和与所述队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型;
基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标;
为所述候选改善目标确定调整的运营商行为参数;
更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数以计算所述候选改善目标所操作的涡轮发动机的资产健康量词;以及
基于使用所述调整的运营商行为参数计算所述资产健康量词来确定所述涡轮发动机的工作范围,所述工作范围要对所述涡轮发动机执行、以改善所述涡轮发动机的操作。
技术方案16涉及根据技术方案15所述的非暂态计算机可读存储介质,其中所述队行为参数、所述运营商行为参数和所述调整的运营商行为参数是发动机减速参数或涡轮发动机锥度计划表。
技术方案17涉及根据技术方案15所述的非暂态计算机可读存储介质,其中所述发动机性能特征是飞行器重量、机场标高、环境温度或大气颗粒物中的至少一个。
技术方案18涉及根据技术方案15所述的非暂态计算机可读存储介质,其中所述参考性能模型是包括所述队行为参数到所述发动机性能特征的映射的线性回归模型。
技术方案19涉及根据技术方案15所述的非暂态计算机可读存储介质,其还包括指令,所述指令在执行时使得所述机器至少:
通过使用所述队的模拟运营商行为参数生成基于物理的参考模型来根据所述发动机性能特征确定所述队行为参数;以及
基于计算所述队行为参数和所述队的运营商行为参数之间的差值来生成所述残差性能模型。
技术方案20涉及根据技术方案19所述的非暂态计算机可读存储介质,其中所述模拟运营商行为参数是使用所述队中所包括的涡轮发动机的数字孪生模型计算的。
技术方案21涉及根据技术方案15所述的非暂态计算机可读存储介质,其还包括指令,所述指令在执行时使得所述机器至少生成警报仪表板,所述警报仪表板包括与所述队的所述运营商行为参数相对应的趋势信息。
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,以说明方式来展示可实践的具体示例。足够详细地描述这些示例,使得本领域技术人员能够实践所述主题,要理解可使用其他示例。因此,提供以下详细描述来描述示例性实施方式,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。
当介绍本公开的各种实施方案的元件时,冠词“一个”、“一种”、“该”和“所述”意图表示这些元件有一个或多个。术语“包括”和“具有”等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。
如本文所用的术语“系统”、“单元”、“模块”、“发动机”、“部件”等可以包括用来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/或根据存储于有形和非暂时性计算机可读存储介质例如计算机存储器上的指令来执行操作的其他基于逻辑的装置。替代地,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/或系统可以表示基于软件或硬接线指令而操作的硬件、指导硬件执行操作的软件或它们的组合。
涡轮发动机,也称为燃气涡轮或气体涡轮,是一种内燃机。涡轮发动机通常用于飞行器和发电应用中。如本文所用,术语“资产”、“飞行器涡轮发动机”、“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通过涡轮发动机的具有风扇的前部吸入新鲜的大气空气流。在一些示例中,气流行进通过位于风扇和高压压缩机之间的中压压缩机或升压压缩机。升压压缩机用于在空气流进入高压压缩机之前对空气流的压力增压或升压。空气流然后可以行进通过高压压缩机,该高压压缩机进一步对空气流加压。高压压缩机包括附接到轴的一组叶片。叶片以高速转动,且随后压缩空气流。高压压缩机然后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,该一个或多个燃料喷射器环将稳定的燃料流喷射到燃烧室中,在那里燃料与加压空气流混合。
在涡轮发动机的燃烧室中,燃料用点火器提供的电火花点燃,其中在一些示例中,燃料以高于2000华氏度的温度燃烧。所形成的燃烧产生高温高压气体流(例如,热的燃烧气体),该高温高压气体流通过称为涡轮的另一组叶片。涡轮包括交替的旋转翼型截面叶片和静止翼型截面叶片的复杂阵列。当热的燃烧气体通过涡轮时,热的燃烧气体膨胀,导致旋转叶片转动。旋转叶片用于至少两个目的。旋转叶片的第一目的是驱动升压压缩机和/或高压压缩机以将更多的加压空气抽入燃烧室。例如,涡轮以直接驱动配置附接到与高压压缩机相同的轴,因此,涡轮的转动使得高压压缩机转动。旋转叶片的第二目的是转动操作地联接到涡轮段的发电机以产生电力。例如,涡轮可以生成电力以供飞行器、发电站等使用。
在飞行器涡轮发动机的示例中,热的燃烧气体在通过涡轮之后,通过在飞行器涡轮发动机的后部的喷嘴离开飞行器涡轮发动机。当热的燃烧气体离开喷嘴时,飞行器涡轮发动机和联接到飞行器涡轮发动机的对应的飞行器向前加速(例如,向前推进)。在陆基涡轮发动机的示例中,热的燃烧气体在通过涡轮之后被耗散、被用于生成蒸汽等。
涡轮发动机(例如,飞行器涡轮发动机)通常包括要操作的部件(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),诸如风扇(例如,风扇段)、升压压缩机、高压压缩机、高压涡轮和低压涡轮。所述部件可能由于诸如极端温度和振动的苛刻的运行条件而随时间退化。在某些情况下,碎屑或其他物体经由风扇进入涡轮发动机并对一个或多个部件造成损坏。可以实施例行维护间隔和维修检查以检查退化和/或损坏。然而,在一些情况下,使涡轮发动机离线或脱翼以执行维护包括使诸如飞行器的整个系统离线。除了过早替换昂贵的部件外,飞行器空操作还会产生额外的成本,如收益损失、劳动力成本等。监视部件的退化可以为维护人员在必要时替换涡轮发动机的部件提供可执行信息,以基于合同资源和/或维护资源等最优地调度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),用以将现场数据、统计分析工具、基于工程物理的模型、与预测的使命要求结合的预测模拟器等相组合以便为诸如涡轮发动机的资产形成推荐的模块工作范围和执行推荐的模块工作范围的时机以满足客户合同和现场人员的期望。如本文所用,术语“工作范围”是指由维护人员执行以改善资产的运行条件的一组任务(例如,一个或多个维护任务、维修任务等),其中运行条件是基于诸如合同要求、环境要求、规则要求、利用要求等的要求和/或它们的组合确定的。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视信息。如本文所用,术语资产监视信息是指与一个或多个资产相对应的信息,诸如资产传感器信息、资产环境信息、资产利用信息、资产配置信息、资产历史信息、资产类别历史信息、资产工作范围量词等。
在一些示例中,AWGS基于资产健康量词的计算来识别要从服务中移除(例如,从飞行器移除、从设施移除、从使用中移除等)的目标资产。如本文所用,术语“资产健康量词”是指与资产、资产部件等的健康状态、操作状态等相对应的数字表示。例如,资产健康量词可以由剩余使用寿命的百分比、飞行周期的数量(例如,执行维修前要执行的飞行周期的数量等)、在翼时间(TOW)小时数(例如,执行维修前的在翼时间小时数等)等表示。例如,涡轮发动机升压压缩机的75%的资产健康量词可以对应于升压压缩机剩余75%的使用寿命,然后升压压缩机可能变得无响应或需要维护动作。在另一示例中,涡轮发动机风扇段的500个周期的资产健康量词可以对应于涡轮发动机风扇段执行500个周期,然后可以维修风扇段以满足合同要求。
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/或它们的组合以生成资产、资产部件、资产模块等的实际资产健康量词。在一些示例中,AWGS可以基于资产的预测的使命要求(例如,预测的合同要求、预测的环境信息等)生成预计的资产健康量词。
在一些示例中,AWGS可以基于一个或多个资产健康量词(例如,实际资产健康量词、预计资产健康量词等)与阈值的比较来识别要移除的一个或多个目标资产,确定一个或更多资产健康量词是否满足阈值,并基于该比较识别要移除的一个或多个目标资产。
在一些示例中,AWGS为目标资产生成工作范围任务。例如,AWGS可以识别用以对涡轮发动机的风扇段(例如,一个或多个风扇叶片等)执行维护的一组任务(例如,维护任务、维修任务等)。例如,AWGS可以识别与该组任务中的每个任务相对应的维护成本。例如,AWGS可以基于执行维护任务的维护人员的数量和对应工时、执行维护任务的部件的数量(例如,替换零件、备用零件、车间供应的零件等和/或它们的组合的数量)、部件中的每一个的货币成本等来计算成本。
在一些示例中,AWGS基于目标资产的生成的工作范围任务来优化和/或以其他方式改善工作范围。例如,AWGS可以生成多个工作范围,其中每个工作范围包括生成的工作范围任务中的一个或多个的组合。示例AWGS可以基于响应于执行对目标资产的具体工作范围而估计目标资产的资产健康量词可能是什么来计算目标资产的估计资产健康量词。示例AWGS可以计算生成的工作范围中的每一个的估计资产健康量词。示例AWGS可以基于一个或多个因子,诸如计算的估计资产健康量词与合同要求、客户要求、操作约束等的比较和/或它们的组合的比较,来识别目标资产的工作范围。
在一些示例中,AWGS基于目标资产的第一资产健康量词与目标资产的第二资产健康量词的比较来计算工作范围量词。例如,第一资产健康量词可以是在对目标资产的工作范围完成之前,目标资产的资产健康量词(例如,实际资产健康量词、预计资产健康量词等)。第二资产健康量词可以是在对目标资产的工作范围完成之后,目标资产的资产健康量词(例如,实际资产健康量词、预计资产健康量词等)。例如,AWGS可以通过计算第一资产健康量词和第二资产健康量词之间的差来计算工作范围量词。
在一些示例中,AWGS可以将工作范围量词与工作范围量词阈值进行比较,并基于该比较确定工作范围量词阈值是否已得到满足。在一些示例中,AWGS可以响应于工作范围量词阈值得到满足来修改AWGS的一个或多个部件。例如,AWGS可以响应于工作范围量词阈值得到满足来更新一个或多个模型、与维护任务相对应的一个或多个参数,改善优化参数以评估生成的工作范围等和/或它们的组合。虽然已经就发动机,诸如涡轮发动机、柴油发动机等,而言示出了本文所述的示例资产,但本文公开和描述的系统和方法也可适用以诸如以下资产:风力涡轮机、增材打印机、机车发动机、健康成像设备如计算机断层扫描仪等或任何其他类型的机械、电气或机电装置。除此之外或替代地,本文公开和描述的系统和方法还可适用于具有以下模块化元件的任何资产:所述模块化元件需要维护计划且在诸如对应于备用资产管理的合同约束的需求约束内调度移除。
本文公开的示例包括工作范围效果计算器(WEC)设备,用以生成涡轮发动机的预测性资产健康量词。在一些示例中,WEC设备识别改善与涡轮发动机的操作相对应的运营商行为的先行指标信号或趋势。如本文所用,术语“运营商”是指一个或多个涡轮发动机(例如,飞行器涡轮发动机、陆基涡轮发动机等)的管理者、所有者、使用者等。例如,运营商可以是航空公司运营商。替代地,运营商可以是风力涡轮运营商。
如本文所用,术语“运营商行为”和“运营商资产行为”可互换使用,并且是指与运营商在操作中如何部署和/或以其他方式使用资产相对应的量词。例如,运营商资产行为可以指航空公司运营商在涡轮发动机在飞行周期中的爬升飞行段中运行使用涡轮发动机的爬升减速参数。在另一示例中,运营商资产行为可以指陆基涡轮发动机运营商在具有特定环境温度、标高、大气颗粒物暴露(例如,机场环境中存在的粉尘量等)等的环境中运行涡轮发动机的使用涡轮发动机的减速参数。如本文所用,术语“减速”是指涡轮发动机在低于涡轮发动机的额定最大容量时的操作,以延长涡轮发动机的使用寿命、降低涡轮发动机的维护成本等。例如,20%的减速值可以指涡轮发动机以涡轮发动机的最大容量的80%运行。
在一些示例中,WEC设备获得资产监视信息以确定涡轮发动机在工作周期(例如,航空公司飞行周期、陆基操作燃气涡轮的工作周期等)期间的减速值。在一些示例中,WEC设备获得资产监视信息以确定涡轮发动机在特定飞行阶段期间的减速值。如本文所用,术语“飞行段”或“飞行阶段”可互换使用,并且是指在飞行器飞行周期或飞行器运行周期中涡轮发动机在安装在飞行器上时运行的点。例如,飞行阶段可以是停放阶段(例如,飞行器停放在登机门处等)、滑行阶段(例如,飞行器滑行到跑道起飞等)、起飞阶段、爬升阶段、巡航阶段、下降阶段、进场阶段、着陆阶段等。
在一些示例中,WEC设备用作基于减速参数的评估而识别运营商行为(例如,减速行为、起飞减速行为等)的转变的早期警告系统,所述运营商行为(例如,减速行为、起飞减速行为等)的转变导致在翼时间减少且维护成本升高。例如,WEC设备可以确定运营商在执行诸如起飞或爬升的飞行器操作时,正在使用非优化的和/或以其他方式不利的减速参数值。在一些示例中,WEC设备基于资产监视信息确定涡轮发动机的一个或多个减速参数。例如,WEC设备可以基于来自涡轮发动机控制器的信息、来自飞行器控制系统的信息等的获得来确定起飞减速参数、爬升减速参数等的值。示例WEC设备可以分析减速参数以在考虑到运营商度量(例如,燃料消耗、使命时间等)的同时,识别TOW增大、涡轮发动机维护成本降低等的机会。
在一些示例中,WEC设备通过将资产监视信息(例如,资产传感器数据等)与从执行一个或多个模型(例如,基于物理的模型、队平均回归模型、历史趋势模型等)获得的数据进行比较以及基于该比较识别特定发动机和/或运营商的偏差而识别先行指标来生成预测性资产健康量词。例如,WEC设备可以执行涡轮发动机的基于物理的模型以根据运营商行为(例如,减速行为、起飞减速行为等)和飞行器重量来确定涡轮发动机的资产健康量词以预测涡轮发动机的预期维护成本、估计涡轮发动机健康等。在一些示例中,当历史数据不可用时,基于物理的模型用于模拟新的资产。在一些示例中,当历史数据可能不包括与可以改变资产的性能、AHQ等的新的或升级的资产部件相对应的数据时,基于物理的模型用于模拟包括新的或升级的资产部件的现有资产。
在一些示例中,WEC设备基于偏差生成资产和/或资产部件性能和严重性模型。例如,WEC设备可以将严重性因子(例如,环境因子、运行因子等)的影响转换为驱动资产和/或资产部件的维护操作的资产和/或资产部件健康因子。在一些示例中,WEC设备使用基于物理的模型、历史信息等来生成性能模型。在一些示例中,WEC设备基于运营商拥有的资产或资产集合的第一资产健康量词与针对多个其他运营商所计算的多个资产健康量词的比较来生成性能模型。例如,WEC设备可以比较运营商拥有的资产的排气路径温度(EGT)变化率值,并将EGT变化率值与针对其他运营商所计算的EGT变化率值进行比较,以识别供运营商改善的机会。
在一些示例中,WEC设备使用历史信息生成严重性模型。例如,WEC设备可以根据TOW和环境或运行条件生成资产部件的资产健康量词。例如,WEC设备可以生成将诸如高压涡轮的资产部件的TOW映射到针对其中资产运行的区域的严重性因子输入(例如,环境温度、大气颗粒物暴露等)的严重性模型。在一些示例中,WEC设备包括每一涡轮发动机多个严重性模型,该多个严重性模型实现故障模式(例如,潜在的故障模式等)之间的竞争的量化(例如,精确的量化、改善的量化等),作为维护成本模型中的涡轮发动机运行条件的函数(例如,与高压压缩机相比,升压压缩机对环境温度显示出更高的敏感性等)。例如,WEC设备可以生成将资产的高压压缩机、高压涡轮喷嘴、低压涡轮喷嘴等的TOW映射到针对其中资产运行的区域的起飞温度(例如,平均起飞温度、峰值起飞温度等)、爬升温度(例如,平均爬升温度、峰值爬升温度等)等的严重性模型。
在一些示例中,WEC设备生成优化和/或以其他方式改善与资产安装在飞行器上时的减速参数相对应的运营商行为的推荐。例如,WEC设备可以基于性能模型、严重性模型等和/或它们的组合将运营商识别为候选改善目标。例如,WEC设备可以识别要改善的运营商并生成调整运营商行为以增大TOW和/或改善涡轮发动机性能的推荐。例如,WEC设备可以生成在安装在飞行器上时改变资产的爬升时间、锥度计划表(taper schedule)、减速参数等的推荐。在一些示例中,WEC设备生成包括推荐的报告。例如,WEC设备可以生成包括诸如调整发动机减速参数、调整锥度计划表等的候选改善计划的报告。在一些示例中,WEC设备生成警报仪表板(例如,报告中的警报仪表板、基于web的软件应用程序中的警报仪表板等),为运营商指示改善资产的TOW并降低维护成本的改善区域。
在一些示例中,WEC设备可以指导AWGS修改AWGS的一个或多个部件以基于运营商行为优化和/或以其他方式改善工作范围推荐。例如,WEC设备可以指导AWGS更新一个或多个模型、与维护任务相对应的一个或多个参数,改善优化参数以评估生成的工作范围等和/或它们的组合,以满足当前运营商行为(例如,即时运营商行为、观察到的运营商行为等)、预测的运营商行为等。例如,WEC设备可以指导AWGS将基于物理的模型更新为基于运营商使用的起飞减速参数。在此示例中,AWGS可以基于起飞减速参数和/或运营商使用的其他重要操作参数来生成运营商拥有的资产的资产健康参数以生成改善的工作范围推荐。
在一些示例中,WEC设备可以指导AWGS修改AWGS的一个或多个部件以基于工作范围前资产相关数据(例如,资产健康量词、资产监视信息、检查结果等)与工作范围后资产相关数据的比较来优化和/或以其他方式改善工作范围推荐。例如,WEC设备可以将对资产的工作范围完成之前的资产的第一资产健康量词(例如,当资产安装在飞行器上、从服务中移除但在完成检查之前等)与对资产的工作范围完成之后的资产的第二资产健康量词进行比较。
例如,WEC设备可以基于工作范围前资产健康量词和工作范围后资产健康量词之间的差的计算来计算工作范围量词。例如,WEC设备可用于基于工作范围量词来优化和/或以其他方式改善AWGS的涡轮发动机维护管理推荐的可预测性。例如,WEC设备可以基于工作范围量词与工作范围量词阈值的比较以及基于该比较对工作范围量词阈值是否已得到满足的确定来指导AWGS的一个或多个部件的修改。例如,WEC设备可以指导AWGS基于工作范围量词满足工作范围量词阈值来更新一个或多个模型、与维护任务相对应的一个或多个参数,改善优化参数以评估生成的工作范围等和/或它们的组合。
图1是监视示例燃气涡轮发动机102的示例涡轮发动机控制器100的示意图。在所示示例中,涡轮发动机控制器100是全权数字发动机控制(FADEC)单元。例如,涡轮发动机控制器100可以包括闭环控制模块,用于基于发动机输入(例如,飞行员命令、飞行器控制系统命令等)向发动机102生成控制输入(例如,推力命令、减速参数等)。替代地,涡轮发动机控制器100可以是任何其他类型的数据采集和/或控制计算装置。图1示出了根据所公开示例的各方面的可用在飞行器内的发动机102的剖视图。为了参考的目的,燃气涡轮发动机102被示出为具有延伸贯穿燃气涡轮发动机102的纵向或轴向中心线轴线104。一般来讲,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段108。核心燃气涡轮发动机106一般可以包括限定环形入口112的大体管状外壳110。另外,外壳110还可封装和支撑升压压缩机114以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水平。高压多级轴流式压缩机116然后可以接收来自升压压缩机114的加压空气并进一步使此类空气的压力增加到第二压力水平。替代地,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向离心压缩机。
