CN110046716A - 用以生成资产工作范围的系统、方法和存储介质 - Google Patents
用以生成资产工作范围的系统、方法和存储介质 Download PDFInfo
- Publication number
- CN110046716A CN110046716A CN201811331578.XA CN201811331578A CN110046716A CN 110046716 A CN110046716 A CN 110046716A CN 201811331578 A CN201811331578 A CN 201811331578A CN 110046716 A CN110046716 A CN 110046716A
- Authority
- CN
- China
- Prior art keywords
- assets
- working range
- health
- asset
- quantifier
- 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
- 238000000034 method Methods 0.000 title claims abstract description 253
- 238000003860 storage Methods 0.000 title abstract description 82
- 230000036541 health Effects 0.000 claims abstract description 709
- 238000012423 maintenance Methods 0.000 claims abstract description 290
- 230000000694 effects Effects 0.000 claims abstract description 131
- 230000003862 health status Effects 0.000 claims abstract description 77
- 238000005457 optimization Methods 0.000 claims description 132
- 230000007613 environmental effect Effects 0.000 claims description 70
- 238000013499 data model Methods 0.000 claims description 68
- 238000005259 measurement Methods 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 230000001052 transient effect Effects 0.000 abstract description 102
- 238000004458 analytical method Methods 0.000 description 246
- 238000013439 planning Methods 0.000 description 236
- 230000000875 corresponding effect Effects 0.000 description 209
- 230000006399 behavior Effects 0.000 description 135
- 239000000243 solution Substances 0.000 description 107
- 230000015654 memory Effects 0.000 description 84
- 230000015572 biosynthetic process Effects 0.000 description 73
- 230000004044 response Effects 0.000 description 73
- 238000010586 diagram Methods 0.000 description 71
- 230000008439 repair process Effects 0.000 description 66
- 230000002123 temporal effect Effects 0.000 description 61
- 230000008569 process Effects 0.000 description 57
- 238000009826 distribution Methods 0.000 description 52
- 230000006870 function Effects 0.000 description 52
- 238000004088 simulation Methods 0.000 description 48
- 230000008859 change Effects 0.000 description 47
- 230000002265 prevention Effects 0.000 description 47
- 230000006872 improvement Effects 0.000 description 41
- 238000012544 monitoring process Methods 0.000 description 41
- 230000008450 motivation Effects 0.000 description 38
- 238000013480 data collection Methods 0.000 description 36
- 230000008901 benefit Effects 0.000 description 33
- 230000009194 climbing Effects 0.000 description 33
- 238000012545 processing Methods 0.000 description 31
- 230000005540 biological transmission Effects 0.000 description 29
- 238000004891 communication Methods 0.000 description 27
- 239000007789 gas Substances 0.000 description 27
- 230000003542 behavioural effect Effects 0.000 description 26
- 238000013507 mapping Methods 0.000 description 19
- 238000002485 combustion reaction Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 17
- 238000007689 inspection Methods 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 16
- 150000003839 salts Chemical class 0.000 description 16
- 230000033001 locomotion Effects 0.000 description 15
- 238000007726 management method Methods 0.000 description 15
- 238000006467 substitution reaction Methods 0.000 description 13
- 230000007704 transition Effects 0.000 description 12
- 239000000446 fuel Substances 0.000 description 11
- 230000009471 action Effects 0.000 description 10
- 230000014509 gene expression Effects 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 230000004048 modification Effects 0.000 description 9
- 239000003607 modifier Substances 0.000 description 9
- 230000009467 reduction Effects 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 8
- 238000006116 polymerization reaction Methods 0.000 description 8
- 230000001965 increasing effect Effects 0.000 description 7
- 238000013179 statistical model Methods 0.000 description 7
- 230000001360 synchronised effect Effects 0.000 description 7
- 230000001960 triggered effect Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 6
- 238000004220 aggregation Methods 0.000 description 6
- 230000001174 ascending effect Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000013500 data storage Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000012986 modification Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 239000004065 semiconductor Substances 0.000 description 6
- 229910052710 silicon Inorganic materials 0.000 description 6
- 239000010703 silicon Substances 0.000 description 6
- 241000208340 Araliaceae Species 0.000 description 5
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 5
- 235000003140 Panax quinquefolius Nutrition 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 5
- 235000008434 ginseng Nutrition 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000013139 quantization Methods 0.000 description 5
- 239000007787 solid Substances 0.000 description 5
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 4
- 241001269238 Data Species 0.000 description 4
- 230000004913 activation Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 230000007850 degeneration Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000037361 pathway Effects 0.000 description 4
- 230000002688 persistence Effects 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000003466 anti-cipated effect Effects 0.000 description 3
- 210000004556 brain Anatomy 0.000 description 3
- 238000005266 casting Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 238000005553 drilling Methods 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 239000004744 fabric Substances 0.000 description 3
- 230000010006 flight Effects 0.000 description 3
- 238000007710 freezing Methods 0.000 description 3
- 230000008014 freezing Effects 0.000 description 3
- 230000000977 initiatory effect Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 208000001491 myopia Diseases 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 239000013618 particulate matter Substances 0.000 description 3
- 238000004393 prognosis Methods 0.000 description 3
- 238000009418 renovation Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000000930 thermomechanical effect Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- NYNKCGWJPNZJMI-UHFFFAOYSA-N Clebopride malate Chemical compound [O-]C(=O)C(O)CC(O)=O.COC1=CC(N)=C(Cl)C=C1C(=O)NC1CC[NH+](CC=2C=CC=CC=2)CC1 NYNKCGWJPNZJMI-UHFFFAOYSA-N 0.000 description 2
- 102000003712 Complement factor B Human genes 0.000 description 2
- 108090000056 Complement factor B Proteins 0.000 description 2
- 206010011906 Death Diseases 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000000712 assembly Effects 0.000 description 2
- 238000000429 assembly Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000010267 cellular communication Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 230000004379 myopia Effects 0.000 description 2
- 230000032696 parturition Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000005406 washing Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000005303 weighing Methods 0.000 description 2
- CVOFKRWYWCSDMA-UHFFFAOYSA-N 2-chloro-n-(2,6-diethylphenyl)-n-(methoxymethyl)acetamide;2,6-dinitro-n,n-dipropyl-4-(trifluoromethyl)aniline Chemical compound CCC1=CC=CC(CC)=C1N(COC)C(=O)CCl.CCCN(CCC)C1=C([N+]([O-])=O)C=C(C(F)(F)F)C=C1[N+]([O-])=O CVOFKRWYWCSDMA-UHFFFAOYSA-N 0.000 description 1
- 101100498818 Arabidopsis thaliana DDR4 gene Proteins 0.000 description 1
- 241000886569 Cyprogenia stegaria Species 0.000 description 1
- 241001170751 Eragrostis curvula streak virus Species 0.000 description 1
- 241001075561 Fioria Species 0.000 description 1
- 206010054949 Metaplasia Diseases 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 241001365789 Oenanthe crocata Species 0.000 description 1
- 241000233855 Orchidaceae Species 0.000 description 1
- 239000012491 analyte Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007728 cost analysis Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000945 filler Substances 0.000 description 1
- 230000024703 flight behavior Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000005802 health problem Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 230000015689 metaplastic ossification Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000009329 sexual behaviour Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000032258 transport Effects 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- 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
- G06Q10/20—Administration of product repair or maintenance
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及用以生成资产工作范围的系统、方法、和非暂态计算机可读存储介质。示例系统包括：资产健康计算器，用以基于生成与第一资产健康状态相对应的第一资产健康量词来标识要对其执行维护的资产；任务生成器，用以确定包括第一资产维护任务的第一工作范围；以及任务优化器，用以基于第一资产健康量词和/或第一工作范围确定包括第二资产维护任务的第二工作范围。示例系统包括工作范围效果计算器，用以在完成对资产的第二工作范围时生成与第二资产健康状态相对应的第二资产健康量词，并用以更新资产健康计算器、任务生成器和/或任务优化器以改善第一工作范围和/或第二工作范围的确定，从而相对于第一资产健康量词改善第二资产健康量词。
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资产工作范围的系统、方法和非暂态计算机可读存储介质。