在图1的所示示例中,离开高压压缩机116的加压空气然后可以流到燃烧室118,在所述燃烧室内,燃料喷射到加压空气流中,其中所得混合物在燃烧室118内燃烧。高能燃烧产物被从燃烧室118沿着发动机102的热气体路径导向到第一(高压)涡轮120以经由第一(高压)驱动轴122驱动高压压缩机116,然后被导向到第二(低压)涡轮124以经由通常与第一驱动轴122同轴的第二(低压)驱动轴126驱动升压压缩机114和风扇段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气喷嘴128从核心燃气涡轮发动机106排出以提供推进喷气推力。
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,其中每个级都包括环形固定压缩机叶片(vane)阵列和紧邻压缩机叶片的下游定位的环形旋转压缩机叶片(blade)阵列两者。类似地,涡轮120、124中的每一个可以包括多个涡轮级,其中每个级都包括环形固定喷嘴叶片阵列和紧邻喷嘴叶片的下游定位的环形旋转涡轮叶片阵列两者。
另外,如图1所示,发动机102的风扇段108一般可以包括可旋转轴流式风扇转子组件130,该风扇转子组件被构造成被环形风扇壳体132包围。风扇壳体132可被构造成由多个大体径向延伸的、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进行支撑。因而,风扇壳体132可封装风扇转子组件130和其对应的风扇转子叶片136。此外,风扇壳体132的下游段138可延伸跨越核心燃气涡轮发动机106的外部部分,以限定提供附加推进喷气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直接联接到风扇转子组件130,以提供直接驱动构型。替代地,第二驱动轴126可经由减速装置142(例如,减速齿轮或齿轮箱)联接到风扇转子组件130,以提供间接驱动或齿轮传动构型。此一个或多个减速装置还可根据需要或要求设置在发动机102内的任何其他适合的轴和/或卷轴之间。
在图1的所示示例中,发动机102包括通信地联接到涡轮发动机控制器100的传感器144、146。替代地,传感器144、146可以通信地联接到飞行器的与发动机102联接的控制系统,其中控制系统通信地联接到示例涡轮发动机控制器100。在所示示例中,传感器144、146是气路温度传感器(例如,排气路径温度传感器等)。例如,传感器144、146可以监视压缩机入口温度和离开高压涡轮120的气体的温度。替代地,传感器144、146可以是检屑器传感器(例如,磁性检屑器传感器等)、灰尘传感器、流量传感器、气路压力传感器、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。尽管传感器144、146在图1中被描绘为处于特定位置,但传感器144、146可以位于发动机102上的其他位置。除此之外或替代地,可以存在多于两个位于发动机102上的传感器144、146。典型的实现方式具有六个气路温度传感器144、146。除此之外或替代地,可以存在多于一个联接到发动机102的示例涡轮发动机控制器100。尽管示例涡轮发动机控制器100在图1中被描绘为靠近风扇段108,但涡轮发动机控制器100可以位于发动机102上的其他位置或者联接到发动机102的飞行器上的其他位置。
在发动机102的操作期间,初始气流(由箭头148指示)可以通过风扇壳体132的相关联入口150进入发动机102。气流148然后通过风扇叶片136并且分成移动通过导管140的第一压缩空气流(由箭头152指示)和进入升压压缩机114的第二压缩空气流(由箭头154指示)。第二压缩空气流154的压力然后增大并且进入高压压缩机116(如由箭头156指示)。在与燃料混合且在燃烧室118内燃烧之后,燃烧产物158离开燃烧室118并流过第一涡轮120。此后,燃烧产物158流过第二涡轮124并离开排气喷嘴128以提供对发动机102的推力。
图2是用于图1的燃气涡轮发动机102的示例资产监视系统200的示意图。在图2的所示示例中,图1的传感器144、146经由传感器连接210通信地联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,压力、温度、转子的速度等)以监视燃气涡轮发动机102的操作。传感器连接210可包括直接有线连接或直接无线连接。例如,直接有线连接可以涉及使用了将传感器连接到涡轮发动机控制器100的线束中的线或诸如发动机区域分布式互连网络(EADIN)总线的总线的直接连接。在另一示例中,直接无线连接可以实现连接、Wi-Fi 连接或任何其他无线通信协议。图2中还示出了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的所示示例中,示例涡轮发动机控制器100被示出为经由AWGS直接连接230通信地联接到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,诸如飞行数据(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可以是直接有线连接或直接无线连接。例如,AWGS 220可以经由从涡轮发动机控制器100手动下载数据到诸如膝上型电脑、服务器等的计算装置随后上传到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)。替代地,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是收集和处理发动机102的资产信息的服务器。替代地或除此之外,示例AWGS 220可以是膝上型电脑、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,AWGS 220可以基于高压压缩机116的资产健康量词与对应于高压压缩机116的资产健康量词阈值的比较、合同中指定的时间间隔的消逝等来确定图1的高压压缩机116需要水洗。
替代地或除此之外,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来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可以是直接有线连接或直接无线连接。例如,涡轮发动机控制器100可以将资产信息传输到飞行器的联接到发动机102的控制系统。随后,飞行器控制系统可以将资产信息经由网络240(例如,经由AWGS网络连接250、无线通信链路270等)传输到示例AWGS 220。
图2的所示示例的示例网络240为互联网。然而,示例网络240可以使用任何一个或多个合适的有线和/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。如本文所用,短语“在通信中”(包括变体)因此包括通过一个或多个中间部件进行的直接通信和/或间接通信,并且不需要直接物理(例如,有线)通信和/或持续通信,而是包括以周期性和/或非周期性间隔的选择性通信以及一次性事件。
在一些示例中,涡轮发动机控制器100不能将资产信息经由AWGS直接连接230、AWGS网络连接250等传输到AWGS 220。例如,AWGS 220上游的路由装置可以停止向AWGS 220提供功能路由能力。在所示示例中,涡轮发动机健康监视系统200包括实现AWGS 220和网络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、空中无线电通信系统、飞行器通信寻址与报告系统(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为蜂窝通信链路。然而,除此之外或替代地,可以使用任何其他方法和/或通信系统,诸如以太网连接、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,可以使用任何其他用于通信的系统和/或协议,诸如时分多址(TDMA)、码分多址(CDMA)、全球微波接入互操作(WiMAX)、长期演进(LTE)等。
图3是图2的示例AWGS 220的示例实现方式的框图。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、示例现场资产健康咨询器(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,用于识别要移除的目标资产诸如图1的发动机102,以执行改善目标资产的运行条件的任务。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)来计算资产的实际资产健康量词(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对资产的检查来获得输入。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至图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来计算预计AHQ。例如,资产健康计算器300可以在发动机102完成指定数量的周期(例如,飞行周期、操作周期等)之后估计发动机102的运行条件。例如,资产健康计算器300可以通过在指定数量的飞行周期内执行发动机102的数字孪生模型来模拟发动机102完成指定数量的飞行周期。如本文所用,术语“飞行周期”是指由资产执行的飞行器飞行的完整操作周期,包括起飞操作和着陆操作。
在一些示例中,资产健康计算器300基于实际AHQ与实际AHQ阈值的比较以及基于该比较对要移除的目标资产的识别来识别要移除的目标资产。在一些示例中,资产健康计算器基于预计AHQ与预计AHQ阈值的比较以及基于该比较对要移除的目标资产的识别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基于诸如合同要求、维护资源、备用零件库存等的要求和/或它们的组合来生成一个或多个目标资产的移除计划表。
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,其在得到满足时对应于资产、资产部件等被识别为要移除的候选者以执行维护、维修等。例如,资产健康计算器300可以将图1的升压压缩机114的剩余50个周期(例如,飞行周期、飞行操作等)的实际AHQ(例如,直到可以执行维修、直到资产部件脱翼等)与剩余100个周期的实际AHQ阈值进行比较并基于实际AHQ小于实际AHQ阈值而将图1的升压压缩机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的升压压缩机114的剩余200小时操作的实际AHQ与剩余250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的升压压缩机114识别为要移除的候选者。例如,可以基于合同要求、先前修理的资产和/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,用以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的升压压缩机114的AHQ等。在一些示例中,任务生成器305基于AHQ与AHQ阈值的比较以及基于该比较对资产部件的识别来识别要处理的资产部件。例如,任务生成器305可以将升压压缩机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阈值而将升压压缩机114识别为要替换。
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(例如,合同规定当实际AHQ低于200个周期时,必须维修升压压缩机)来将升压压缩机114的100个周期的实际AHQ与升压压缩机114的200个周期的实际AHQ阈值进行比较。在此示例中,任务生成器305可以基于实际AHQ小于实际AHQ阈值来识别要处理的升压压缩机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来确定该组任务。例如,任务生成器305可以用所识别的要处理的部件(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,该任务列表可以针对列表中的每个任务的对应的成本(例如,人工成本、货币成本等)、备用零件、工具等执行。
在图3的所示示例中,AWGS 220包括任务优化器310,用以基于生成的目标资产的工作范围任务和模型输入335来识别目标资产的优化的工作范围。例如,任务优化器310可以生成多个工作范围,其中每个工作范围都包括从任务生成器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词以生成可量化度量来评估AWGS 220在改善发动机102的运行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的指定工作范围的执行来计算目标资产的资产健康量词。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,为目标资产选择感兴趣的工作范围,并且如果已执行了对目标资产的所选择的工作范围,则计算目标资产的估计AHQ。在一些示例中,在对目标资产的所选择的工作范围完成之后,工作范围效果计算器315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词进行比较,以基于该比较确定AWGS 220的准确度。
在一些示例中,任务优化器310通过执行一个或多个模型诸如目标资产的数字孪生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/或其他机器学习/人工智能来实现数字孪生模型,以在输入和输出之间形成连接,并通过模式、反馈、优化等来驱动评估和行为。如本文所用,术语“数字孪生”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)和与物理装置/系统相关联和/或嵌入在物理装置/系统内的信息的“孪生”。数字孪生在物理系统的寿命周期内与物理系统相连。在某些示例中,数字孪生包括实空间中的物理对象、该物理对象在虚拟空间中存在的数字孪生以及将物理对象与其数字孪生相连的信息。数字孪生存在于与实空间相对应的虚拟空间中并且包括数据流从实空间到虚拟空间的链接以及信息流从虚拟空间到实空间和虚拟子空间的链接。数据流或信息流的链接对应于表示数据源和数字孪生模型之间的通信框架的数字线程。数字线程可以实现贯穿资产的寿命周期的资产数据的集成视图。例如,数字孪生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和虚拟模型之间的连接数据流。
在一些示例中,任务优化器310计算生成的工作范围中的每一个的估计资产健康量词。在一些示例中,任务优化器310基于一个或多个因子诸如计算的估计资产健康量词与合同要求、客户要求、操作约束等和/或它们的组合的比较来选择要对目标资产执行的工作范围。在此类示例中,输出355对应于所选择的工作范围,包括要对目标资产执行的一组任务和对应的工作范围信息。例如,工作范围信息可以包括基于由资产健康计算器300识别的移除计划表向工作范围分配维护人员、维修设施、备用零件、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,用以生成涡轮发动机的预测性资产健康量词。例如,工作范围效果计算器315可以基于输入325来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在考虑到运营商度量(例如,燃料消耗、使命时间等)的同时,识别发动机102的TOW增大、涡轮发动机维护成本降低等的机会。
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/或资产部件性能和严重性模型。例如,工作范围效果计算器315可以将环境因子、运行因子等的影响转换为驱动资产和/或资产部件的维护操作的资产和/或资产部件健康因子。在一些示例中,工作范围效果计算器315使用历史信息生成严重性模型。例如,工作范围效果计算器315可以根据TOW和环境或运行条件生成资产部件的资产健康量词。例如,工作范围效果计算器315可以生成将诸如高压压缩机的资产部件的TOW映射到对部件寿命有重要意义的一个或多个环境参数(例如,TOW等)的严重性模型。
在一些示例中,工作范围效果计算器315生成当资产在飞行器的机翼上时优化和/或以其他方式改善与起飞减速参数、爬升减速参数等相对应的运营商行为的推荐。例如,工作范围效果计算器315可以生成调整运营商行为以增大TOW并改善涡轮发动机性能的推荐。例如,工作范围效果计算器315可以生成资产在飞行器的机翼上时改变资产的爬升时间、锥度计划表(例如,涡轮发动机减速锥度计划表)、减速参数等的推荐。如本文所用,术语“锥度计划表”是指随着涡轮发动机在飞行周期的飞行段之间的过渡,涡轮发动机的调度的减速操作。例如,锥度计划表可以包括在起飞和离开飞行段期间以5%的减速、在爬升飞行段期间以15%的减速以及在巡航飞行期间以40%的减速操作涡轮发动机的指令。
在一些示例中,工作范围效果计算器315生成包括推荐的报告。例如,工作范围效果计算器315可以生成包括运营商识别为候选改善目标的候选改善计划的报告。例如,候选改善计划可以包括当资产在飞行器的机翼上时改变资产的爬升时间、锥度计划表、减速参数等的推荐。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web的软件应用程序中的警报仪表板等),为运营商指示改善资产的TOW并降低维护成本的改善区域。
在一些示例中,工作范围效果计算器315计算执行对目标资产的工作范围的效果。在一些示例中,工作范围效果计算器315计算工作范围量词,所述工作范围量词表示AWGS220在改善发动机102的运行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响应于对目标资产的所选择的工作范围的执行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基于来自维护人员的检查(例如,视觉检查等)、来自图2的传感器144、146的传感器数据等和/或它们的组合来计算实际AHQ。例如,工作范围效果计算器315可以基于(1)在执行所选择的工作范围之前从图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)在执行所选择的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/或第二温度值的比较来计算高压涡轮120的实际AHQ。在此示例中,工作范围效果计算器315可以基于该比较来计算实际AHQ。
在一些示例中,工作范围效果计算器315基于目标资产的第一资产健康量词与目标资产的第二资产健康量词的比较来计算工作范围量词。例如,工作范围效果计算器315可以基于在执行对发动机102的工作范围之前由任务优化器310计算的第一实际AHQ和在工作范围完成之后由工作范围效果计算器315计算的第二实际AHQ来计算工作范围量词。例如,工作范围量词可以是第一实际AHQ和第二实际AHQ之间的差值、第一实际AHQ和第二实际AHQ的比等。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%的工作范围量词(例如,10%=90%-80%,等)。在此示例中,工作范围效果计算器315可以确定可以改善AWGS 220,因为所选择的工作范围没有将发动机102的运行条件改善到AWGS 220预期的水平。
在一些示例中,工作范围效果计算器315基于运营商行为(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词、将工作范围量词与工作范围量词阈值进行比较并基于该比较确定工作范围量词是否满足工作范围量词阈值来修改AWGS 220的一个或多个部件。在一些示例中,工作范围量词阈值表示指标,所述指标当得到满足时,确定可以通过更新AWGS 220的一个或多个部件来改善AWGS 220。例如,工作范围效果计算器315可以从数据库345获得与由任务优化器310计算的90%剩余使用寿命的实际AHQ相对应的升压压缩机114的第一实际AHQ。示例工作范围效果计算器315可以基于升压压缩机114的检查、来自传感器144、146等的传感器数据来生成剩余70%使用寿命的第二实际AHQ。
示例工作范围效果计算器315可以基于第一实际AHQ和第二实际AHQ之间的差值的计算来计算20%的工作范围量词(例如,20%=90%-70%等)。在另一示例中,工作范围效果计算器315可以基于第一实际AHQ和第二实际AHQ的比的计算来计算0.78的工作范围量词(例如,0.78=0.70÷0.90等)。在此示例中,工作范围效果计算器315可以将0.78的工作范围量词与0.85的工作范围量词阈值进行比较,并确定工作范围量词是否满足工作范围量词阈值。例如,工作范围效果计算器315可以基于工作范围量词小于工作范围量词阈值来确定修改AWGS 220的部件。
响应于确定工作范围量词满足工作范围量词阈值,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/或它们的组合。例如,工作范围效果计算器315可以指导发动机102的数字孪生模型更新到包含最新历史趋势信息、模型参数、模型算法等的数字孪生模型的最新版本。在另一示例中,工作范围效果计算器315可以指导数据库345更新为包括任务信息350的最新版本。在又一示例中,工作范围效果计算器315可以指导任务优化器310将任务优化器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,用以生成改善资产的运行使用情况的推荐。在一些示例中,FAHA 320获得来自图2的传感器144、146的传感器数据、模型信息(例如,来自资产的基于物理的模型、资产的随机模型等的输出)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、智能电话等)上执行的软件应用程序,以生成资产健康信息(例如,实际AHQ、预计AHQ等)、资产使用情况推荐等。在其他示例中,FAHA 320可以实现为专用硬件装置(例如,专用集成电路、固件装置等)以监视资产操作并生成资产健康信息、资产使用推荐等。
在所示示例中,FAHA 320通信地联接到网络330。例如,FAHA 320可以经由网络330获得来自传感器144、146的传感器数据、获得一个或多个模型的最新版本、获得资产健康计算器300使用的算法或计算参数的最新版本等。替代地,示例FAHA 320可以不通信地联接到网络330(例如,FAHA 320正在不通信地联接到网络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,用以记录数据(例如,资产健康量词、工作范围量词、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通信地联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,当通信地联接到网络330时等)。示例数据库345可以对与数据库345中的数据相关的信息的查询作出响应。例如,数据库345可以通过提供与数据库345中的附加数据相关联的索引等而提供附加数据(例如,一个或多个数据点)来对附加数据的查询作出响应。除此之外或替代地,示例数据库345可以通过提供空索引、数据库识别符终止等来对数据库345中无附加数据时的查询作出响应。例如,资产健康计算器300可以向数据库345查询与发动机102相对应的资产传感器数据、资产环境数据、利用数据等。响应于该查询,示例数据库345可以将数据和诸如数据日志、维护历史等的对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,闪存存储器)实现。除此之外或替代地,示例数据库345可以由一个或多个双数据速率(DDR)存储器,诸如DDR、DDR2、DDR3、DDR4、移动DDR(mDDR)等实现。除此之外或替代地,示例数据库345可以由一个或多个大容量存储装置诸如硬盘驱动器、压缩盘驱动器、数字通用盘驱动器、固态驱动器等实现。虽然在所示示例中,数据库345被示出为单个数据库,但数据库345可以由任何数量和/或类型的数据库实现。
尽管图3中示出了图2的AWGS 220的示例实现方式,但图3中示出的元件、过程和/或装置中的一个或多个可被组合、分开、重新布置、省略、消除和/或以任何其他方式实现。此外,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,图3的示例AWGS 220,可以由硬件、软件、固件和/或硬件、软件和/或固件的任何组合来实现。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中的任一个可以由一个或多个模拟或数字电路、逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑装置(PLD)和/或一个或多个现场可编程逻辑装置(FPLD)实现。当阅读本专利的设备或系统权利要求中的任一个以涵盖纯软件和/或纯固件实现方式时,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FAHA320、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态计算机可读存储装置或存储盘诸如包括软件和/或固件的存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等。更进一步,图2的示例AWGS 220可包括附加于或代替图3中示出的那些的一个或多个元件、过程和/或装置,和/或可包括示出的元件、过程和装置中的任何或全部中的超过一个。
图4是图3的示例工作范围效果计算器(WEC)315的示例实现方式的框图。所示示例的WEC 315获得与资产相对应的运营商行为,并基于运营商行为生成和分析性能模型和/或严重性模型。在一些示例中,WEC 315基于资产健康来确定运营商行为对资产健康(例如,实际AHQ、预计AHQ等)和资产的推荐工作范围的影响。在一些示例中,WEC 315确定与工作范围前资产信息(例如,工作范围前实际AHQ、工作范围前预计AHQ等)和工作范围后资产信息(例如,工作范围后范围实际AHQ、工作范围后预计AHQ等)的比较相对应的资产的工作范围效果。在一些示例中,WEC 315基于运营商行为、工作范围效果等更新AWGS 220的一个或多个部件。在图4的所示示例中,WEC 315包括收集发动机400、性能模型分析器405、严重性模型分析器410、工作范围量词分析器415和系统更新器420。
在图4的所示示例中,示例WEC 315包括收集发动机400,用以获得感兴趣的信息进行处理。在所示示例中,收集发动机400经由图3的网络330和数据库345获得输入325进行处理。例如,输入325可以经由网络330存储在数据库345中。示例收集发动机400可以从数据库345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、示例运行/利用数据434、示例资产配置数据436、示例资产类别历史数据438和示例工作范围量词440。
在所示示例中,收集发动机400获得资产传感器数据430以确定图1的发动机102所经历的运行条件。在一些示例中,资产传感器数据430与对发动机102的输入相对应。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可以与从图1至图2的涡轮发动机控制器100中所包括的闭环控制模块获得的信息相对应。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、环境因子等执行的算法生成的参数。
在一些示例中,收集发动机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与从图2的传感器144、146获得的传感器数据相对应。例如,资产传感器数据430可以包括传感器测量值,诸如图1的发动机102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)测量的环境参数(例如,压力、温度等)的一定范围的传感器测量值。
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,诸如传感器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可以包括来自飞行器控制系统、图2的涡轮发动机控制器100等的信息,指示图1的发动机102在目前正在起飞、爬升、巡航等的飞行器的机翼上。
在所示示例中,收集发动机400获得资产环境数据432以确定发动机102经历的环境条件。在一些示例中,收集发动机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经历的一定范围的环境温度(例如,10至40摄氏度的范围等)、降水量、盐气氛百分比(例如,5%至55%的盐气氛范围等)、一定范围的大气颗粒物的尺寸(例如,人造大气颗粒物的尺寸、天然存在的大气颗粒物的尺寸等)、湿度百分比(例如,40%至95%的湿度范围等)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,收集发动机400获得运行/利用数据434以确定发动机102的使用情况。在一些示例中,收集发动机400从图3的数据库345获得运行/利用数据434。在一些示例中,运行/利用数据434包括发动机102的利用计划。例如,运行/利用数据434可以包括由发动机102完成的周期(例如,飞行周期、操作周期等)的数量、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)、多个飞行支线(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,运行/利用数据434包括一个或多个航空公司运营商的一个或多个资产的运行行为。例如,运行/利用数据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的操作的操作额定值信息。例如,运行/利用数据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,运行/利用数据434可以包括发动机102的平均推力参数、指示发动机102在一个或多个周期期间处于全功率的频率的百分比等。
在图4的所示示例中,收集发动机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,收集发动机400从图3的数据库345获得资产配置数据436。在一些示例中,当对发动机102执行维护时,可以随时间对发动机102的物理和/或软件配置进行更新、升级等操作。例如,发动机102可以用新的部件、升级的部件等进行翻新。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运行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,收集发动机400获得资产类别历史数据438以响应于资产的硬件和/或软件部件的升级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用以通过分析队的耐久性参数、可靠性参数等来生成基线耐久性参数或基线可靠性参数的大体类似资产的队。例如,发动机102可以属于与第一基线耐久性参数、第一基线可靠性参数等相对应的第一资产类别。
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对应于与第二基线耐久性参数、第二基线可靠性参数等相对应的第二资产类别,其中第二参数可以是与第一参数相比的改善。在一些示例中,收集发动机400获得资产类别历史数据438以确保性能模型分析器405、严重性模型分析器410等基于与发动机102的先前资产类别(例如,升级之前的发动机102的资产类别等)相比,发动机102的当前资产类别来使用模型输入335。
在图4的所示示例中,收集发动机400获得一个或多个工作范围量词440以确定由资产健康计算器300、任务优化器310和/或更一般地,图2至图3的AWGS 220生成的AHQ的准确度。在一些示例中,收集发动机400从图3的数据库345获得工作范围量词440。例如,收集发动机400可以获得由资产健康计算器300、任务优化器310等计算的10%、20%、30%等的工作范围量词。例如,WEC 315可以确定基于工作范围量词来更新AWGS 220的一个或多个参数。例如,WEC 315可以通过对历史数据模型450、基于物理的模型452、随机模型454、混合模型456等和/或它们的组合进行更新(例如,指导更新等)来将图3的模型输入335更新为包含最新版本的信息、参数值等。
在图4的所示示例中,WEC 315包括性能模型分析器405,用以基于与资产相对应的运营商行为来生成资产的性能模型。在一些示例中,性能模型分析器405基于与运营商(例如,航空公司运营商、涡轮发动机运营商等)操作的一个或多个资产相对应的发动机减速信息(例如,起飞减速参数、爬升减速参数等)来计算资产参数(例如,运营商级资产、队级资产等)。在一些示例中,性能模型分析器405生成参考模型、将资产信息和/或运营商行为与参考模型进行比较并基于该比较计算与参考模型的偏差。在一些示例中,性能模型分析器405基于确定与参考模型的偏差来生成改善与一个或多个资产相对应的运营商行为的推荐。
在一些示例中,性能模型分析器405基于确定运营商级和队级资产参数来生成参考模型。例如,运营商级起飞减速参数可以是与由运营商操作的多个或全部资产相对应的起飞减速参数(例如,平均起飞减速参数、中值起飞减速参数等)。在另一示例中,队级起飞减速参数可以是与由涡轮发动机维护提供商维护或维修的队中的多个或全部运营商操作的多个或全部资产相对应的起飞减速参数(例如,平均起飞减速参数、中值起飞减速参数等)。
在一些示例中,性能模型分析器405通过执行一个或多个模型来生成运营商级资产参数和/或队级资产参数。例如,性能模型分析器405可以指导图4的历史数据模型450、基于物理的模型452等的执行以基于图3至图4的输入325来生成资产参数(例如,运营商级起飞减速参数、队级爬升减速参数等)。
在一些示例中,性能模型分析器405指导历史数据模型450基于图3至图4的输入325使用图3至图4的数据库345中所包括的历史信息来生成运营商级和/或队级起飞减速参数、爬升减速参数等。在一些示例中,性能模型分析器405基于由历史数据模型450生成的资产参数使用回归分析(例如,生成线性回归模型、指数回归模型等)来生成回归参考模型(例如,多变量回归参考模型等)。
在一些示例中,性能模型分析器405通过选择感兴趣的第一参数来生成多变量回归参考模型。例如,性能模型分析器405可以选择起飞减速参数进行处理,其中起飞减速参数值是基于历史数据模型450生成的信息。示例性能模型分析器405可以使用回归分析将感兴趣的第一参数映射到感兴趣的多个参数以确定第一参数与多个参数中的一个或多个之间的关联性。例如,性能模型分析器405可以生成参考回归模型的回归参数诸如r平方值和/或响应值的平均值以确定第一参数与多个参数中的一个或多个之间的关联性。例如,性能模型分析器405可以基于确定起飞减速参数与机场标高、环境温度等之间的关联性来生成多变量回归参考模型以确定航空公司运营商行为随环境或操作约束、因子、参数等的影响。
在一些示例中,性能模型分析器405指导基于物理的模型452基于使用输入325执行资产的数字孪生模型来生成运营商级和/或队级发动机减速参数(例如,起飞减速参数、爬升减速参数等)。在一些示例中,性能模型分析器405通过将资产参数映射到发动机性能特性,诸如资产在机翼上的飞行器的飞行器重量、资产类别、资产配置等,来生成参考模型。在一些示例中,性能模型分析器405通过基于来自基于物理的模型452的模型输入335将资产参数映射为发动机性能特性的函数来生成基于物理的参考模型。
在一些示例中,性能模型分析器405将运营商行为与参考模型进行比较以计算差值并基于该差值生成改善运营商行为的推荐。例如,性能模型分析器405可以计算由历史数据模型450、基于物理的模型452等生成的运营商级起飞减速参数和队级起飞减速参数之间的差值。在一些示例中,性能模型分析器405生成残差性能模型以分析单个运营商与运营商队相比的运营商行为之间的差值来生成改善推荐。例如,性能模型分析器405可以确定第一运营商比资产队平均值更好、比资产队平均值更差等。在另一示例中,性能模型分析器405可以将第二运营商识别为候选改善目标,因为第二运营商比资产队平均值更差。
在一些示例中,性能模型分析器405基于分析性能模型来确定优化和/或以其他方式改善运营商行为的推荐。在一些示例中,性能模型分析器405生成包括推荐的报告。在一些示例中,性能模型分析器405可以基于性能模型将一个或多个运营商识别为运营商行为改善的候选改善目标。例如,性能模型分析器405可以通过基于分析运营商行为与资产队的比较而推荐改变减速参数、锥度计划表、水洗技术等和/或它们的组合来生成对运营商优化和/或以其他方式改善运营商的行为的推荐。在一些示例中,性能模型分析器405生成警报仪表板(例如,报告中的警报仪表板、基于web的软件应用程序中的警报仪表板等),为运营商指示基于分析性能模型来改善资产的TOW并降低资产的维护成本的改善区域。