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，成本由替换昂贵的部件或修理复杂的子组件驱动。
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。
发明内容
公开了用以生成涡轮发动机的资产健康量词的方法、设备、系统和制品。
某些示例提供一种用以生成资产工作范围的示例系统。该示例系统包括：资产健康计算器，用以基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产的部件；任务生成器，用以确定包括对资产部件执行维护的第一组维护任务的第一工作范围；任务优化器，用以基于第一资产健康量词和第一工作范围中的至少一个来确定包括针对资产部件的第二组维护任务的第二工作范围；以及工作范围效果计算器，用以在完成对资产的第二工作范围时生成与资产部件的第二健康状态对应的第二资产健康量词，并且更新资产健康计算器、任务生成器或任务优化器中的至少一个以改善第一工作范围和第二工作范围中的至少一个的确定，从而相对于第一资产健康量词改善第二资产健康量词。
某些示例提供一种用以生成资产工作范围的示例方法。该示例方法包括：使用资产工作范围生成系统(AWGS)基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；使用资产工作范围生成系统确定包括对资产部件执行维护的第一组维护任务的第一工作范围；使用资产工作范围生成系统基于第一资产健康量词和第一工作范围中的至少一个来确定包括针对资产部件的第二组维护任务的第二工作范围；使用资产工作范围生成系统在完成对资产的第二工作范围时生成与资产部件的第二健康状态相对应的第二资产健康量词；以及使用资产工作范围生成系统更新资产工作范围生成系统的部件以改善第一工作范围和第二工作范围中的至少一个的确定，从而相对于第一资产健康量词改善第二资产健康量词。
某些示例提供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资产工作范围。示例指令在被执行时使机器至少：使用资产健康计算器基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；使用任务生成器确定包括对资产部件执行维护的第一组维护任务的第一工作范围；使用任务优化器基于第一资产健康量词和第一工作范围中的至少一个来确定包括针对资产部件的第二组维护任务的第二工作范围；使用工作范围效果计算器在完成对资产的第二工作范围时生成与资产部件的第二健康状态相对应的第二资产健康量词；以及使用工作范围效果计算器更新资产健康计算器、任务生成器或任务优化器中的至少一个，以改善第一工作范围和第二工作范围中的至少一个的确定，从而相对于第一资产健康量词改善第二资产健康量词。
本发明的方面、特征、效果也可以体现在后述技术方案，其中，技术方案1涉及一种系统，其包括：
资产健康计算器，用以基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；
任务生成器，用以确定包括对所述资产部件执行维护的第一组维护任务的第一工作范围；
任务优化器，用以基于所述第一资产健康量词和所述第一工作范围中的至少一个确定包括所述资产部件的第二组维护任务的第二工作范围；以及
工作范围效果计算器，用以：
当完成对所述资产的所述第二工作范围时，生成与所述资产部件的第二健康状态相对应的第二资产健康量词；以及
更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个，以改善所述第一工作范围和所述第二工作范围中的至少一个的确定，以相对于所述第一资产健康量词改善所述第二资产健康量词。
技术方案2涉及根据技术方案1所述的系统，其中所述资产健康计算器用以通过执行计算机生成的模型模拟所述资产的运行条件来生成所述第一资产健康量词。
技术方案3涉及根据技术方案2所述的系统，其中所述计算机生成的模型是基于物理的模型、历史数据模型、随机模型或混合模型中的至少一个。
技术方案4涉及根据技术方案3所述的系统，其中所述资产健康计算器用以通过在某个周期期间模拟所述资产的传感器执行所述资产的数字孪生模型而在所述周期期间模拟所述资产的运行来执行所述基于物理的模型。
技术方案5涉及根据技术方案1所述的系统，其中所述任务优化器用以通过基于合同要求、环境要求和优化度量中的至少一个生成多个工作范围来确定所述第二工作范围。
技术方案6涉及根据技术方案1所述的系统，其中所述工作范围效果计算器用以通过改善与所述资产健康计算器使用的计算机生成的模型相对应的模型算法、运营商行为或传感器参数中的至少一个来更新所述资产健康计算器。
技术方案7涉及根据技术方案1所述的系统，其还包括所述工作范围效果计算器，用以计算所述第一资产健康量词和所述第二资产健康量词之间的差值，将所述差值与工作范围量词阈值进行比较，并确定基于所述比较来更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个。
技术方案8涉及一种方法，其包括：
使用资产工作范围生成系统(AWGS)基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；
使用所述资产工作范围生成系统确定包括对所述资产部件执行维护的第一组维护任务的第一工作范围；
使用所述资产工作范围生成系统基于所述第一资产健康量词和所述第一工作范围中的至少一个确定包括所述资产部件的第二组维护任务的第二工作范围；以及
使用所述资产工作范围生成系统当完成对所述资产的所述第二工作范围时，生成与所述资产部件的第二健康状态相对应的第二资产健康量词；以及
使用所述资产工作范围生成系统更新所述资产工作范围生成系统的部件以改善所述第一工作范围和所述第二工作范围中的至少一个的确定，以相对于所述第一资产健康量词改善所述第二资产健康量词。
技术方案9涉及根据技术方案8所述的方法，其中生成所述第一资产健康量词包括通过执行计算机生成的模型来模拟所述资产的运行条件。
技术方案10涉及根据技术方案9所述的方法，其中所述计算机生成的模型是基于物理的模型、历史数据模型、随机模型或混合模型中的至少一个。
技术方案11涉及根据技术方案10所述的方法，其中执行所述基于物理的模型包括通过在某个周期期间模拟所述资产的传感器执行所述资产的数字孪生模型来在所述周期期间模拟所述资产的运行。
技术方案12涉及根据技术方案8所述的方法，其中确定所述第二工作范围包括基于合同要求、环境要求和优化度量中的至少一个生成多个工作范围。
技术方案13涉及根据技术方案8所述的方法，其中更新所述资产工作范围生成系统的所述部件包括改善与所述资产工作范围生成系统使用的计算机生成的模型相对应的模型算法、运营商行为或传感器参数中的至少一个。
技术方案14涉及根据技术方案8所述的系统，其还包括计算所述第一资产健康量词和所述第二资产健康量词之间的差值，将所述差值与工作范围量词阈值进行比较，并确定基于所述比较来更新所述资产工作范围生成系统的所述部件。
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：
使用资产健康计算器基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；
使用任务生成器确定包括对所述资产部件执行维护的第一组维护任务的第一工作范围；
使用任务优化器基于所述第一资产健康量词和所述第一工作范围中的至少一个确定包括所述资产部件的第二组维护任务的第二工作范围；以及
使用工作范围效果计算器当完成对所述资产的所述第二工作范围时，生成与所述资产部件的第二健康状态相对应的第二资产健康量词；以及
使用所述工作范围效果计算器更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个，以改善所述第一工作范围和所述第二工作范围中的至少一个的确定，以相对于所述第一资产健康量词改善所述第二资产健康量词。
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，其中生成所述第一资产健康量词包括通过执行计算机生成的模型来模拟所述资产的运行条件。
技术方案17涉及根据技术方案16所述的非暂态计算机可读存储介质，其中所述计算机生成的模型是基于物理的模型、历史数据模型、随机模型或混合模型中的至少一个。
技术方案18涉及根据技术方案17所述的非暂态计算机可读存储介质，其中执行所述基于物理的模型包括通过在某个周期期间模拟所述资产的传感器执行所述资产的数字孪生模型来在所述周期期间模拟所述资产的运行。
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，其中确定所述第二工作范围包括基于合同要求、环境要求和优化度量中的至少一个生成多个工作范围。
技术方案20涉及根据技术方案15所述的非暂态计算机可读存储介质，其中更新所述资产健康计算器包括改善与所述资产健康计算器使用的计算机生成的模型相对应的模型算法、运营商行为或传感器参数中的至少一个。
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，所述指令当被执行时，使得所述机器至少计算所述第一资产健康量词和所述第二资产健康量词之间的差值，将所述差值与工作范围量词阈值进行比较，并确定基于所述比较来更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个。
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是示例资产健康计算器设备的示例实现方式的框图。
图5至图16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的示例资产健康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17是执行迭代本地搜索以便为与单个合同相对应的资产生成移除计划表的示意图。
图18示出了表示可被执行以实现可用以实现本文公开的示例的图3至图4的示例资产健康计算器的示例计算机可读指令的示例源代码。
图19是为与多于一个合同相对应的资产生成移除计划表的示例方法的示意图。
图20示出了表示可被执行以实现可用以实现本文公开的示例的图3至图4的示例资产健康计算器的示例计算机可读指令的示例源代码。
图21是使用单级优化生成移除计划表的示例方法的示意图。
图22是使用自顶向下优化生成移除计划表的示例方法的示意图。
图23是使用自底向上优化生成移除计划表的示例方法的示意图。