在图4的所示示例中,WEC 315包括严重性模型分析器410,用以生成严重性模型,以根据严重性因子(例如,环境因子、运营商行为因子等)来估计和/或以其他方式预测资产健康。例如,严重性模型可以是基于映射环境因子、运营商行为等对资产的AHQ的影响的模型以确定环境因子、运营商行为等对AHQ的影响的严重程度、重要程度等。在一些示例中,严重性模型分析器410生成资产部件级严重性模型。例如,严重性模型分析器410可以生成映射严重性因子对AHQ诸如资产部件如风扇叶片、升压压缩机等的TOW的影响的严重性模型。在一些示例中,严重性模型分析器410生成队级严重性模型。例如,严重性模型分析器410可以生成基于队级资产参数将平均故障时间参数映射到一个或多个资产部件的严重性模型。
在一些示例中,严重性模型分析器410基于一个或多个环境因子诸如温度(例如,发动机温度、平均环境温度等)、资产在该温度下操作的持续时间、大气颗粒物的暴露等来生成严重性模型。例如,严重性模型分析器410可以生成与发动机102相对应的严重性模型,该严重性模型将发动机102的高压涡轮120的TOW小时数映射到发动机102所经历的多尘离开的频率。
在一些示例中,严重性模型分析器410生成与资产相对应的严重性模型,该严重性模型包括与资产相对应的一个或多个严重性模型。例如,严重性模型分析器410可以将严重性因子诸如起飞推力映射到AHQ诸如发动机102的一个或多个资产部件诸如风扇段108、升压压缩机114、高压涡轮120等的TOW。例如,严重性模型分析器410可以映射一个或多个资产部件的起飞推力运营商行为以确定资产部件的TOW随起飞推力的变化而变化的敏感性。
在一些示例中,严重性模型分析器410基于映射确定资产的一个或多个资产部件的AHQ是否满足阈值。在一些示例中,严重性模型分析器410确定资产部件的AHQ是否满足预计AHQ阈值。在一些示例中,预计AHQ阈值与随严重性因子变化的预计AHQ相对应。例如,严重性模型分析器410可以基于图9的资产部件级严重性模型900来计算标度为0.63的TOW小时数的预计AHQ阈值。例如,严重性模型分析器410可以使用图9的资产部件级严重性模型900来将与资产部件C相对应的0.5的严重性因子值映射到标度为约0.63的TOW小时数(例如,标度到0至1范围的TOW小时数等)。
在一些示例中,严重性模型分析器410基于实际AHQ大于预期AHQ阈值来确定资产的实际AHQ满足预期AHQ阈值。例如,严重性模型分析器410可以将发动机102的资产部件C当前或先前经历的0.375的严重性因子值映射到图9的资产部件级严重性模型900的严重性因子值,以生成资产部件C的标度为约0.63的TOW小时数的预期TOW。在此示例中,严重性模型分析器410可以将标度为0.63的TOW小时数的预期TOW与资产部件C的标度为0.6的TOW小时数的示例实际TOW进行比较。在此示例中,严重性模型分析器410可以基于实际TOW小于预期AHQ阈值来确定资产部件C的实际TOW不满足预期AHQ阈值。
在一些示例中,严重性模型分析器410确定AHQ差值满足AHQ差阈值。例如,严重性模型分析器410可以通过计算实际AHQ和预期AHQ之间的差值来确定AHQ差值。例如,严重性模型分析器410可以通过计算标度为0.6的TOW小时数的实际AHQ与标度为0.7的TOW小时数的预期AHQ之间的差值来计算标度为0.1的TOW小时数的AHQ差值(例如,标度为0.1的TOW小时数=标度为0.7的TOW小时数–标度为0.6的TOW小时数,等)。例如,严重性模型分析器410可以基于AHQ差值小于AHQ差值阈值来确定标度为0.1的TOW小时数的AHQ差值满足标度为0.15的TOW小时数的AHQ差值阈值。
响应于确定AHQ满足预期AHQ阈值,AHQ差值满足AHQ差值阈值等,严重性模型分析器410可以将资产部件识别为要维护的候选者。例如,严重性模型分析器410可以基于环境因子、运营商资产行为等和/或它们的组合,基于资产部件的实际AHQ在资产部件的预期AHQ的容差阈值内来估计和/或以其他方式预测资产部件是要进行维护操作的候选者。
在一些示例中,严重性模型分析器410基于分析严重性模型来确定优化和/或以其他方式改善与资产相对应的运营商行为的推荐。在一些示例中,严重性模型分析器410基于确定资产部件和/或资产中每一个的敏感性来确定工作范围推荐。例如,严重性模型分析器410可以基于高压涡轮120、风扇段108等对0.1的示例严重性因子值的敏感性来生成以25,000TOW小时对高压涡轮120执行维护的第一推荐、以27,500TOW小时对风扇段108执行维护的第二推荐等。在一些示例中,严重性模型分析器410生成包括严重性因子值、实际AHQ、预期AHQ阈值、改善运营商行为的工作范围推荐等的报告。
在图4的所示示例中,WEC 315包括工作范围量词分析器415,用以基于检查(例如,目视检查、定期调度检查等)、验证测试(例如,运营商验收测试、服务验证测试等)的工作范围结果来计算实际AHQ、预计AHQ等。在一些示例中,WEC 315部署自动化成像系统以检查发动机102。例如,WEC 315可以使用包括一个或多个相机(例如,数字相机、摄像机等)的成像系统来捕获发动机102的资产部件的一个或多个图像。例如,WEC 315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)来将升压压缩机114的图像与对象识别数据库中的图像进行比较。示例WEC 315可以基于升压压缩机114的图像与对象识别数据库中的图像的比较来计算升压压缩机114的AHQ。在一些示例中,WEC 315执行从车间系统到数据库345的检查或工作范围结果的自动传递。
在一些示例中,WEC 315响应于完成对发动机102的工作范围来执行发动机102的自动验证测试。例如,WEC 315可以(1)在完成对发动机102的工作范围之后对发动机102执行排气路径温度热日裕度(EGTHDM)测试,(2)在完成工作范围之前将EGTHDM测试结果和与发动机102相对应的EGTHDM数据进行比较,以及(3)基于该比较计算AHQ。在此示例中,WEC315可以将EGTHDM测试的结果传输(例如,自动地传输等)到数据库345,以用以改善AWGS220的一个或多个部件。
在一些示例中,工作范围结果是基于输出355。例如,工作范围量词分析器415可以基于输出355执行检查、验证测试等,所述输出包括要执行的选定工作范围,包括要对发动机102执行的一组任务和对应的工作范围信息。响应于计算工作范围后AHQ(例如,在完成对资产的工作范围之后资产的实际AHQ、预计AHQ等),示例工作范围量词分析器415可以通过计算工作范围后AHQ和工作范围前AHQ之间的差值来计算工作范围量词,并将工作范围量词与工作范围量词阈值进行比较。
在一些示例中,工作范围量词分析器415通过指导一个或多个模型基于工作范围结果计算AHQ来基于工作范围结果生成AHQ。例如,工作范围量词分析器415可记录工作范围结果并将工作范围结果传输到图3的数据库345。示例工作范围量词分析器415可以指导历史数据模型450、基于物理的模型452、随机模型454或混合模型456中的一个或多个使用来自数据库345的工作范围结果来计算图1的发动机102的AHQ。响应于一个或多个模型450、452、454、456被指导来使用来自数据库345的结果,一个或多个模型450、452、454、456可以生成模型输入335。例如,工作范围量词分析器415可以基于使用工作范围结果执行历史数据模型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,工作范围量词分析器415可以使用最具限制性的模型输入335,或者工作范围量词分析器415可以使用模型输入335中的一个或多个的平均值来生成资产的AHQ。
在一些示例中,工作范围量词分析器415指导或使用历史数据模型450来生成模型输入335。例如,工作范围量词分析器415可以使用历史数据模型450来在发动机102返回服务之前生成模型输入335。例如,历史数据模型450可以是回归模型或基于输入325、存储在数据库345中的信息、来自工作范围量词分析器415的工作范围结果等而使用资产监视信息(例如,历史资产监视信息等)的任何其他类型的统计模型。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。
在一些示例中,历史数据模型450向发动机102获得与资产配置、资产类别、环境、利用等类似的资产相对应的信息。例如,历史数据模型450可以生成可以应用于发动机102的度量和量词。例如,历史数据模型450可以基于类似资产(例如,具有大体类似的资产配置、资产类别历史等的资产)先前如何执行(例如,先前在完成类似的工作范围之后执行等)来计算发动机102的剩余使用寿命的百分比、剩余飞行周期的数量、剩余TOW小时数等。例如,历史数据模型450可以是与发动机102的AHQ诸如TOW小时数和严重性因子之间的关联性或关系相对应的回归模型(例如,线性回归模型、指数回归模型等),其中回归模型是基于先前在大体类似的涡轮发动机上所收集的数据确定的。
在一些示例中,工作范围量词分析器415使用基于物理的模型452来使用工作范围结果生成模型输入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、空气动力学模型等。例如,工作范围量词分析器415可以使用基于物理的模型452在发动机102返回服务之前生成模型输入335。
在一些示例中,基于物理的模型452是发动机102的数字孪生模型。例如,数字孪生模型可以基于输入325、存储在数据库345中的信息、来自工作范围量词分析器415的工作范围结果等使用资产监视信息来模拟发动机102的物理行为、热力学健康、性能健康等。例如,基于物理的模型452可以模拟图1至图2的发动机102的传感器144、146的输入和输出以基于工作范围结果生成AHQ。例如,基于物理的模型452可以是图1的发动机102的数字孪生模型,所述数字孪生模型可以基于(1)升压压缩机114上的已完成的工作范围(例如,升压压缩机114的一个或多个部件已被更换、维修等)和(2)严重性因子来计算图1的升压压缩机114的AHQ诸如TOW小时数。例如,数字孪生模型可以基于由于升压压缩机114上的已完成的工作范围更准确地表征升压压缩机114的健康来生成具有改善的准确度的AHQ。
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周期、飞行支线、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,风扇段108、升压压缩机114等上的机械应力)。因此,通过从基于物理的模型452进行评估和外推,可以识别和评估性能特征,并且例如可以对与资产(例如,发动机102等)相关联的行为和其他结果进行建模和预测。例如,工作范围量词分析器415可以在完成工作范围后,外推从基于物理的模型452获得的图3的模型输入335以预测和/或以其他方式预计由于发动机102的特征、发动机102的利用、发动机102的操作环境等而可能出现的与发动机102相对应的未来问题。
例如,基于物理的模型452可以是图1的发动机102的数字孪生模型,所述数字孪生模型可以基于(1)升压压缩机114上的已完成的工作范围(例如,升压压缩机114的一个或多个部件已被更换、维修等)和(2)诸如大气颗粒物尺寸的环境因子来计算图1的升压压缩机114的预测或预计AHQ诸如TOW小时数。例如,基于物理的模型452可以基于在大气颗粒物的尺寸为0.1微米、平均环境温度为30摄氏度等和/或它们的组合的环境中即将到来的飞行周期计划表来为最近维修的升压压缩机114生成预测性TOW小时数。通过基于预测利用或环境计划对升压压缩机114的退化的影响确定TOW小时的预测量,工作范围量词分析器415可以因为实际TOW小时数接近预测性TOW小时数生成包括升压压缩机114的下一维护操作的推荐工作范围。
在一些示例中,工作范围量词分析器415使用随机模型454以基于通过允许一个或多个输入随时间的随机变化而估计潜在结果的概率分布来生成度量。例如,工作范围量词分析器415可以使用随机模型454在发动机102返回服务之前生成模型输入335。在一些示例中,随机模型454使用时间序列技术在所选择的时间段内基于历史数据中观察到的波动生成随机变化(例如,基于历史数据模型450生成模型输入335等)、基于输入325、来自工作范围量词分析器415的工作范围结果等生成随机变化信息。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的输出所列出的限制范围内。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)以确定因一个或多个资产部件引起的故障率随时间的分布。例如,随机模型454可以基于发动机102的风扇段108、升压压缩机114等的故障率的确定来生成发动机102的故障率。
例如,随机模型454可以是与图1的发动机102相对应的威布尔分布,所述威布尔分布可以计算风扇段108、升压压缩机114、燃烧室118等随时间的不可靠性值或故障率。例如,随机模型454可以将燃烧室118的即时TOW映射到威布尔分布以生成即时TOW时的预测性故障率。通过确定燃烧室118的即时TOW时的预测性故障率,工作范围量词分析器415可以因为故障率随即时TOW的增大而增大生成包括燃烧室118的下一维护操作的推荐工作范围。
在一些示例中,健康量词生成器415使用混合模型456以基于工作范围结果使用图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,工作范围量词分析器415可以使用混合模型456在发动机102返回服务之前生成模型输入335。例如,混合模型456可以是随机模型454,其中将来自随机模型454的输出与基于物理的模型452进行比较,并且基于该比较来调整输出。在另一示例中,混合模型456可以是随机模型454,其中可以将来自随机模型454的输出与历史数据模型450进行比较,并且基于该比较来调整或校准输出。
在一些示例中,工作范围量词分析器415基于在发动机102返回服务之前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,工作范围量词分析器415可以根据基于模型输入335计算风扇段108的子部件的实际AHQ来计算图1的风扇段108的实际AHQ。例如,工作范围量词分析器415可以通过执行发动机102的基于物理的模型452来计算风扇段108的诸如风扇叶片、轴承、速度传感器等的子部件的实际AHQ。在此示例中,工作范围量词分析器415可以基于计算风扇段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)来生成风扇段108的实际AHQ。在一些示例中,工作范围量词分析器415可以按重要性(例如,资产部件对发动机102的功能的重要程度的定量量度等)按升序、降序对资产部件(例如,风扇段108、升压压缩机114等)的实际AHQ进行排序。
在一些示例中,工作范围量词分析器415基于模型输入335来计算预计AHQ。在一些示例中,预计AHQ表示资产部件的可以基于运行条件而预测的实际AHQ。例如,工作范围量词分析器415可以基于升压压缩机114的实际AHQ计算图1的升压压缩机114的预计AHQ并基于从数据库345获得的预测利用和环境计划生成模型输入335。在一些示例中,预测利用和环境计划与发动机102在未来操作中经历的未来利用(例如,飞行周期的数量、飞行支线的数量、运行小时数等)和环境(例如,25至40摄氏度的环境温度范围、15%至35%的盐气氛百分比范围等)相对应。
例如,工作范围量词分析器415可以通过基于预测利用和环境计划计算实际AHQ随时间的变化来计算升压压缩机114的预计AHQ。例如,工作范围量词分析器415可以基于(1)升压压缩机114的70%的实际AHQ以及(2)在其中环境温度范围为25至40摄氏度且盐气氛百分比范围为15%至35%的地理区域中针对附加500个飞行周期执行模型450、452、454、456中的一个或多个来计算升压压缩机114的30%的预计AHQ。例如,工作范围量词分析器415可以将上述参数输入图8A的TOW严重性模型生成系统800中以计算由于发动机102执行附加的500个飞行周期而剩余使用寿命的估计AHQ。
在一些示例中,工作范围量词分析器415基于资产部件的子部件的预计AHQ来计算资产部件的预计AHQ。例如,工作范围量词分析器415可以根据基于模型输入335计算风扇段108的子部件的预测AHQ来计算图1的风扇段108的预计AHQ。例如,工作范围量词分析器415可以通过执行发动机102的基于物理的模型452来计算风扇段108的诸如风扇叶片、轴承、速度传感器等子部件的预计AHQ。在此示例中,工作范围量词分析器415可以基于计算风扇段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)来生成风扇段108的预计AHQ。在一些示例中,工作范围量词分析器415可以按重要性(例如,资产部件对发动机102的功能的重要程度的定量量度等)按升序、降序对资产部件(例如,风扇段108、升压压缩机114等)的预计AHQ进行排序。
在一些示例中,工作范围量词分析器415通过计算工作范围后AHQ和工作范围前AHQ之间的差值来计算工作范围量词,并将工作范围量词与工作范围量词阈值进行比较。在一些示例中,工作范围前AHQ是基于响应于对资产执行指定工作范围而估计资产的AHQ是什么来获得的资产的估计AHQ。通过将发动机102的工作范围后AHQ与发动机102的工作范围前AHQ进行比较,示例工作范围量词分析器415可以评估AWGS 220在改善发动机102的运行条件方面的准确度或效率。例如,工作范围量词分析器415可以比较以下两项:(1)基于完成工作范围后预测资产健康而获得的发动机102的95%剩余使用寿命的估计AHQ;和(2)在完成对发动机102的工作范围内后80%剩余使用寿命的实际AHQ。例如,工作范围量词分析器415可以确定估计AHQ和实际AHQ之间的显著大的差值(例如,10%、25%、40%等)表示可以改善图2至图3的AWGS 220的一个或多个部件以生成更准确的估计AHQ。
在一些示例中,工作范围量词分析器415基于比较工作范围后AHQ与工作范围前AHQ来计算工作范围量词。在一些示例中,工作范围量词与AWGS 220与在确定工作范围完成会如何影响资产的健康、运行条件等方面的能力的估计、预测的准确度的度量相对应。例如,工作范围量词分析器415可以通过计算95%剩余使用寿命的估计AHQ与80%剩余使用寿命的实际AHQ之间的差值来计算15%的工作范围量词(例如,15%=95%-80%,等)。
在一些示例中,工作范围量词分析器415将工作范围量词与工作范围量词阈值进行比较,并基于该比较确定工作范围量词阈值是否已得到满足。在一些示例中,工作范围量词阈值与AWGS 220是否生成资产的一个或多个AHQ相对应,所述一个或多个AHQ跟踪资产的在公差内的实际健康、预计健康等(例如,在实际健康、预计健康等的1%、5%、10%等内)。例如,工作范围量词分析器415可以将15%的工作范围量词与10%的工作范围量词阈值进行比较,并且基于工作范围量词大于工作范围量词阈值来确定工作范围量词阈值已得到满足。例如,工作范围量词分析器415可以确定AWGS 220并未计算一个或多个AHQ,所述一个或多个AHQ跟踪资产的在公差内的实际健康、预计健康等。
在图4的所示示例中,WEC 315包括系统更新器420,用以确定是否基于运营商行为、工作范围量词等来优化、更新和/或以其他方式改善AWGS 220。在一些示例中,系统更新器420可以指导图2至图3的AWGS 220修改AWGS 220的一个或多个部件以基于运营商行为来优化和/或以其他方式改善工作范围推荐。
在一些示例中,系统更新器420指导AWGS 220基于运营商行为进行更新。例如,系统更新器420可以指导AWGS 220更新或修改一个或多个模型450、452、454、456、更新与将由图3的任务生成器305使用的图3的任务信息350中包括的维护任务相对应的一个或多个参数、改善将由任务优化器310用于评估生成的工作范围的优化参数等和/或它们的组合以满足当前运营商行为(例如,即时运营商行为、观察到的运营商行为等)、预测的运营商行为等。例如,系统更新器420可以指导AWGS 220将基于物理的模型452更新为基于运营商使用的起飞减速参数。在此示例中,AWGS 220可以基于运营商使用的起飞减速参数来生成运营商拥有的资产的AHQ以生成对资产的改善的工作范围推荐。
在一些示例中,系统更新器420指导AWGS 220基于比较工作范围量词与工作范围量词阈值来更新。例如,系统更新器420可用以基于确定工作范围量词阈值是否已得到满足来优化和/或以其他方式改善AWGS 220的涡轮发动机维护管理推荐的可预测性。例如,响应于确定工作范围量词已得到满足,系统更新器420可以指导AWGS 220更新或修改一个或多个模型450、452、454、456、更新与将由图3的任务生成器305使用的图3的任务信息350中包括的维护任务相对应的一个或多个参数、改善将由任务优化器310用于评估生成的工作范围的优化参数等和/或它们的组合。
尽管图4中示出了图3的WEC 315的示例实现方式,但图4中示出的元件、过程和/或装置中的一个或多个可被组合、分开、重新布置、省略、消除和/或以任何其他方式实现。此外,示例收集发动机400、示例性能模型分析器405、示例严重性模型分析器410、示例工作范围量词分析器415、示例系统更新器420和/或更一般地,图3的示例WEC 315可以由硬件、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,示例收集发动机400、示例性能模型分析器405、示例严重性模型分析器410、示例工作范围量词分析器415、示例系统更新器420和/或更一般地,示例WEC 315中的任何一个可以由一个或多个模拟或数字电路、逻辑电路、一个或多个可编程处理器、一个或多个专用集成电路(ASIC)、一个或多个可编程逻辑装置(PLD)和/或一个或多个现场可编程逻辑装置(FPLD)实现。当阅读本专利的设备或系统权利要求中的任一个以涵盖纯软件和/或纯固件实现方式时,示例收集发动机400、示例性能模型分析器405、示例严重性模型分析器410、示例工作范围量词分析器415和/或示例系统更新器420中的至少一个在此明确定义为包括非暂态计算机可读存储装置或存储盘诸如包括软件和/或固件的存储器、数字通用盘(DVD)、光盘(CD)、蓝光盘等。更进一步,图3的示例WEC 315可包括附加于或代替图4中示出的那些的一个或多个元件、过程和/或装置,和/或可包括示出的元件、过程和装置中的任何或全部中的超过一个。
图5是其中可以使用图1的涡轮发动机102的飞行路线500的示例飞行段的示意图。在所示示例中,发动机102可以联接到飞行器505。所示示例的飞行路线500包括停放飞行段510、滑行飞行段520、起飞和离开飞行段530、爬升飞行段540、巡航飞行段550、下降飞行段560、进场飞行段570以及着陆和滑行至登机门飞行段580。替代地,在飞行路线500中可以存在更少或更多的飞行段。
在示例飞行路线500中,发动机102可以在一个或多个飞行段期间减速。例如,当飞行器505处于起飞和离开飞行段530时,发动机102可以从额定最大容量减速以节省燃料、改善TOW并降低维护成本。例如,可以在起飞和离开飞行段530期间使用25%的起飞减速来操作发动机102。在另一示例中,当飞行器505处于起飞和离开飞行段530时,发动机102可以在额定最大容量下操作。例如,发动机102可以使用0%的起飞减速来操作,以减少到达巡航飞行段550的时间。
在一些示例中,发动机102在长距离飞行期间使用0%的起飞减速运行,因为发动机102在巡航飞行段550期间减速可以产生与在起飞和离开飞行段530期间发动机102不减速的缺点相比,更大的效益(例如,改善燃料消耗、降低维护成本、延长发动机健康等)。例如,在巡航飞行段550期间在相对长的时间段内(例如,长距离国际飞行等)有效地操作发动机102(例如,使用25%、40%等的减速参数)可能会在起飞和离开飞行段530期间在相对短的时间段内,掩盖低效运行的发动机102(例如,使用0%的减速参数等)的缺点。
图6A是示例性能参考模型600的示意图。所示示例的性能参考模型600包括与包括操作诸如图1的发动机102的涡轮发动机的运营商A、B、C、D和E的运营商队相对应的统计信息。例如,性能模型分析器405可以指导图4的历史数据模型450通过根据发动机性能特征(例如,影响涡轮发动机的性能、操作等的特征)诸如飞行器重量确定诸如发动机减速的运营商行为参数来生成性能参考模型600。在所示示例中,性能参考模型600的x轴602与从0标度到1的飞行器重量值相对应。在所示示例中,性能参考模型600的y轴604与从0标度到1的发动机减速值相对应。替代地,可以使用任何其他值范围来标度x轴602和/或y轴604。示例性能模型分析器405可以指导历史数据模型450通过将历史数据发动机减速参数映射到运营商A、B、C、D和E的飞行器重量来生成性能参考模型600。
在图6A的所示示例中,性能模型分析器405可以根据飞行器重量生成与运营商A、B、C、D和E的历史数据减速参数的平均值相对应的队行为参数606。替代地,示例性能模型分析器405可以根据飞行器重量生成与运营商A、B、C、D和E的历史数据减速参数的中值、加权平均值等相对应的队行为参数606。
在图6A的所示示例中,性能模型分析器405生成基于物理的性能参考模型608(长虚线)。例如,性能模型分析器405可以通过指导图4的基于物理的模型452通过执行资产的数字孪生模型而根据飞行器重量模拟减速参数来生成基于物理的性能参考模型608。在此示例中,性能模型分析器405可以指导基于物理的模型452使一个或多个严重性因子保持恒定(例如,固定的飞行器重量、固定的机场标高、固定的大气颗粒物暴露、固定的机场污染、一个或多个固定的天气条件等)。在一些示例中,基于物理的性能参考模型608与随飞行器重量变化的基线、最优、涡轮发动机制造商指定的等发动机减速运营商行为相对应。在一些示例中,性能模型分析器405计算基于历史信息的性能参考模型600与基于物理的性能参考模型608之间的差值以确定运营商是比基于物理的性能模型608表现更好还是更差。
图6B是与随第一示例严重性因子A、第二示例严重性因子B和第三示例严重性因子C变化的诸如发动机减速(例如,起飞减速、陆基涡轮发动机减速等)的运营商行为相对应的示例回归参考模型610的示意图。在图6B的所示示例中,回归参考模型610是多变量回归模型,该多变量回归模型包括与操作诸如图1的发动机102的涡轮发动机的运营商队相对应的统计信息。在图6B的所示示例中,性能模型分析器405使用历史数据生成回归参考模型610。例如,性能模型分析器405可以指导历史数据模型450基于或响应于收集发动机400从运行涡轮发动机的运营商运营商队获得发动机减速行为来生成回归参考模型610。响应于生成示例回归参考模型610,示例性能模型分析器405可以使用回归参考模型610来在运营商经历或受到一个或多个严重性因子影响时,分析运营商的发动机减速行为。
在图6B的所示示例中,回归参考模型610包括发动机减速行为到严重性因子A的第一映射615。例如,第一映射615可以包括发动机102的发动机减速行为基于历史信息到严重性因子诸如安装发动机102的飞行器的飞行器重量、机场标高、环境温度等的映射。在图6B的所示示例中,回归参考模型610包括发动机减速行为到严重性因子B的第二映射620。例如,第二映射620可以包括发动机102的发动机减速行为到严重性因子诸如飞行器重量、机场标高、环境温度等的映射。在图6B的所示示例中,回归参考模型610包括发动机减速行为到严重性因子C的第三映射625。例如,第三映射625可以包括发动机102的发动机减速行为到严重性因子诸如飞行器重量、机场标高、环境温度等的映射。
在图6B的所示示例中,回归参考模型610可以由拟合表630的示例汇总表征或表示。例如,性能模型分析器405可以基于第一至第三映射615、620、625中的数据与回归参考模型610的拟合来确定使用回归参考模型605。例如,当r平方值大于r平方值阈值时,性能模型分析器405可以确定使用回归参考模型605。例如,拟合表630的汇总可以与第一映射615相对应。例如,0.75的r平方值可以表示,第一映射615中所包括的发动机减速值的75%的变化可以由回归参考模型610表示。在另一示例中,0.41的响应值平均值可以表示第一映射615的平均发动机减速参数值。
图6C是示例残差性能模型640的示意图。在一些示例中,性能模型分析器405通过将运营商A、B、C、D和E的实际运营商行为参数、即时运营商行为参数等运营商行为参数与参考模型中的队行为参数进行比较来生成残差性能模型640。在图6C的所示示例中,性能模型分析器405通过计算运营商A、B、C、D和E的实际发动机减速运营商行为参数和与图6A中的性能参考模型600中的基于物理的性能参考模型608相对应的减速运营商行为之间的差值来生成残差性能模型640。替代地,示例性能模型分析器405可以通过计算运营商A、B、C、D和E的实际发动机减速运营商行为参数与对于包括运营商A、B、C、D和E的运营商队来说图6B的回归参考模型610中的队发动机减速运营商之间的差值来生成残差性能模型640。
在图6C的所示示例中,性能模型分析器405基于确定实际运营商行为参数值和参考运营商行为参数值之间的平均差值、中值差值等来计算基线值642(点划线)。例如,基线值642可以与实际队发动机减速行为与图6B的回归参考模型610中所包括的队发动机减速行为之间的中值差值相对应。在图6C的所示示例中,性能模型分析器405确定75%中值644和25%中值646。例如,75%中值644可以与运营商运行的资产的前25%相对应,其中对应的运营商行为高于基线值642。在另一示例中,25%中值646可以与运营商运行的资产的后25%相对应,其中对应的运营商行为低于基线值642。
在图6C的所示示例中,性能模型分析器405通过分析实际发动机减速运营商行为参数与参考发动机减速运算符行为参数之间的比较来生成改善运营商的发动机减速行为的推荐。例如,当运营商被识别为候选改善目标时,性能模型分析器405可以确定运营商的调整的运营商行为参数。例如,运营商E包括低于基线值642的表现不佳的资产648(例如,低于队平均值等)。例如,性能模型分析器405可以向运营商E生成以下推荐,即调整运营商行为参数(例如,使用调整的运营商行为参数等)诸如运营商E使用的发动机减速运营商行为参数、爬升减速运营商行为参数、涡轮发动机锥度计划表等来改善表现不佳的资产648的性能并减少运营商E行为与包括运营商A、B、C、D和E的运营商运营商队之间的差值。
图6D是示例资产健康量词(AHQ)性能模型650的示意图,所述性能模型包括与包括运营商A至Z的运营商队运行诸如图1的发动机102的涡轮发动机相对应的统计信息。在图6D的所示示例中,AHQ性能模型650将Δ资产健康量词值映射到Δ资产健康量词变化率值。在图6D的所示示例中,AHQ性能模型650的x轴652与从0标度到1的ΔAHQ变化率值相对应。例如,ΔAHQ变化率值可以与AHQ随时间的变化相对应。在所示示例中,AHQ性能模型650的y轴654与从0标度到1的ΔAHQ值相对应。替代地,可以使用任何其他值范围来标度x轴652和/或y轴654。
例如,由x轴652表示的Δ资产健康量词变化率值可以基于图6A的性能参考模型600、图6B的回归参考模型610等与以下两者之间的差值相对应:(1)运营商的排气路径温度热日裕度(EGTHDM)变化率值(例如,平均EGTHDM变化率值、中间EGTHDM变化率值等);以及(2)队级EGTHDM变化率值(例如,平均队级EGTHDM变化率值、中间队级变化率值等)。在另一示例中,Δ资产健康量词值可以基于图6A的性能参考模型600、图6B的回归参考模型610等与以下两者之间的差值相对应:(1)运营商的EGTHDM值(例如,平均EGTHDM值、中间EGTHDM值等);以及(2)队级EGTHDM值(例如,平均队级EGTHDM值、中间队级EGTHDM值等)。
在图6D的所示示例中,性能模型分析器405可以使用AHQ性能模型650生成优化和/或以其他方式改善与运行运营商的资产相对应的运营商行为的推荐。在图6D的所示示例中,性能模型分析器405可以确定运营商G、H和P正在使用对运营商G、H和P拥有的资产的AHQ(例如,EGTHDM AHQ等)有害的资产行为。例如,性能模型分析器405可以基于AHQ性能模型650将运营商G、H和P识别为候选改善目标。例如,性能模型分析器405可以基于运营商P拥有的资产的AHQ变化率值与队平均值相差约超过0.5△来确定运营商P具有比队平均AHQ变化率值更差的值。在另一示例中,性能模型分析器405可以基于运营商P拥有的资产的AHQ与队平均值相差约超过0.25△来确定运营商P具有比队平均AHQ更差的值。替代地,示例性能模型分析器405可以确定运营商A具有比队平均AHQ更好的值,运营商Q具有比队平均AHQ变化率值更好的值等。
图7是包括优化和/或以其他方式改善运营商资产行为的推荐的示例警报仪表板700。示例警报仪表板700表示运营商队中的一个或多个运营商的潜在动作的快照。示例警报仪表板700表示基于来自一个或多个性能模型的确定信息的队管理工具。例如,性能模型分析器405可以生成警报仪表板700。在图7的所示示例中,性能模型分析器405可以使用警报仪表板700来基于与运营商行为A 702、运营商行为A(变化)704、运营商行为B 706、运营商行为B(变化)708、严重性因子A(变化)710和资产健康量词712相对应的变化生成针对包括运营商A至E的运营商队的推荐。替代地,可能存在比图7中所描绘的更少或更多的运营商、运营商行为、严重性因子和/或资产健康量词。
在图7的所示示例中,性能模型分析器405可以使用向上箭头符号714或向下箭头符号716来表示与运营商相对于运营商的条件随时间的变化的识别。在图7的所示示例中,性能模型分析器405在运营商行为A(变化)704列中将向上箭头符号714分配给运营商B,以确定运营商B在第一时间段与第二时间段相比对应于运营商行为A进行了改善,其中第一时间段在第二时间段之后。例如,向上箭头714可以与运营商B随时间对应于运营商行为A进行了改善相对应。
在图7的所示示例中,性能模型分析器405可以使用圆形符号718来表示与运营商队相比,与运营商相对应的次优条件的识别。在图7的所示示例中,性能模型分析器405将圆形符号718分配给运营商C,以确定运营商C对应于运营商行为A 702具有比队平均值更差的值。在一些示例中,性能模型分析器405将圆形符号718分配给运营商,以响应于比较运营商与运营商队的运营商行为参数(例如,运营商行为A 702、运营商行为B 706等)来将运营商识别为候选改善目标。在一些示例中,性能模型分析器405使用圆形符号718来表示可以对应于运营商触发的动作,诸如基于将运营商识别为候选改善目标来生成推荐、报告、调整或生成工作范围等。
在图7的所示示例中,运营商行为A 702可以对应于运营商行为诸如爬升超控的百分比。例如,性能模型分析器405可以分析爬升超控的百分比以基于获得的资产监视信息来识别哪些运营商可以从爬升减速超控的减少中受益。例如,性能模型分析器405可以将圆形符号718分配给运营商C,以将运营商C识别为超控标准爬升减速参数超过指定百分比的工作周期(例如,时间大于20%、30%、40%等)的运营商。例如,性能模型分析器405可以基于比较运营商C与运营商队相比的运营商行为A 702来将运营商C识别为候选改善目标。在此示例中,响应于将运营商C识别为候选改善目标,性能模型分析器405可以生成警报、推荐、包括警报和/或推荐等的报告,以改善对应于运营商C的运营商行为A 702。在一些示例中,性能模型分析器405响应于将运营商C基于运营商行为识别为候选改善目标,生成(例如,自动地生成等)针对属于运营商C的一个或多个资产的工作范围或工作范围推荐。
在图7的所示示例中,运营商行为A(变化)列704与运营商相对于运营商随时间的运营商行为A 702的变化相对应。例如,性能模型分析器405可以确定运营商是否对应于操作员行为A 702而随时间改善或下降。例如,性能模型分析器405可以识别与运营商行为A702相对应的改善(例如,通过指定向上箭头714等)或下降(例如,通过指定向下箭头716)。在图7的所示示例中,性能模型分析器405向运营商B分配与运营商行为A(变化)704相对应的向上箭头714。例如,性能模型分析器405可以确定运营商B对应于爬升减速超控行为而随时间进行了改善(例如,在6个月期间、1年期间、3年期间等爬升减速超控的百分比的减少)。
在图7的所示示例中,运营商行为B 706对应于可量化的运营商行为。例如,运营商行为B 706可以对应于发动机减速行为、发动机起飞减速行为等。在图7的所示示例中,运营商行为B(变化)708对应于运营商相对于运营商随时间的运营商行为B 708的变化。
在图7的所示示例中,严重性因子A(变化)710对应于运营商相对于运营商随时间经历的严重性因子的变化。例如,严重性因子A(变化)710可以对应于运营商的资产随时间经历的发动机温度、大气颗粒物暴露等的变化。在图7的所示示例中,性能模型分析器405向运营商D和E分配向上箭头716。例如,严重性因子A可以对应于与运营商A至E相对应的资产的发动机温度。例如,性能模型分析器405可以确定运营商D已对应于由运营商D运行的资产的发动机温度进行了改善。例如,性能模型分析器405可以确定与由运营商D运行的资产相对应的发动机温度(例如,平均发动机温度、中间发动机温度等)已随时间降低。
在图7的所示示例中,资产健康量词712对应于与资产健康量词712的运营商队相比,对应于运营商的次优条件的识别。例如,资产健康量词可以是TOW、EGTHDM、EGTHDM变化率值等。例如,资产健康量词712可以是EGTHDM,它对应于图1的发动机102在运行期间的EGT与EGT“红线”之间的裕度,EGT“红线”是发动机102在不带来实质性损坏发动机102的风险的情况下所不能超过的最高温度。EGTHDM变化率值可以与发动机102的EGTHDM随时间减小的速率相对应。在图7的所示示例中,性能模型分析器405将圆形符号718针对资产健康量词712分配给运营商A以将运营商A识别为候选改善目标。例如,性能模型分析器405可以基于比较由运营商A运行的资产与由运营商队运行的资产的EGTHDM变化率值来确定运营商A具有候选改善目标。响应于基于运营商与运营商队针对资产健康量词的比较来确定运营商A是候选改善目标,示例性能模型分析器405可以生成警报、推荐、包括警报和/或推荐的报告等,以改善与运营商A相对应的资产健康量词。在一些示例中,性能模型分析器405响应于基于资产健康量词将运营商A识别为候选改善目标来生成(例如,自动地生成等)针对属于运营商A的一个或多个资产的工作范围或工作范围推荐。