图24是被构造成执行机器可读指令以实现图5至图16、图18和图20的方法和/或图3至图4的示例资产健康计算器设备的示例处理平台的框图。
图25是图2至图3的示例资产工作范围生成系统的一部分的示例实现方式的框图。
图26A至图26B是图3和/或图25的示例任务生成器的示例实现方式的框图。
图27至图28示出了图26A至图26B的健康状态分析的示例实现方式。
图29示出了图26A至图26B的工作范围任务生成器的示例实现方式。
图30示出了图26A至图26B的工作范围任务处理器的示例实现方式。
图31至图34是表示可以由图3至图9的示例任务生成系统执行以实现本文所公开的示例的示例方法的流程图。
图35是被构造成执行机器可读指令以实现图31至图34的方法和/或图2至图3和/或图25至图30的示例资产工作范围生成系统的示例处理平台的框图。
图36是图2至图3的示例资产工作范围生成系统的一部分的示例实现方式的框图。
图37是图3和/或图36的示例任务优化器的示例实现方式的框图。
图38是图37的示例工作范围驱动器的示例实现方式的框图。
图39示出了图37的示例工作范围分析器的示例实现方式。
图40示出了目标资产的示例决策网络和相关联的概率。
图41A至图41B示出了在起点和终点之间具有加权路径的示例网络。
图42A至图42B示出了用以工作范围分析的示例的基于状态的系统。
图43示出了目标资产中的状态转换和模块的示例网格或时间有向图。
图44和图46是表示可以由图3和/或图36至图39的示例工作范围生成系统执行以实现本文公开的示例的示例方法的流程图。
图45是对于多个工作范围，进车间修理后的预期在翼时间与合同有效期内的财务影响的示例曲线图。
图47示出了表示可被执行以实现可用以实现本文公开的示例的图3和/或图36至图39的示例资产工作范围生成系统的示例计算机可读指令的示例源代码。
图48是被构造成执行机器可读指令以实现图44和图46的方法和/或图3和/或图36至图39的示例资产工作范围生成系统的示例处理平台的框图。
图49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50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51A是示例性能参考模型的示意图。
图51B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51C是用以标识改善运营商行为的机会的示例残差模型的示意图。
图51D是示例资产健康量词(AHQ)性能模型的示意图。
图52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53A是示例在翼时间严重性模型生成系统。
图53B是示例编队级模型的示意图。
图54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55是由图3和/或图49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56至图58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和/或图49的示例资产健康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59是被构造成执行机器可读指令以实现图56至图58的方法和/或图3和/或图49的示例工作范围效果计算器设备的示例处理平台的框图。
图60是示例现场资产健康咨询器设备的示例实现方式的框图。
图61是使用来自图1的涡轮发动机的数据和图1的涡轮发动机的数字孪生模型来执行跟踪滤波器系统的图60的示例现场资产健康咨询器设备的示例实现方式的框图。
图62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63至图66是表示可由图3的示例资产工作范围生成系统和/或图3和/或图60至图61的示例现场资产健康咨询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67是被构造成执行机器可读指令以实现图63至图66的方法和/或图3和/或图60至图61的示例现场资产健康咨询器设备的示例处理平台的框图。
图68是被构造成执行机器可读指令以实现图5至图16、图18、图20、图31至图34、图44、图46、图47、图56至图58和图63至图66的方法和/或图3至图4的示例资产健康计算器设备、图25至图26B的示例任务生成器设备、图36至图37的示例任务优化器设备、图3和图49的示例工作范围效果计算器设备和/或图3和图60至图61的示例现场资产健康咨询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指代相同或相似部分。
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，以说明方式来展示可实践的特定示例。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”意图表示这些元件中的一个或多个。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，资产工作范围生成系统从一个或多个资产、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，资产工作范围生成系统基于资产健康量词的计算来标识要从服务中移除(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，资产工作范围生成系统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，资产工作范围生成系统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，资产工作范围生成系统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)与阈值的比较来标识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，并基于该比较标识要移除的一个或多个目标资产。
在一些示例中，资产工作范围生成系统为目标资产生成工作范围任务。例如，资产工作范围生成系统可以标识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，资产工作范围生成系统可以标识与该组任务中的每个任务相对应的维护成本。例如，资产工作范围生成系统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，资产工作范围生成系统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，资产工作范围生成系统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。示例资产工作范围生成系统可以基于响应于执行对目标资产的指定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。示例资产工作范围生成系统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。示例资产工作范围生成系统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，来标识目标资产的工作范围。
在一些示例中，资产工作范围生成系统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，资产工作范围生成系统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，资产工作范围生成系统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，资产工作范围生成系统可以响应于工作范围量词阈值得到满足来修改资产工作范围生成系统的一个或多个部件。例如，资产工作范围生成系统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于诸如以下资产：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资产健康计算器设备，用以基于目标资产的资产健康量词的计算来标识要从服务中移除的目标资产。在一些示例中，资产健康计算器设备获得与目标资产相对应的资产监视信息。例如，资产健康计算器设备可以获得与目标资产相对应的资产传感器信息、资产环境信息、资产利用信息等和/或它们的组合。
在一些示例中，资产健康计算器设备执行一个或多个模型诸如基于工程物理的模型、统计模型等以生成资产、资产部件、资产模块等的资产健康量词。在一些示例中，资产健康计算器设备基于资产的预测的使命要求，诸如预测的环境信息、预测的利用信息等，生成预计的资产健康量词，以确定资产部件的退化是否将引起意外的进车间修理(例如，在下一次调度的或预期的进车间修理之前的进车间修理等)。
在一些示例中，资产健康计算器设备通过基于资产部件随时间的预计衰退而预计资产部件的实际资产健康量词的估计值来计算资产部件的预计资产健康量词。例如，资产健康计算器设备可以通过以下操作来预测衰退：使用实际资产健康量词作为资产部件的初始实际资产健康量词；以及通过使用预测的使命要求，包括飞行周期的数量、在翼时间小时数等，执行一个或多个模型来将初始实际资产健康量词外推到预计资产健康量词。
在一些示例中，资产健康计算器设备对实际资产健康量词、预计资产健康量词等进行聚合和排序。例如，资产健康计算器设备可以基于生成的资产健康量词来对资产或资产部件进行排序。在一些示例中，资产健康计算器设备将资产健康量词与阈值(例如，资产健康量词阈值、维护量词阈值等)进行比较，并基于该比较来确定资产健康量词是否满足阈值。
在一些示例中，资产健康计算器设备基于资产的资产健康量词与阈值的比较以及基于该比较对资产健康量词是否满足阈值的确定来将包括一个或多个资产的第一组候选资产标识为一个或多个要移除的候选者。例如，资产健康计算器设备可以基于涡轮发动机的资产健康量词满足阈值来标识要从服务中移除以对涡轮发动机执行维护活动的涡轮发动机。