图8A是由图4的严重性模型分析器410执行的示例TOW严重性模型生成系统800。在图8A的所示示例中,严重性模型分析器410通过将严重性因子诸如发动机温度严重性因子805、环境因子严重性因子810、发动机温度时间严重性因子815等映射到资产健康量词诸如TOW来生成资产或资产部件TOW严重性模型。例如,严重性模型分析器410可以生成发动机102的高压涡轮叶片严重性模型,所述高压涡轮叶片严重性模型将高压涡轮叶片的TOW映射为环境因子810的函数。在一些示例中,严重性模型分析器410基于资产和/或资产部件TOW严重性模型生成优化和/或以其他方式改善运营商行为的推荐。替代地,可能存在比图8A所描绘更少的或更多的严重性因子。
在图8A的所示示例中,发动机温度严重性因子805可受到一个或多个严重性因子影响因素820诸如发动机额定值825、发动机减速830、环境温度835和锥度计划表840的影响等。替代地,可能存在比图8A中所描绘的更少的或更多的与发动机温度严重性因子805相对应的严重性因子影响因素820。例如,发动机温度严重性因子805可以对应于发动机102的运行温度。在一些示例中,额定值825对应于发动机102的额定值(例如,发动机额定值、最大额定容量等)。例如,发动机温度严重性因子805可受发动机102的额定值的影响。例如,发动机102的较高额定值可以对应于较高的发动机温度。在另一示例中,发动机温度严重性因子805可以受运营商的发动机减速行为830的影响。例如,运营商在运行发动机102时使用较低的减速率可以对应于较高的发动机温度。在又一示例中,发动机温度严重性因子805可受环境温度835的影响。例如,发动机102所经历的较低环境温度可以对应于较低的发动机温度。在又一示例中,发动机温度严重性因子805可受运营商使用的锥度计划表840的影响。例如,运营商使用包括较低发动机减速值的锥度计划表可以对应于较高的发动机温度。
在图8A的所示示例中,环境因子严重性因子810可以受一个或多个严重性因子影响因素820,诸如城市对845和时间段850,的影响等。替代地,可能存在比图8A中所描绘的更少的或更多的对应于环境因子严重性因子810的严重性因子影响因素820。例如,环境因子严重性因子810可以对应于发动机102所经历的环境因子。例如,环境因子可以是大气颗粒物(例如,暴露于人造污染、暴露于灰尘等)、环境温度、标高等。
在一些示例中,城市对845对应于飞行运行中包括的城市对。例如,从伦敦到巴黎的飞行可以生成伦敦和巴黎的城市对。在一些示例中,城市对对应于与城市对相关联的环境因子。例如,严重性模型分析器410可以将大气颗粒物、环境温度、标高参数等的值(例如,平均值、中值等)映射到伦敦和巴黎以确定AHQ对在伦敦和巴黎城市中运行的资产的影响。例如,环境因子严重性因子810可以基于对城市对845的选择而受到影响。在另一示例中,环境因子严重性因子810可以基于时间段850诸如一日运行时间、一年运行时间等而受到影响。
在图8A的所示示例中,发动机温度时间严重性因子815可以受到一个或多个严重性因子影响因素820诸如发动机额定值825、发动机减速830和锥度计划表840的影响等。替代地,可能存在比图8A中所描绘的更少的或更多的对应于发动机温度时间严重性因子815的严重性因子影响因素820。在一些示例中,发动机温度时间严重性因子815可以对应于图1的发动机102在发动机温度下运行的时间量。
在图8A的所示示例中,严重性模型分析器410通过基于严重性因子805、810、815和严重性因子影响因素820执行TOW严重性模型生成系统800来生成一个或多个资产部件TOW严重性模型855。例如,严重性模型分析器410可以基于AHQ诸如资产部件的TOW到环境或运行因子的映射来生成回归模型(例如,图6B的回归参考模型610等)。例如,严重性模型分析器410可以通过基于执行历史数据模型450、基于物理的模型452等获得的信息执行TOW严重性模型生成系统800将高压涡轮叶片的TOW映射到环境因子严重性因子810来生成高压涡轮叶片严重性模型。示例严重性模型分析器410可以基于严重性因子805、810、815和一个或多个资产部件生成(例如,迭代地生成等)多个资产部件严重性模型。
在一些示例中,TOW严重性模型生成系统800生成一个或多个资产部件TOW严重性模型855,并基于一个或多个资产部件TOW严重性模型855来生成队级资产部件TOW模型860。例如,严重性模型分析器410可以生成资产部件严重性模型900,如图9所示。示例严重性模型分析器410可以基于一个或多个资产部件严重性模型诸如图9的资产部件严重性模型900来生成如图8B所描绘的队级模型870。
图8B是队级模型870的示意图。图8B的队级模型870表示队级资产数据的随机模型。例如,队级模型870可以对应于图4的随机模型454。例如,严重性模型分析器410可以指导随机模型454基于对于一个或多个运营商的一个或多个资产执行图8A的TOW严重性模型生成系统800来生成队级模型870。
在图8B的所示示例中,队级模型870将不可靠性因子映射为时间的函数。在图8B的所示示例中,标记为“TIME,(t)”的x轴872表示资产部件的从0标度到1的TOW。替代地,可以使用任何其他值范围来标度x轴872。在图8B的所示示例中,标记为“UNRELIABILITY,F(t)”的y轴874表示资产部件在资产部件的指定TOW处变得无响应的从0标度到1的概率值。替代地,可以使用任何其他值范围来标度y轴874。
例如,严重性模型分析器410可以使用队级模型870来基于资产部件已经运行的周期的数量或任何其他持续时间来确定资产部件的不可靠性因子。例如,不可靠性因子可以与资产部件可以在不经历故障模式的情况下运行的时间量相对应。例如,在标度为约0.8的TOW小时数下,资产部件(AC)A(例如,图1的风扇段108、升压压缩机114等)基于资产部件A不可靠性线876(虚线)具有99.000(例如,99%等)的近似不可靠性值。在此示例中,严重性模型分析器410可以生成随着资产部件A的接近标度为0.8的TOW小时数而从服务中移除资产部件A的推荐。
在图8B的所示示例中,队级模型870描绘了多个资产部件诸如资产部件B、资产部件C、资产部件D、资产部件E等的不可靠性函数。在一些示例中,严重性模型分析器410使用队级模型870在对图1的发动机102的一个或多个部件执行维护之前计算TOW或预期TOW。通过在执行维护之前确定预期TOW,示例严重性模型分析器410可以生成优化和/或以其他方式改善针对运营商的资产的推荐工作范围的推荐。例如,严重性模型分析器410可以生成对运营商准备工作范围的推荐,包括从服务中移除发动机102、订购备用零件、查询维护设施可用性以执行维护操作等。
在图8B的所示示例中,队级模型870包括按资产部件表878移除的百分比。图8B的所示示例的表878包括表示按资产部件的资产移除百分比的数据。例如,表878表示第1年中38%的资产移除是响应于识别要维护的资产部件A。例如,严重性模型分析器410可以确定一个或多个资产部件的变化率值、健康状态等对要从服务中移除资产的概率的影响。例如,严重性模型分析器410可以响应于确定资产部件A是运营商资产从服务中的移除率的显著影响而为运营商生成工作范围、调整预测工作范围等。例如,表878表示第2年中25%的资产移除是响应于识别要维护的资产部件A。例如,响应于为运营商管理的资产生成预测的工作范围,因资产部件A引起的资产移除的百分比逐年下降。示例严重性模型分析器410可以通过确定一个或多个资产部件的变化率值、健康状态等的影响来改善运营商队中所包括的资产的资产健康管理,并且基于该确定来改善资产的预测工作范围。
图9是将AHQ诸如TOW映射到严重性因子(例如,图8A的发动机温度严重性因子805、图8A的环境严重性因子810等)的示例资产部件级严重性模型900的示意图。例如,严重性模型分析器410可以使用图8A的TOW严重性模型生成系统800生成图9的资产部件级严重性模型900。在图9的所示示例中,资产部件级严重性模型900将资产部件的TOW小时数映射到资产部件(例如,图1的高压压缩机116、图1的燃烧室118等)的严重性因子,所述资产部件诸如资产部件A、资产部件B、资产部件C和资产部件D。替代地,可以存在比图9所描绘的更少或更多的资产部件。
在图9的所示示例中,基于TOW到资产部件级严重性模型900中的严重性因子的映射来确定资产部件中的每一个的敏感性。在图9的所示示例中,x轴910表示从0标度到1的严重性因子。替代地,可以使用任何其他值范围来标度x轴910。在图9的所示示例中,y轴920表示资产部件的从0标度到1的TOW。替代地,可以使用任何其他值范围来标度y轴920。
在图9的所示示例中,资产部件B具有所描绘的资产部件的最高敏感性之一,如资产部件B敏感性线930(较深色虚线)所表示的。例如,随着严重性因子值的增大,资产部件B可以具有减小的TOW。替代地,在图9的所示示例中,资产部件D基于资产部件D敏感性线940具有所描绘的资产部件的最低敏感性之一。例如,随着严重性因子值的增大或减小,资产部件D具有大体类似的TOW。
在一些示例中,严重性模型分析器410可以生成图9的资产部件级严重性模型900以确定严重性因子对TOW的影响,从而确定严重性因子对TOW AHQ的影响的严重程度、重要程度等。例如,严重性模型分析器410可以指导AWGS 220的一个或多个部件基于资产部件级严重性模型900来更新。例如,严重性模型分析器410可以指导基于物理的模型452基于严重性因子值来更新发动机102的部件的变化率参数。例如,响应于更新基于物理的模型452,图4的工作范围量词分析器415可以基于感兴趣的资产已经历或将要经历的严重性因子值来生成感兴趣的资产的更准确的AHQ(例如,TOW、资产健康等)。
图10是由图3至图4的WEC 315实现推荐的效果的示意图,以通过调整资产的运营商行为参数诸如发动机减速行为、涡轮发动机锥度计划表等来优化和/或以其他方式改善运营商资产行为。在图10的所示示例中,锥度计划表影响曲线图1000包括运营商A和运营商B的TOW严重性比的描述。TOW严重性比表示TOW的增大或减小。例如,TOW严重性比1.05表示与基线TOW严重性比相比,TOW增大5%。
在图10的所示示例中,具有超控(锥度X)条1010的减速选项A现况表示运营商A和B当前使用锥度X计划表并允许飞行员超控发动机减速选项A并且将运营商A和B标准化为1.00的基线TOW严重性比。在图10的所示示例中,无超控(锥度X)条1020的减速选项A表示运营商A和B使用锥度X计划表并执行减速选项A,但不允许飞行员超控减速选项A。如图10所示,与运营商B相比,运营商A先前允许更多的超控,并且因此通过不允许飞行员超控减速选项A发动机行为而受益于更高的TOW严重性比。
在图10的所示示例中,无超控(锥度X)条1030的减速选项B表示运营商A和B基于WEC 315的推荐调整减速选项的效果。例如,严重性模型分析器410可以为运营商A生成以下推荐:从不存在使用锥度X计划表1020的超控的减速选项A调整为不存在使用锥度X计划表1030的超控的减速选项B。因此,基于严重性模型分析器410的推荐调整,TOW严重性比从基线1.00增大到约1.07。在另一示例中,严重性模型分析器410可以为运营商B生成以下推荐:从不存在使用锥度X计划表1020的超控的减速选项A调整为不存在使用锥度X计划表1030的超控的减速选项B。因此,基于严重性模型分析器410的推荐调整,TOW严重性比从基线1.00略微增大到可忽略地高于1.00。在此示例中,调整并未显著地调整运营商B的TOW严重性比。在一些示例中,严重性模型分析器410指导系统更新器420基于生成低效推荐来更新图2至图3的AWGS 220的一个或多个部件。
在一些示例中,严重性模型分析器410为运营商B生成以下另一推荐:从不存在使用锥度X计划表1020的超控的减速选项A调整为不存在使用锥度Y计划表1040的超控的减速选项A、不存在使用锥度Y计划表1050的超控的减速选项B。因此,示例严重性模型分析器410可以生成指导对应于由运营商操作的一个或多个资产的运营商行为的调整的推荐,以影响一个或多个资产的健康、操作等。
在图11至图13中示出表示用于实现图3至图4的WEC 315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,所述处理器诸如为在下面关于图14中讨论的示例处理器平台1400中显示的处理器1412。程序可以软件实施,所述软件存储在非暂态计算机可读存储介质上,诸如CD-ROM、软盘、硬盘驱动器、数字通用盘(DVD)、蓝光磁盘或者与处理器1412关联的存储器,但整个程序和/或其部分替代地可由处理器1412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11至图13中示出的流程图描述了示例程序,但可以替代地使用实现示例WEC 315的许多其他方法。例如,框的执行次序可以改变,和/或所描述的一些框可以被改变、消除或组合。除此之外或替代地,任何或所有框可以由被构造成在不执行软件或固件的情况下执行对应操作的一个或多个硬件电路(例如,离散的和/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。
如上所述,可使用编码指令(例如,计算机和/或机器可读指令)实现图11至图13的示例过程,所述编码指令存储在非暂态计算机和/或机器可读介质上,诸如硬盘驱动器、闪存存储器、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他存储装置或存储盘。如本文所用,术语非暂态计算机可读介质明确地定义为包括任何类型的计算机可读存储装置和/或存储盘,而不包括传播信号且不包括传输介质。“包括”和“包含”(及其所有形式和时态)在本文中用作开放式术语。因此,每当权利要求列出任何形式的“包括”或“包含”(例如,含有等)之后的任何内容时,应理解,可以存在附加要素、术语等,而不超出对应权利要求的范围。如本文所用,当短语“至少”用作权利要求的前序部分中的过渡词时,与术语“包含”和“包括”一样是开放式的。
图11是表示可以由图3至图4的示例WEC 315执行以生成包括候选改善计划的推荐计划的报告的示例方法的流程图。示例方法开始于框1102,在该框处,示例WEC 315获得资产监视信息。例如,图4的收集发动机400可以获得图3至图4的输入325,诸如图4的资产传感器数据430、资产环境数据432等。
在框1104处,示例WEC 315获得运营商要求。例如,收集发动机400可以从图3的数据库345获得图3的要求340。例如,收集发动机400可以从数据库345获得TOW要求、对资产维护操作相对应的合同要求、资产减速参数等。
在框1106处,示例WEC 315计算资产参数。例如,性能模型分析器405可以指导历史数据模型450、基于物理的模型452等基于图3至图4的输入325来计算发动机102的发动机减速参数(例如,起飞减速参数、爬升减速参数、陆基涡轮发动机减速参数等)。在另一示例中,性能模型分析器405可以指导历史数据模型450、基于物理的模型452等针对多个运营商为多个资产计算发动机减速参数。
在框1108处,示例WEC 315基于资产参数生成一个或多个参考性能模型。例如,性能模型分析器405可以基于由历史数据模型450、基于物理的模型452等计算的资产参数来生成图6A的基于物理的性能参考模型608、图6B的回归参考模型610等。
在框1110处,示例WEC 315基于运营商行为与参考性能模型的比较来计算偏差值。例如,性能模型分析器405可以通过计算运营商的实际资产参数与参考性能模型中包括的资产参数之间的差值来生成图6C的残差性能模型640。
在框1112处,示例WEC 315基于资产参数生成一个或多个严重性模型。例如,严重性模型分析器410可以基于一个或多个资产部件级严重性模型诸如图9的资产部件级严重性模型900来生成图8B的队级模型870。
在框1114处,示例WEC 315基于模型来将一个或多个运营商识别为候选改善目标。例如,性能模型分析器405可以将图6C的残差性能模型640中的运营商E识别为候选改善目标。在另一示例中,性能模型分析器405可以将图6D的AHQ性能模型650中的运营商P、G和H识别为候选改善目标。
在框1116处,示例WEC 315生成包括候选改善计划的推荐计划的报告。例如,性能模型分析器405可以基于分析图6C的残差性能模型640来生成包括优化和/或以其他方式改善运营商E的资产运营商行为的推荐的报告。在另一示例中,严重性模型分析器410可以基于分析图8B的队级模型870、图9的资产部件级严重性模型900等来生成包括优化和/或以其他方式改善运营商的资产运营商行为的推荐的报告。
在框1118处,示例WEC 315基于该报告触发资产工作范围生成过程。例如,WEC 315可以触发图2至图3的AWGS 220以便为资产生成工作范围并通过生成调整运营商行为参数以优化和/或以其他方式改善有缺陷的运营商行为的推荐来指导对资产执行工作范围。例如,响应于性能模型分析器405基于图6C的残差性能模型640将运营商E识别为候选改善目标,性能模型分析器405可以指导图3的资产健康计算器300使用推荐的运营商行为参数(例如,推荐的发动机减速参数、起飞减速参数、爬升减速参数等)生成发动机102和/或由运营商E操作的其他资产的一个或多个AHQ。响应于由示例性能模型分析器405激活示例资产健康计算器300,资产健康计算器300可以使用报告中所包括的推荐的发动机减速参数来执行图4的模型450、452、454、456中的一个或多个。
响应于资产健康计算器300生成一个或多个AHQ,资产健康计算器300可以(1)将由运营商E操作的一个或多个资产识别为要从服务中移除的候选资产,以及(2)生成移除一个或多个资产的移除计划表。响应于生成移除计划表,示例任务生成器305可以生成要对移除的资产执行的一个或多个维护任务,并且示例任务优化器310可以基于维护任务选择工作范围。响应于示例任务优化器310选择工作范围,可以对一个或多个移除的资产执行所选择的工作范围以改善一个或多个移除的资产的健康和/或操作。响应于触发资产工作范围生成过程,示例方法结束。
图12是表示可以由图3至图4的示例WEC 315执行以基于生成性能模型而生成包括候选改善计划的推荐计划的报告的示例方法的流程图。图12的示例过程可用于实现图11的框1108和/或1116的操作。示例方法开始于框1202,在该框处,示例WEC 315选择感兴趣的运营商进行处理。例如,收集发动机400可以选择感兴趣的运营商进行处理。
在框1204处,示例WEC 315获得与运营商资产相对应的资产监视信息。例如,收集发动机400可以从与运营商相关联的发动机102和/或从与运营商相关联的多个发动机获得发动机减速信息。例如,当发动机102在图5的飞行路线500中操作时、当发动机102在服务中时等,图4的收集发动机400可以获得图3至图4的输入325,诸如图4的资产传感器数据430、资产环境数据432等。
在框1206处,示例WEC 315利用基于物理的模型来基于资产监视信息确定资产参数。例如,性能模型分析器405可以使用图4的基于物理的模型452基于针对发动机102和/或与感兴趣的运营商相关联的多个发动机的图3至图4的输入325来计算发动机102的发动机减速参数。
在框1208处,示例WEC 315利用历史信息基于资产监视信息来确定资产参数。例如,性能模型分析器405可以使用图4的历史数据模型450基于针对发动机102和/或与感兴趣的运营商相关联的多个发动机的图3至图4的输入325来计算发动机102的发动机减速参数。
在框1210处,示例WEC 315确定是否选择另一感兴趣的运营商进行处理。例如,收集发动机400可以确定选择另一感兴趣的运营商进行处理。如果在框1210处,示例WEC 315确定选择另一感兴趣的运营商进行处理,则控制返回到框1202以选择另一感兴趣的运营商进行处理。
如果在框1210处,示例WEC 315确定不选择另一感兴趣的运营商进行处理,则在框1212处,WEC 315将资产参数映射到发动机性能特征。例如,性能模型分析器405可以将由基于物理的模型452生成的发动机减速参数映射到飞行器重量。在另一示例中,性能模型分析器405可以将由历史数据模型450生成的发动机减速参数映射到飞行器重量。
在框1214处,示例WEC 315基于针对已处理的运营商的映射来生成一个或多个参考性能模型。例如,性能模型分析器405可以基于一个或多个运营商的发动机减速参数映射到飞行器重量来生成图6A的性能参考模型600。在另一示例中,性能模型分析器405可以基于一个或多个运营商的发动机减速参数映射到飞行器重量、机场标高和环境温度来生成图6B的回归能参考模型610。
在框1216处,示例WEC 315基于比较运营商行为与参考模型来计算一个或多个残差模型。例如,性能模型分析器405可以通过计算实际运营商行为(例如,实际发动机减速行为、即时起飞减速行为、当前起飞减速行为等)与图6A的性能参考模型600中包括的运营商行为之间的差值来生成图6C的残差性能模型640。在另一示例中,性能模型分析器405可以通过计算实际运营商行为(例如,实际发动机减速行为、起飞减速行为、当前起飞减速行为等)与图6B的回归参考模型610中包括的运营商行为之间的差值来生成图6C的残差性能模型640。
在框1218处,示例WEC 315基于一个或多个残差模型来将一个或多个运营商识别为候选改善目标。例如,性能模型分析器405可以基于操作与队平均值相比多个表现不佳和/或未被有效利用的涡轮发动机来将图6C中的运营商D和/或E基于图6C的残差性能模型640识别为候选改善目标。
在框1220处,示例WEC 315生成包括候选改善目标的推荐计划的报告。例如,性能模型分析器405可以生成包括对图6C中的运营商C和/或E在操作表现不佳的资产时调整发动机减速参数的推荐的报告。
在框1222处,示例WEC 315基于该报告触发资产工作范围生成过程。例如,WEC 315可以触发图2至图3的AWGS 220以便为资产生成工作范围并通过生成调整运营商行为参数以优化和/或以其他方式改善有缺陷的运营商行为的推荐来指导对资产执行工作范围。例如,响应于性能模型分析器405基于图6C的残差性能模型640将运营商E识别为候选改善目标,性能模型分析器405可以指导图3的资产健康计算器300使用推荐的运营商行为参数(例如,推荐的发动机减速参数等)生成发动机102和/或由运营商E操作的其他资产的AHQ。响应于由示例性能模型分析器405激活示例资产健康计算器300,资产健康计算器300可以激活示例任务生成器305并触发任务生成器305以激活任务优化器310来选择并指导对资产执行工作范围以改善资产的健康和/或操作。响应于触发资产工作范围生成过程,示例方法结束。
图13是表示可以由图3至图4的示例WEC 315执行以基于生成严重性模型而生成包括候选改善计划的推荐计划的报告的示例方法的流程图。图13的示例过程可用于实现图11的框1112和/或1116的操作。示例方法开始于框1302,在该框处,示例WEC 315获得资产监视信息。例如,图4的收集发动机400可以获得图3至图4的输入325,诸如图4的资产传感器数据430、资产环境数据432等。
在框1304处,示例WEC 315选择感兴趣的资产健康量词(AHQ)进行处理。例如,严重性模型分析器410可以选择TOW AHQ进行处理。在框1306处,示例WEC 315选择感兴趣的严重性模型因子进行处理。例如,严重性模型分析器410可以选择与图8A的发动机温度严重性因子805相对应的发动机温度严重性因子进行处理。
在框1308处,示例WEC 315基于AHQ和严重性模型因子生成严重性模型。例如,严重性模型分析器410可以基于资产部件的TOW映射到发动机温度来生成图9的资产部件级严重性模型900。在框1310处,示例WEC 315选择感兴趣的资产进行处理。例如,严重性模型分析器410可以选择图1的发动机102进行处理。
在框1312处,示例WEC 315将所选择的资产的资产部件的AHQ和严重性模型因子映射到严重性模型。例如,严重性模型分析器410可以将发动机102的资产部件B当前或先前经历的0.5的严重性因子值映射到图9的资产部件级严重性模型900的严重性因子值,以生成资产部件B的标度为约0.5的TOW小时数的预期TOW。在此示例中,严重性模型分析器410可以将标度为0.5的TOW小时数的预期TOW与资产部件B的标度为0.6的TOW小时数的示例实际TOW进行比较以基于该比较计算标度为0.1的TOW小时数的AHQ差值。示例严重性模型分析器410可以将实际TOW与发动机102的其他部件的严重性因子值进行比较(例如,迭代地比较等)
在框1314处,示例WEC 315基于该比较确定资产部件中的至少一个是否满足阈值。例如,严重性模型分析器410可以基于标度为0.6的TOW小时数的实际AHQ大于标度为0.5的TOW小时数的预期AHQ阈值来确定标度为0.5的TOW小时数的预期AHQ阈值已得到满足。在另一示例中,严重性模型分析器410可以将标度为0.1的TOW小时数的AHQ差值与标度为0.08的TOW小时数的AHQ差值阈值进行比较,并且基于AHQ差值大于AHQ差值阈值来确定AHQ差值阈值已得到满足。
如果在框1314处,示例WEC 315基于该比较确定资产部件中的至少一个不满足阈值,则控制前进到框1318以选择另一感兴趣的资产进行处理。如果在框1314处,示例WEC315确定资产部件中的至少一个满足阈值,则在框1316处,WEC 315将资产和资产部件识别为要维护的候选者。例如,严重性模型分析器410可以将与资产部件B相对应的发动机102的部件识别为要从运行中移除以执行维护操作的候选者。
在框1318处,示例WEC 315确定是否选择另一感兴趣的资产进行处理。例如,收集发动机400可以确定选择由特定运营商操作的另一资产、队中的另一资产等进行处理。如果在框1318处,示例WEC 315确定选择另一感兴趣的资产进行处理,则控制返回到框1310以选择另一感兴趣的资产进行处理。
如果在框1318处,示例WEC 315确定不选择另一感兴趣的资产进行处理,则在框1320处,WEC 315生成包括运营商资产工作范围的一个或多个推荐计划的报告。例如,严重性模型分析器410可以生成包括识别发动机102是要从服务中移除以对燃烧室118执行维护的候选目标的推荐的报告。
在框1322处,示例WEC 315基于该报告触发资产工作范围生成过程。例如,WEC 315可以触发图2至图3的AWGS 220以便为资产生成工作范围并通过生成调整运营商行为参数以优化和/或以其他方式改善有缺陷的运营商行为的推荐来指导对资产执行工作范围。例如,响应于严重性模型分析器410基于图8B的队级模型870、图9的资产部件级严重性模型900等而将发动机102识别为要从服务中移除的候选者。例如,严重性模型分析器410可以指导图3的资产健康计算器300生成由发动机102和/或与发动机102相同的运营商操作的其他资产的AHQ。响应于由示例严重性模型分析器410激活示例资产健康计算器300,资产健康计算器300可以激活示例任务生成器305,并且任务生成器305可以激活任务优化器310以选择并指导对发动机102和/或其他运营商资产执行工作范围以改善资产的健康和/或操作。响应于触发资产工作范围生成过程,示例方法结束。
图14是能够执行图11至图13的指令以实现图3至图4的WEC 315的示例处理器平台1400的框图。处理器平台1400可以是例如服务器或任何其他类型的计算装置。
所示示例的处理器平台1400包括处理器1412。所示示例的处理器1412为硬件。例如,处理器1412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现。硬件处理器可以是基于半导体的(例如,基于硅的)装置。在该示例中,处理器1012实现示例收集发动机400、示例性能模型分析器405、示例严重性模型分析器410、示例工作范围量词计算器415和示例系统更新器420。
所示示例的处理器1412包括本地存储器1413(例如,高速缓存)。所示示例的处理器1412经由总线1418与主存储器通信,所述主存储器包括易失性存储器1414和非易失性存储器1416。易失性存储器1414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/或任何其他类型的随机存取存储器装置实现。非易失性存储器1416可以由闪存存储器和/或任何其他期望类型的存储器装置实现。对主存储器1414、1416的访问由存储器控制器控制。
所示示例的处理器平台1400还包括接口电路1420。接口电路1420可以由任何类型的接口标准诸如以太网接口、通用串行总线(USB)和/或外围组件互连(PCI)快速接口实现。
在所示示例中,一个或多个输入装置1422连接至接口电路1420。一个或多个输入装置1422允许用户将数据和/或命令输入到处理器1412中。一个或多个输入装置可以由例如音频传感器、麦克风、相机(照相机或摄影机)、键盘、按钮、鼠标、触摸屏、跟踪板、跟踪球、等位点(isopoint)装置和/或语音识别系统实现。
一个或多个输出装置1424也连接至所示示例的接口电路1420。输出装置1424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。所示示例的接口电路1420因此通常包括图形驱动卡、图形驱动芯片和/或图形驱动处理器。
所示示例的接口电路1420还包括通信装置诸如发射器、接收器、收发器、调制解调器和/或网络接口卡,以便于经由网络1426(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)与外部机器(例如,任何类型的计算装置)进行数据交换。
所示示例的处理器平台1400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1428。此类大容量存储装置1428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11至图13的编码指令1432可以存储在大容量存储装置1428中,存储在易失性存储器1414中,存储在非易失性存储器1416中,和/或存储在诸如CD或DVD的可移动的非暂态计算机可读存储介质上。
从前述内容可以理解,已经公开了生成涡轮发动机的预测性资产健康量词的示例方法、设备、系统和制品。上述示例工作范围效果计算器识别由运营商管理的涡轮发动机的有缺陷的运营商行为。示例工作范围效果计算器可以通过使用一个或多个基于计算机的模型,诸如基于物理的模型、历史数据模型等,生成参考性能模型来将运营商识别为候选改善目标。示例工作范围效果计算器可以基于确定运营商的运营商行为是比队平均值更好还是更差来将运营商的当前运营商行为与参考性能模型进行比较。
示例工作范围效果计算器可以通过改变与运营商对资产的运行相对应的运营商行为参数,诸如,起飞减速参数、爬升减速参数、锥度计划表等,来生成调整运营商行为的推荐。示例工作范围效果计算器可以通过激活AWGS的一个或多个部件诸如资产健康计算器来基于推荐触发资产工作范围生成系统过程。示例工作范围效果计算器可以激活资产健康计算器以使用推荐的运营商行为参数生成一个或多个资产的AHQ,并基于生成的AHQ来确定是否可以将运营商操作的一个或多个资产识别为要从服务中移除的候选资产。
示例工作范围效果计算器可以通过生成严重性模型来将资产识别为要从服务中移除的候选资产。示例工作范围效果计算器可以执行历史数据模型以生成将运营商行为映射到发动机性能特征的回归模型。示例工作范围效果计算器可以通过结合一个或多个资产部件级严重性模型来生成队级严重性模型。示例工作范围效果计算器可以通过将资产的资产部件的实际TOW应用于队级别严重性模型并将预期TOW与实际TOW进行比较来识别要从服务中移除的资产。示例工作范围效果计算器可以通过激活AWGS的一个或多个部件诸如资产健康计算器而基于所识别的要移除的资产来触发资产工作范围生成系统过程。示例工作范围效果计算器可以激活资产健康计算器以使用队级严重性模型生成一个或多个资产的AHQ,并基于生成的AHQ来确定是否可以将运营商操作的一个或多个资产识别为要从服务中移除的候选资产。
尽管本文已经公开了某些示例方法、设备、系统和制品,但本专利的覆盖范围不局限于此。相反,本专利覆盖合理地落入本专利的权利要求的范围内的所有方法、设备、系统和制品。
Claims (10)
1.一种设备,其包括:
性能模型分析器,用以:
通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数;
基于计算所述队行为参数和与所述队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型;
基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标;以及
为所述候选改善目标确定调整的运营商行为参数;
系统更新器,用以更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数以计算所述候选改善目标所操作的涡轮发动机的资产健康量词;以及
任务优化器,用以基于使用所述调整的运营商行为参数计算所述资产健康量词来确定所述涡轮发动机的工作范围,所述工作范围要对所述涡轮发动机执行、以改善所述涡轮发动机的操作。
2.根据权利要求1所述的设备,其中所述队行为参数、所述运营商行为参数和所述调整的运营商行为参数是发动机减速参数或涡轮发动机锥度计划表。
3.根据权利要求1所述的设备,其中所述发动机性能特征是飞行器重量、机场标高、环境温度或大气颗粒物中的至少一个。
4.根据权利要求1所述的设备,其中所述参考性能模型是包括所述队行为参数到所述发动机性能特征的映射的多变量回归模型。
5.根据权利要求1所述的设备,其还包括所述性能模型分析器,用以:
通过使用所述队的模拟运营商行为参数生成基于物理的参考模型来根据所述发动机性能特征确定所述队行为参数;以及
基于计算所述队行为参数和所述队的运营商行为参数之间的差值来生成所述残差性能模型。
6.根据权利要求5所述的设备,其中所述模拟运营商行为参数是使用涡轮发动机的数字孪生模型计算的。
7.根据权利要求1所述的设备,其还包括所述性能模型分析器,用以生成警报仪表板,所述警报仪表板包括与所述队的所述运营商行为参数相对应的趋势信息。
8.一种方法,其包括:
通过使用运营商队使用涡轮发动机的历史信息生成参考性能模型来根据发动机性能特征确定队行为参数;
基于计算所述队行为参数和与所述队所操作的涡轮发动机的操作相对应的多个运营商行为参数之间的差值来生成残差性能模型;
基于将与运营商相对应的运营商行为参数与所述残差性能模型中的所述队进行比较来将所述运营商识别为候选改善目标;
为所述候选改善目标确定调整的运营商行为参数;
更新基于计算机的模型以用所述调整的运营商行为参数替换所述运营商行为参数以计算所述候选改善目标所操作的涡轮发动机的资产健康量词;
基于使用所述调整的运营商行为参数计算所述资产健康量词来确定所述涡轮发动机的工作范围;以及
对所述涡轮发动机执行所述工作范围以改善所述涡轮发动机的操作。
9.根据权利要求8所述的方法,其中所述队行为参数、所述运营商行为参数和所述调整的运营商行为参数是发动机减速参数或涡轮发动机锥度计划表。
10.根据权利要求8所述的方法,其中所述发动机性能特征是飞行器重量、机场标高、环境温度或大气颗粒物中的至少一个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310244282.9A CN116227079A (zh) | 2017-11-10 | 2018-11-09 | 用以改善涡轮发动机的操作的设备、方法和存储介质 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/809,768 US11181898B2 (en) | 2017-11-10 | 2017-11-10 | Methods and apparatus to generate a predictive asset health quantifier of a turbine engine |
US15/809,768 | 2017-11-10 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244282.9A Division CN116227079A (zh) | 2017-11-10 | 2018-11-09 | 用以改善涡轮发动机的操作的设备、方法和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766566A true CN109766566A (zh) | 2019-05-17 |
CN109766566B CN109766566B (zh) | 2023-04-07 |
Family
ID=66433372
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244282.9A Pending CN116227079A (zh) | 2017-11-10 | 2018-11-09 | 用以改善涡轮发动机的操作的设备、方法和存储介质 |
CN201811329664.7A Active CN109766566B (zh) | 2017-11-10 | 2018-11-09 | 用以改善涡轮发动机的操作的设备、方法和存储介质 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310244282.9A Pending CN116227079A (zh) | 2017-11-10 | 2018-11-09 | 用以改善涡轮发动机的操作的设备、方法和存储介质 |
Country Status (2)
Country | Link |
---|---|
US (2) | US11181898B2 (zh) |
CN (2) | CN116227079A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
CN110533319A (zh) * | 2019-08-27 | 2019-12-03 | 西安电子科技大学 | 一种基于互联形态的微波组件金带互联传输性能预测方法 |
CN112085312A (zh) * | 2019-06-14 | 2020-12-15 | 通用电气公司 | 基于测量的替代模型的增材制造耦接数字孪生生态系统 |
CN113050609A (zh) * | 2021-03-30 | 2021-06-29 | 潍柴动力股份有限公司 | 一种ecu测试方法及装置 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210157312A1 (en) * | 2016-05-09 | 2021-05-27 | Strong Force Iot Portfolio 2016, Llc | Intelligent vibration digital twin systems and methods for industrial environments |