在一些示例中，资产健康计算器设备基于非资产监视信息来将包括一个或多个资产的第二组候选资产标识为一个或多个要移除的候选者。例如，资产健康计算器设备可以基于对于涡轮发动机来说合同中指定的维护任务之间的时间间隔、客户技术预测信息、客户备用零件信息等来标识要移除的涡轮发动机。如本文所用，术语“合同”是指涡轮发动机运营商(例如，航空公司、制造厂、发电厂等)与涡轮发动机维护提供商之间的协议，其中涡轮发动机维护提供商对涡轮发动机运营商拥有的资产执行维护、维修等。
在一些示例中，资产健康计算器设备将第一组中的候选资产与第二组中的候选资产进行比较。在一些示例中，资产健康计算器设备基于该比较来标识要移除的目标资产。在一些示例中，资产健康计算器设备为标识的目标资产生成移除计划表。例如，资产健康计算器设备可以确定标识的目标资产对应于一个合同或多于一个合同。例如，响应于确定目标资产对应于一个合同，资产健康计算器设备可以基于诸如迭代本地搜索的优化过程的执行来生成目标资产的最优移除计划表。
在另一示例中，响应于确定目标资产对应于多于一个合同，资产健康计算器设备可以使用诸如整数规划、近视优化(例如，滚动优化方法等)、单级优化、自顶向下优化、自底向上优化等的方法和/或它们的组合来生成目标资产的移除计划表。例如，资产健康计算器设备可以通过同时优化和/或以其他方式改善与每个合同相对应的每个资产(或基本上同时考虑到数据处理、传输和存储等待时间)来使用单级优化生成移除计划表。
在另一示例中，资产健康计算器设备可以通过为每个合同生成高级目标移除计划表、顶级目标移除计划表等、为每个合同生成候选移除计划表以及基于目标移除计划表与候选移除计划表的比较而为合同生成优化的和/或以其他方式改善的移除计划表来使用自顶向下优化生成移除计划表。在另一示例中，资产健康计算器设备可以通过为每个合同生成候选移除计划表、将候选移除计划表相组合以及重新调整候选移除计划表以帮助确保关于一个或多个因子，诸如客户约束、维护设施约束、备用零件可用性约束等和/或它们的组合，的全局可行性来使用自底向上优化生成移除计划表。
在某些示例中，资产工作范围生成系统包括工作范围策略分析器(WSA)，该工作范围策略分析器针对每种可能的工作范围策略，评估一系列可能的工作范围在服务合同的使用期内的财务影响、可用性影响(例如，正常运行时间与停机时间)、资源影响和/或其他影响。WSA有助于利用相关联的预测结果形成优化的和/或以其他方式改善的工作范围选择。例如，可以通过获得特定的合同信息并将故障模式分布映射到工作范围模型以利用相关联的价格、成本和计费结构构建工作范围模型来生成工作范围选择。对于给定的进车间修理，可以使用传播到合同终止时的动态规划方法来确定与工作范围选项的故障模式相关联的概率。
在某些示例中，对于可以触发零件或模块上的工作的每个可用分析工具，可以将分析工具映射到最小工作范围，并且可以将多个分析工具相组合以定义最小工作范围。然后，为每次分析传播不确定性，并在零件/模块和发动机级相组合。相组合的不确定性提供了一种算法，用以执行与大修的成本和财务和在翼时间条款的效益相关的分析权衡。
在某些示例中，预测工具生成或标识一个或多个工作范围，从中可以选择满足一个或多个预定标准的工作范围。预测工具接收来自其他工具、来自用户和/或来自另一系统或装置的输入。在示例中，预测工具从分析器工具接收发动机信息并从财务模型工具接收工作范围财务信息。更具体地，在示例中，从分析器工具接收的发动机信息包括但不限于自最近的维护事件以来发动机已经使用的时间量、自最近的维护或修理事件以来一个或多个发动机部件已经使用的时间量、已经故障的一个或多个部件和/或启用预测工具的任何其他数据。从财务模型工具接收的工作范围财务信息包括在每个工作范围内定义的每个维护活动的财务影响，诸如在一个或多个未来日期维护或修理每个部件的财务影响。在示例中，财务影响包括对部件执行维护活动的成本。然而，除此之外或替代地，财务影响还包括与对部件执行维护活动相关联的价格、利润和/或任何其他财务影响。除此之外或替代地，预测工具可以接收其他输入诸如发动机状况、诊断数据、工作范围要求和/或任何其他输入。
如本文所用，术语“维护事件”是指其中系统(例如，发动机)或其部件被带到维护或修理设施或“车间”以对系统或部件执行一个或多个维护活动的事件。维护事件也称为“进车间修理”。这些维护事件可以包括故障驱动事件，其中系统或部件由于故障而被带到设施，并且还可以包括非故障驱动访问，诸如访问设施以进行预防性维护。如本文所使用的，术语“维护活动”是指对系统或部件执行维护，和/或修理系统或部件。
在示例中，预测工具生成指示可对发动机执行的一个或多个工作范围的输出(下文中称为“可用工作范围”)。在一个实施方案中，每个工作范围定义要对部件执行的与每个其他工作范围不同的一组维护活动。在示例中，预测工具标识或生成“基础”工作范围、“完整”工作范围和/或可对发动机执行的一个或多个替代工作范围。在示例中，基础工作范围是要对发动机和/或发动机部件执行的最小的一组维护活动。替代地，基础工作范围可以是要对发动机和/或发动机部件执行的预定的或“默认”的一组修理和/或维护活动。例如，基础工作范围可以仅包括修理已经故障和/或已经标识为“有寿限”部件的部件。如本文所用，术语“有寿限”是指需要在预定时间段内替换和/或修理的部件。替代工作范围包括与基础工作范围中标识的活动相比，可以对发动机和/或发动机部件执行的附加的和/或不同的修理和/或维护活动。完整工作范围是要对系统的每个部件执行的完整的一组维护活动。例如，完整的工作范围可以包括当系统和/或部件被带到维护设施时对系统的每个部件执行维护活动，即使所述部件未被标识为需要维护或修理。可用工作范围(例如，基础工作范围、完成工作范围和/或替代工作范围)被传输到财务模型工具和/或分析器工具。
在示例中，财务模型工具接收来自预测工具和分析器工具的输入。财务模型工具生成指示与每个工作范围相关联的财务信息(例如，财务影响)的输出并将输出传输到预测工具和分析器工具。财务信息包括例如每个工作范围的每个维护活动的成本和/或每个维护活动的任何其他财务影响。在示例中，财务模型工具从预测工具和/或从分析器工具接收可用工作范围的列表。在示例中，财务模型工具还接收关于服务合同或标识发动机和/或发动机部件的修理和/或维护义务的另一仪器的数据以及其中服务合同生效的时间段。在示例中，财务模型工具通过计算例如与在每个工作范围内标识的每个活动相关联的修理和/或维护成本和/或价格来计算每个工作范围的每个维护活动的成本和/或价格(或其他财务影响)。在示例中，财务模型工具针对给定的一组要求生成用以批准一个或多个工作范围的报价，并基于历史记录和/或业务计划生成工作范围的成本和价格。财务模型工具将每个可用工作范围的确定的成本和/或价格或其他财务影响(例如，基础工作范围、完整工作范围和/或每个替代工作范围的维护活动的成本)传输到预测工具和/或分析器工具。
在示例中，分析器工具接收来自预测工具和财务模型工具的输入。此外，分析器工具生成输出并将输出传输到预测工具和财务模型工具。分析器工具从预测工具和/或从财务模型工具接收可用工作范围列表和财务信息。分析器工具基于所接收的输入选择和/或向用户呈现推荐的工作范围。例如，分析器工具计算每个工作范围内的预期维护活动的概率分布，并选择具有最低预期成本和/或价格的工作范围。替代地，分析器工具选择满足由用户或系统或装置标识的任何一个或多个其他标准的工作范围。例如，分析器工具确定每个工作范围的预期效果，并选择具有最佳地满足一个或多个标准的预期效果的工作范围。例如，预期效果可以包括工作范围的预期成本、预期价格、预期利润、预期现金流、预期维护设施负载、预期备用发动机容量或可用性和/或预期“在翼时间”间隔中的一个或多个。因此，在该示例中，分析器工具可以选择对于期望在预定时间间隔期间执行的维护活动具有最低预期成本的工作范围。然而，应该认识到，分析器工具可以选择其中工作范围的预期效果在时间间隔期间满足任何一个或多个其他标准的工作范围。
在示例中，分析器工具通过例如计算每个工作范围的“在翼时间”(TOW)的概率(例如，威布尔分布等)(例如，每个工作范围对发动机操作时间的影响)和财务输出的概率(例如，每个工作范围对由发动机由于每个工作范围而预期生成的收益量的影响)来量化所接收的工作范围的效益和成本。在示例中，对于每个可用的工作范围，分析器工具向用户呈现一系列概率分布，所述概率分布表示在多个未来修理和/或维护事件期间对发动机和/或发动机部件执行工作范围的预期财务和操作性未来结果。
在该示例中，分析器工具从诸如用户或远程装置或系统的外部来源接收输入(下文中称为“外部输入”)。外部输入包括以下一个或多个：发动机状况；一个或多个发动机部件的状况；发动机和/或发动机部件已运行的时间量或发动机周期；发动机部件正在故障或已故障的指示；业务约束和/或因一个或多个服务或其他合同而引起的约束的组或列表；一个或多个服务或其他合同生效的时间量；一个或多个部件为或包括有寿限零件的通知或指示；和/或根据历史现场数据计算的故障分布。替代地，外部输入中的任一个都可以由其他工具接收并且可以传输到分析器工具。
在示例中，分析器工具使用基于状态的解决方案或模型来提供用以在工作范围替代方案中进行选择的逻辑框架(例如，以便于从可用工作范围的列表中选择最优的或推荐的工作范围)。在示例中，分析器工具确定在每次故障驱动的进车间修理时应该执行哪个工作范围，以便使指定的时间间隔内(例如，在服务合同生效的剩余时间期间)的(例如，服务合同内的维护活动的)总预期成本最小化。例如，分析器工具使用动态规划解决方案确定与服务合同相关联的系统的最低预期维护成本(或确定满足任何一个或多个其他标准的预期效果)。
资产维护管理涉及零件、模块的耐久性以及因资产管理解决方案的组合引起的交互作用的详细知识。随着越来越多的分析模型可用以跟踪部件和模块的耐久性以及不同维护合同的设计复杂性，评估不同的工作范围界定决策的财务影响变得非常复杂。某些示例将可用的技术信息、分析信息和财务信息相组合以计算不同的工作范围界定情形的财务影响。
在某些示例中，资产工作范围生成系统包括工作范围策略分析器(WSA)，该工作范围策略分析器针对每种可能的工作范围策略，评估一系列可能的工作范围在服务合同的使用期内的财务影响、可用性影响(例如，正常运行时间与停机时间)、资源影响和/或其他影响。WSA有助于利用相关联的预测结果形成优化的和/或以其他方式改善的工作范围选择。例如，可以通过获得特定的合同信息并将故障模式分布映射到工作范围模型以利用相关联的价格、成本和计费结构构建工作范围模型来生成工作范围选择。对于给定的进车间修理，可以使用传播到合同终止时的动态规划方法来确定与工作范围选项的故障模式相关联的概率。