US10012566B2 (en) * | 2016-11-14 | 2018-07-03 | United Technologies Corporation | Parametric trending architecture concept and design |
US10796018B2 (en) * | 2017-11-10 | 2020-10-06 | General Electric Company | Methods and apparatus to generate an optimized workscope |
US20200133254A1 (en) * | 2018-05-07 | 2020-04-30 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data collection, learning, and streaming of machine signals for part identification and operating characteristics determination using the industrial internet of things |
US11755791B2 (en) * | 2018-07-03 | 2023-09-12 | Rtx Corporation | Aircraft component qualification system and process |
US11170140B2 (en) * | 2018-07-03 | 2021-11-09 | Raytheon Technologies Corporation | Aircraft component qualification system and process including variation modeling |
US11281821B2 (en) * | 2018-07-03 | 2022-03-22 | Raytheon Technologies Corporation | Aircraft component qualification system and process for target based inventory qualification |
US20200301406A1 (en) * | 2019-03-21 | 2020-09-24 | United Technologies Corporation | System for forecasting aircraft engine deterioration using recurrent neural networks |
US11636412B2 (en) * | 2020-01-24 | 2023-04-25 | General Electric Company | System and method for prognostic analytics of an asset |
CN111308337A (zh) * | 2020-03-31 | 2020-06-19 | 张铭源 | 一种离心风机入口导叶调节阀门性能评价方法 |
CN112507452B (zh) * | 2020-11-30 | 2024-03-29 | 南京航空航天大学 | 航空发动机涡轮叶片可靠性数字孪生建模方法 |
US11694570B2 (en) | 2021-06-16 | 2023-07-04 | Beta Air, Llc | Methods and systems for simulated operation of an electric vertical take-off and landing (EVTOL) aircraft |
US20230236588A1 (en) * | 2022-01-21 | 2023-07-27 | Caterpillar Inc. | Integrated record of asset usage, maintenance, and condition, and associated systems and methods |
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 |
CN116738872B (zh) * | 2023-05-09 | 2024-01-23 | 北京航空航天大学 | 基于数字孪生的航空发动机综合热管理可视化仿真系统 |
CN117521528B (zh) * | 2024-01-03 | 2024-03-15 | 中国核动力研究设计院 | 一种涡轮设备仿真模型进化方法、装置、介质及计算设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7797062B2 (en) * | 2001-08-10 | 2010-09-14 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
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 |
US20130179388A1 (en) * | 2012-01-05 | 2013-07-11 | Anurag Agarwal | Method, System and Program Product for Intelligent Prediction of Industrial Gas Turbine Maintenance Workscope |
US20160063384A1 (en) * | 2014-08-26 | 2016-03-03 | Ge Aviation Systems Limited | System for building and deploying inference model |
Family Cites Families (27)
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 |
US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
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 |
US7275025B2 (en) * | 2000-12-27 | 2007-09-25 | General Electric Company | Method and system for analyzing performance of a turbine |
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 |
US7203554B2 (en) * | 2004-03-16 | 2007-04-10 | United Technologies Corporation | Model predictive controller with life extending control |
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 |
US20060212281A1 (en) * | 2005-03-21 | 2006-09-21 | Mathews Harry Kirk Jr | System and method for system-specific analysis of turbomachinery |
US20100262442A1 (en) | 2006-07-20 | 2010-10-14 | Standard Aero, Inc. | System and method of projecting aircraft maintenance costs |
WO2008137544A1 (en) * | 2007-05-02 | 2008-11-13 | Mks Instruments, Inc. | Automated model building and model updating |
US20090048730A1 (en) | 2007-08-17 | 2009-02-19 | General Electric Company | Method and system for planning repair of an engine |
US8116990B2 (en) * | 2007-10-19 | 2012-02-14 | Ashok Koul | Method and system for real-time prognosis analysis and usage based residual life assessment of turbine engine components and display |
US8090559B2 (en) * | 2007-12-05 | 2012-01-03 | Honeywell International Inc. | Methods and systems for performing diagnostics regarding underlying root causes in turbine engines |
US8301406B2 (en) * | 2008-07-24 | 2012-10-30 | University Of Cincinnati | Methods for prognosing mechanical systems |
US9477224B2 (en) | 2008-12-12 | 2016-10-25 | General Electric Company | Physics-based lifespan modeling |
US20110313726A1 (en) * | 2009-03-05 | 2011-12-22 | Honeywell International Inc. | Condition-based maintenance system for wind turbines |
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 |
US8249852B2 (en) * | 2011-05-19 | 2012-08-21 | General Electric Company | Condition monitoring of windturbines |
US20130110587A1 (en) | 2011-10-31 | 2013-05-02 | Katherine Tharp Nowicki | Methods and systems for selecting a workscope for a system |
FR2993375B1 (fr) * | 2012-07-10 | 2014-07-18 | Snecma | Methode de detection d'une degradation d'une turbomachine par surveillance des performances de ladite turbomachine |
US9477214B2 (en) * | 2013-03-07 | 2016-10-25 | General Electric Company | Plant control systems and methods |
US9366194B2 (en) * | 2013-09-05 | 2016-06-14 | General Electric Company | Method and system for controlling gas turbine performance with a variable backflow margin |
US10330018B2 (en) * | 2014-03-24 | 2019-06-25 | Rolls-Royce Corporation | Integrating design and field management of gas turbine engine components with a probabilistic model |
US10247032B2 (en) * | 2017-03-28 | 2019-04-02 | Honeywell International Inc. | Gas turbine engine and test cell real-time diagnostic fault detection and corrective action system and method |
-
2017
- 2017-11-10 US US15/809,768 patent/US11181898B2/en active Active
-
2018
- 2018-11-09 CN CN202310244282.9A patent/CN116227079A/zh active Pending
- 2018-11-09 CN CN201811329664.7A patent/CN109766566B/zh active Active
-
2021
- 2021-11-22 US US17/531,911 patent/US20220083040A1/en active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7797062B2 (en) * | 2001-08-10 | 2010-09-14 | Rockwell Automation Technologies, Inc. | System and method for dynamic multi-objective optimization of machine selection, integration and utilization |
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 |
US20130179388A1 (en) * | 2012-01-05 | 2013-07-11 | Anurag Agarwal | Method, System and Program Product for Intelligent Prediction of Industrial Gas Turbine Maintenance Workscope |
US20160063384A1 (en) * | 2014-08-26 | 2016-03-03 | Ge Aviation Systems Limited | System for building and deploying inference model |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085312A (zh) * | 2019-06-14 | 2020-12-15 | 通用电气公司 | 基于测量的替代模型的增材制造耦接数字孪生生态系统 |
CN110488629A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于数字孪生技术的混合动力汽车的管控方法 |
CN110533319A (zh) * | 2019-08-27 | 2019-12-03 | 西安电子科技大学 | 一种基于互联形态的微波组件金带互联传输性能预测方法 |
CN113050609A (zh) * | 2021-03-30 | 2021-06-29 | 潍柴动力股份有限公司 | 一种ecu测试方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116227079A (zh) | 2023-06-06 |
US20190146470A1 (en) | 2019-05-16 |
CN109766566B (zh) | 2023-04-07 |
US11181898B2 (en) | 2021-11-23 |
US20220083040A1 (en) | 2022-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109766566A (zh) | 用以改善涡轮发动机的操作的设备、方法和存储介质 | |
CN110046716A (zh) | 用以生成资产工作范围的系统、方法和存储介质 | |
CN109765058B (zh) | 用于涡轮发动机的设备和方法 | |
CN109766567B (zh) | 用以生成涡轮发动机的资产健康量词的设备和方法 | |
CN109767012A (zh) | 用以生成资产工作范围运行的设备、存储介质和方法 | |
CN109767025B (zh) | 用以生成优化的工作范围的设备、存储介质和方法 | |
CN108733867A (zh) | 用以监测涡轮发动机的健康信息的方法和设备 | |
US11061394B2 (en) | In-situ measurement logging by wireless communication unit for communicating engine data | |
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 | |
US20220076581A1 (en) | Computing environment system for monitoring aircraft engines | |
US10496086B2 (en) | Gas turbine engine fleet performance deterioration | |
CN103370667A (zh) | 对飞机发动机进监控以对维护操作进行预测 | |
US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
Balakrishnan et al. | Aero-engine health monitoring with real flight data using whale optimization algorithm based artificial neural network technique | |
Loro et al. | Datamining turbofan engine performance to improve fuel efficiency | |
US20220237959A1 (en) | System and method for tracking engine and aircraft component data |
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 |