在某些示例中，对于可以触发零件或模块上的工作的每个可用分析工具，可以将分析工具映射到最小工作范围，并且可以将多个分析工具相组合以定义最小工作范围。然后，为每次分析传播不确定性，并在零件/模块和发动机级相组合。相组合的不确定性提供了一种算法，用以执行与大修的成本和财务和在翼时间条款的效益相关的分析权衡。
在某些示例中，预测工具生成或标识一个或多个工作范围，从中可以选择满足一个或多个预定标准的工作范围。预测工具接收来自其他工具、来自用户和/或来自另一系统或装置的输入。在示例中，预测工具从分析器工具接收发动机信息并从财务模型工具接收工作范围财务信息。更具体地，在示例中，从分析器工具接收的发动机信息包括但不限于自最近的维护事件以来发动机已经使用的时间量、自最近的维护或修理事件以来一个或多个发动机部件已经使用的时间量、已经故障的一个或多个部件和/或启用预测工具的任何其他数据。从财务模型工具接收的工作范围财务信息包括在每个工作范围内定义的每个维护活动的财务影响，诸如在一个或多个未来日期维护或修理每个部件的财务影响。在示例中，财务影响包括对部件执行维护活动的成本。然而，除此之外或替代地，财务影响还包括与对部件执行维护活动相关联的价格、利润和/或任何其他财务影响。除此之外或替代地，预测工具可以接收其他输入诸如发动机状况、诊断数据、工作范围要求和/或任何其他输入。
如本文所用，术语“维护事件”是指其中系统(例如，发动机)或其部件被带到维护或修理设施或“车间”以对系统或部件执行一个或多个维护活动的事件。维护事件也称为“进车间修理”。这些维护事件可以包括故障驱动事件，其中系统或部件由于故障而被带到设施，并且还可以包括非故障驱动访问，诸如访问设施以进行预防性维护。如本文所使用的，术语“维护活动”是指对系统或部件执行维护，和/或修理系统或部件。
在示例中，预测工具生成指示可对发动机执行的一个或多个工作范围的输出(下文中称为“可用工作范围”)。在一个实施方案中，每个工作范围定义要对部件执行的与每个其他工作范围不同的一组维护活动。在示例中，预测工具标识或生成“基础”工作范围、“完整”工作范围和/或可对发动机执行的一个或多个替代工作范围。在示例中，基础工作范围是要对发动机和/或发动机部件执行的最小的一组维护活动。替代地，基础工作范围可以是要对发动机和/或发动机部件执行的预定的或“默认”的一组修理和/或维护活动。例如，基础工作范围可以仅包括修理已经故障和/或已经标识为“有寿限”部件的部件。如本文所用，术语“有寿限”是指需要在预定时间段内替换和/或修理的部件。替代工作范围包括与基础工作范围中标识的活动相比，可以对发动机和/或发动机部件执行的附加的和/或不同的修理和/或维护活动。完整工作范围是要对系统的每个部件执行的完整的一组维护活动。例如，完整的工作范围可以包括当系统和/或部件被带到维护设施时对系统的每个部件执行维护活动，即使所述部件未被标识为需要维护或修理。可用工作范围(例如，基础工作范围、完成工作范围和/或替代工作范围)被传输到财务模型工具和/或分析器工具。
在示例中，财务模型工具接收来自预测工具和分析器工具的输入。财务模型工具生成指示与每个工作范围相关联的财务信息(例如，财务影响)的输出并将输出传输到预测工具和分析器工具。财务信息包括例如每个工作范围的每个维护活动的成本和/或每个维护活动的任何其他财务影响。在示例中，财务模型工具从预测工具和/或从分析器工具接收可用工作范围的列表。在示例中，财务模型工具还接收关于服务合同或标识发动机和/或发动机部件的修理和/或维护义务的另一仪器的数据以及其中服务合同生效的时间段。在示例中，财务模型工具通过计算例如与在每个工作范围内标识的每个活动相关联的修理和/或维护成本和/或价格来计算每个工作范围的每个维护活动的成本和/或价格(或其他财务影响)。在示例中，财务模型工具针对给定的一组要求生成用以批准一个或多个工作范围的报价，并基于历史记录和/或业务计划生成工作范围的成本和价格。财务模型工具将每个可用工作范围的确定的成本和/或价格或其他财务影响(例如，基础工作范围、完整工作范围和/或每个替代工作范围的维护活动的成本)传输到预测工具和/或分析器工具。
在示例中，分析器工具接收来自预测工具和财务模型工具的输入。此外，分析器工具生成输出并将输出传输到预测工具和财务模型工具。分析器工具从预测工具和/或从财务模型工具接收可用工作范围列表和财务信息。分析器工具基于所接收的输入选择和/或向用户呈现推荐的工作范围。例如，分析器工具计算每个工作范围内的预期维护活动的概率分布，并选择具有最低预期成本和/或价格的工作范围。替代地，分析器工具选择满足由用户或系统或装置标识的任何一个或多个其他标准的工作范围。例如，分析器工具确定每个工作范围的预期效果，并选择具有最佳地满足一个或多个标准的预期效果的工作范围。例如，预期效果可以包括工作范围的预期成本、预期价格、预期利润、预期现金流、预期维护设施负载、预期备用发动机容量或可用性和/或预期“在翼时间”间隔中的一个或多个。因此，在该示例中，分析器工具可以选择对于期望在预定时间间隔期间执行的维护活动具有最低预期成本的工作范围。然而，应该认识到，分析器工具可以选择其中工作范围的预期效果在时间间隔期间满足任何一个或多个其他标准的工作范围。
在示例中，分析器工具通过例如计算每个工作范围的“在翼时间”(TOW)的概率(例如，威布尔分布等)(例如，每个工作范围对发动机操作时间的影响)和财务输出的概率(例如，每个工作范围对由发动机由于每个工作范围而预期生成的收益量的影响)来量化所接收的工作范围的效益和成本。在示例中，对于每个可用的工作范围，分析器工具向用户呈现一系列概率分布，所述概率分布表示在多个未来修理和/或维护事件期间对发动机和/或发动机部件执行工作范围的预期财务和操作性未来结果。
在该示例中，分析器工具从诸如用户或远程装置或系统的外部来源接收输入(下文中称为“外部输入”)。外部输入包括以下一个或多个：发动机状况；一个或多个发动机部件的状况；发动机和/或发动机部件已运行的时间量或发动机周期；发动机部件正在故障或已故障的指示；业务约束和/或因一个或多个服务或其他合同而引起的约束的组或列表；一个或多个服务或其他合同生效的时间量；一个或多个部件为或包括有寿限零件的通知或指示；和/或根据历史现场数据计算的故障分布。替代地，外部输入中的任一个都可以由其他工具接收并且可以传输到分析器工具。
在示例中，分析器工具使用基于状态的解决方案或模型来提供用以在工作范围替代方案中进行选择的逻辑框架(例如，以便于从可用工作范围的列表中选择最优的或推荐的工作范围)。在示例中，分析器工具确定在每次故障驱动的进车间修理时应该执行哪个工作范围，以便使指定的时间间隔内(例如，在服务合同生效的剩余时间期间)的(例如，服务合同内的维护活动的)总预期成本最小化。例如，分析器工具使用动态规划解决方案确定与服务合同相关联的系统的最低预期维护成本(或确定满足任何一个或多个其他标准的预期效果)。
资产维护管理涉及零件、模块的耐久性以及因资产管理解决方案的组合引起的交互作用的详细知识。随着越来越多的分析模型可用以跟踪部件和模块的耐久性以及不同维护合同的设计复杂性，评估不同的工作范围界定决策的财务影响变得非常复杂。某些示例将可用的技术信息、分析信息和财务信息相组合以计算不同的工作范围界定情形的财务影响。
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设备标识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使用涡轮发动机在飞行周期中的爬升飞行段中运行时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使用涡轮发动机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)等的环境中运行时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设备用作标识运营商行为(例如，减速行为、起飞减速行为等)的转变的早期警告系统，运营商行为(例如，减速行为、起飞减速行为等)的转变导致基于减速参数的评估而引起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，标识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、编队平均回归模型、历史趋势模型等)获得的数据进行比较以及基于该比较标识特定发动机和/或运营商的偏差而标识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，基于物理的模型用以模拟新的资产。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，基于物理的模型用以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，以标识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标识为候选改善目标。例如，WEC设备可以标识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设备可以指导资产工作范围生成系统修改资产工作范围生成系统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设备可以指导资产工作范围生成系统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设备可以指导资产工作范围生成系统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，资产工作范围生成系统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设备可以指导资产工作范围生成系统修改资产工作范围生成系统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设备可用以基于工作范围量词来优化和/或以其他方式改善资产工作范围生成系统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资产工作范围生成系统的一个或多个部件的修改。例如，WEC设备可以指导资产工作范围生成系统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。
本文公开的示例包括现场资产健康咨询器(FAHA)设备，用以在对资产执行维护操作之前计算和分析资产和相应对应的资产部件的资产健康量词。例如，FAHA可以在资产在现场时(例如，在飞行器的机翼上时、在运行时等)计算和分析资产和对应的资产部件的资产健康量词。例如，现场资产可以指执行运行的资产、运行中生成收益的资产，或者可以指在资产的典型运行中，而不是在资产的测试、开发、演示、维护或其他特殊用途活动中，消耗资产的使用寿命的一部分的服务中的资产。除此之外或替代地，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词以确定响应于执行维护操作而回收的资产健康的量(例如，工作范围等)。
在一些示例中，FAHA设备是由资产维护提供商向资产运营商(例如，航空公司、制造设施等)提供的软件应用程序。例如，FAHA设备可以是可经由诸如个人计算机(例如，台式计算机、膝上型计算机等)、启用因特网的移动手持设备(例如，智能电话、等)、平板电脑(例如，anSURFACETM等)等的计算装置访问的基于web的应用程序。在另一示例中，FAHA设备可以是智能电话应用程序(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)。替代地，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他类型的基于软件的应用程序。
在一些示例中，FAHA设备在资产运行时(例如，在飞行器的机翼上时、当资产在现场时等)计算和分析资产的资产健康量词。在一些示例中，FAHA设备在资产已从运行中移除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词。示例FAHA设备基于以下各项来计算和分析资产健康量词；获得传感器数据(例如，实时传感器数据、实时运行数据等)；执行一个或多个基于计算机的模型以生成模拟资产传感器数据；使用跟踪过滤器校准模拟资产传感器数据；基于校准后模拟资产传感器数据生成资产健康量词(例如，实际资产健康量词、预计资产健康量词等)；以及生成包括资产健康量词和基于所述资产健康量词对资产的工作范围推荐的报告。
在一些示例中，FAHA设备获得资产监视信息。例如，FAHA设备可以获得资产传感器信息、资产环境信息、资产利用信息等和/或它们的组合。例如，FAHA设备可以在运行时(例如，在飞行器的机翼上时、当资产在现场时等)或者在从运行中移除但在检查之前(例如，资产从飞行器上移除但在执行资产检查之前等)获得与现场资产相对应的资产传感器信息。在一些示例中，FAHA设备确定所选择的资产的飞行段。例如，当飞行器进行停放、滑行、起飞、爬升、巡航、下降、进场、着陆等操作时，FAHA设备可以确定资产联接到飞行器。
在一些示例中，FAHA设备执行一个或多个模型诸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视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，诸如涡轮发动机速度、压力、压力比、温度、流速等。在另一示例中，资产参数可以是与资产的冷却流、流量、压力损失、间隙或喷嘴面积变化等相对应的值。在又一示例中，资产参数可以是与资产所联接的飞行器相对应的传感器值。例如，资产参数可以是飞行器的高度、马赫数等。
在一些示例中，一个或多个模型计算资产特征参数诸如效率修改程序(例如，效率相加程序等)、流动修改程序(例如，流动标量等)。如本文所用，术语“效率修改程序”和“效率相加程序”可互换使用，并且是指用于基于涡轮发动机的基线(标称)效率确定涡轮发动机的实际效率(例如，实际涡轮发动机效率)的特征参数。如本文所用，术语“流动修改程序”和“流动标量”可互换使用，并且是指用于基于基线(标称)流速确定实际流速的特征参数，其中流速是指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/或它们的组合来生成资产参数。例如，FAHA设备可以执行一个或多个模型诸如基于工程物理的模型、统计模型等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设备可以在飞行器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设备可以执行一个或多个模型诸如基于工程物理的模型、统计模型等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设备可以在飞行器的爬升飞行段和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设备可以在诸如起飞和离开飞行段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将由跟踪滤波器使用的跟踪滤波器数据。例如，跟踪过滤器数据可以包括稳态资产参数、瞬态资产参数等。例如，与使用瞬态操作数据的长窗口相比，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、从通信地联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设备利用实现了跟踪滤波器的模型。示例FAHA设备可以利用跟踪滤波器以使用跟踪滤波器数据来估计部件衰退、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，跟踪滤波器为经典观测器、逆雅可比(Jacobian)跟踪滤波器、最小二乘跟踪滤波器、卡尔曼滤波器(最优观测器)等。示例FAHA设备可以利用模型和传感器输出来获得、跟踪和分析传感器数据和随时间的传感器数据趋势以确定(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，跟踪滤波器是参数标识算法，其调节模型(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)以调整模型输出使其与传感器输出匹配。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的速度、压力、温度等。示例FAHA设备可以转换或标度传感器数据以产生工程单位诸如rpm、psi或兰金的传感器输出。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一组运行条件的传感器输出的估计值或模型中的涡轮发动机的参数。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，模拟稳态资产传感器数据、模拟瞬态资产传感器数据等)以消除和/或以其他方式最小化差值。例如，FAHA设备可以利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词。
在一些示例中，FAHA设备执行一个或多个模型诸如基于工程物理的模型、统计模型等以基于校准后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词。在一些示例中，资产健康计算器设备基于资产的预测的使命要求，诸如预测的环境信息、预测的利用信息等，来生成预计的资产健康量词。在一些示例中，FAHA对资产健康量词、预计资产健康量词等进行聚合和排序。例如，FAHA设备可以基于生成的资产健康量词来对资产或资产的部件进行排序。在一些示例中，FAHA设备将资产健康量词与阈值(例如，资产健康量词阈值、维护量词阈值等)进行比较并基于该比较来确定资产健康量词是否满足阈值。
在一些示例中，FAHA设备基于校准后模拟资产传感器数据、资产健康量词等来生成报告。例如，FAHA设备可以生成包括资产的校准后资产传感器数据、资产健康量词等的报告。在另一示例中，FAHA设备可以生成包括一个或多个资产标识为要从服务中移除的候选者的报告。在另一示例中，FAHA设备可以生成包括一个或多个资产部件标识为要翻新、维护、替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，编队管理等)、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的和/或以其他方式更加改善的有目标的工作范围计划、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，用以基于发动机输入(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器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、示例资产工作范围生成系统直接连接230、示例网络240、示例资产工作范围生成系统网络连接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被示出为经由资产工作范围生成系统直接连接230通信地联接到资产工作范围生成系统220。例如，资产工作范围生成系统220可以经由资产工作范围生成系统直接连接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。示例资产工作范围生成系统直接连接230可以是直接有线连接或直接无线连接。例如，资产工作范围生成系统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资产工作范围生成系统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，示例资产工作范围生成系统220可以直接连接到涡轮发动机控制器100以获得资产信息。
所示示例的资产工作范围生成系统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，示例资产工作范围生成系统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。示例资产工作范围生成系统220分析发动机102的资产信息以确定资产工作范围。例如，资产工作范围生成系统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，示例资产工作范围生成系统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，资产工作范围生成系统220可以通过经由资产工作范围生成系统网络连接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。示例资产工作范围生成系统网络连接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，经由资产工作范围生成系统网络连接250、无线通信链路270等)传输到示例资产工作范围生成系统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能够与示例资产工作范围生成系统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资产工作范围生成系统直接连接230、资产工作范围生成系统网络连接250等传输到资产工作范围生成系统220。例如，资产工作范围生成系统220上游的路由装置可以停止向资产工作范围生成系统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包括实现资产工作范围生成系统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，示例资产工作范围生成系统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的示例资产工作范围生成系统220的示例实现方式的框图。示例资产工作范围生成系统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，资产工作范围生成系统220包括示例资产健康计算器300，用以标识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的资产工作范围生成系统直接连接230、图2的资产工作范围生成系统网络连接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。
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，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标识来标识要移除的目标资产。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标识来标识要移除的目标资产。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、资产部件等被标识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标识为要移除的候选者。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标识为要移除的候选者。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，资产工作范围生成系统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标识来标识要处理的资产部件。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标识为要替换。
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来标识要处理的资产部件。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阈值来标识要处理的升压压缩机114。
响应于标识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可以用所标识的要处理的部件(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，资产工作范围生成系统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来标识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资产工作范围生成系统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，以基于该比较确定资产工作范围生成系统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。
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标识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，资产工作范围生成系统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，标识发动机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标识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资产工作范围生成系统220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的运行条件改善到资产工作范围生成系统220预期的水平确定可以改善资产工作范围生成系统220。
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)来修改资产工作范围生成系统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资产工作范围生成系统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，确定可以通过更新资产工作范围生成系统220的一个或多个部件来改善资产工作范围生成系统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资产工作范围生成系统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，资产工作范围生成系统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、资产使用情况推荐等。
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，资产工作范围生成系统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、数据库标识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的资产工作范围生成系统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、重新排列、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的示例资产工作范围生成系统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，示例资产工作范围生成系统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、示例工作示例效果计算器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的示例资产工作范围生成系统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。
I.资产健康计算器
图4是图3的示例资产健康计算器300的示例实现方式的框图。所示示例的资产健康计算器300对资产(例如，图1的发动机102)、资产部件(例如，升压压缩机114、高压涡轮120等)等的AHQ(例如，实际AHQ、预计AHQ等)进行计算、聚合和排序。资产健康计算器300包括示例收集发动机400、示例健康量词生成器410和示例移除调度器420。
在图4的所示示例中，资产健康计算器300包括示例收集发动机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获得输入325进行处理。例如，收集发动机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，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，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在全功率下的频率的百分比等。
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，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编队的耐久性参数、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编队。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以确保参数跟踪器405、健康量词生成器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生成的AHQ的准确度。例如，收集发动机400可以获得由工作范围效果计算器315计算的10％、20％、30％等的工作范围量词。例如，资产健康计算器300可以确定基于工作范围量词来更新资产健康计算器300的一个或多个参数。例如，资产健康计算器300可以通过更新历史数据模型450、基于物理的模型452、随机模型454、混合模型456等和/或它们的组合来将模型输入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，资产健康计算器300包括健康量词生成器410，用以基于模型输入335来计算实际AHQ、预计AHQ等。例如，健康量词生成器410可以基于历史数据模型450、基于物理的模型452、随机模型454和混合模型456中的一个或多个的执行来获得模型输入335。在此示例中，健康量词生成器410可以使用最具限制性的模型输入335，或者健康量词生成器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，健康量词生成器410使用历史数据模型450来生成模型输入335。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获得与资产配置、资产类别、环境、利用等类似的资产相对应的信息。在此示例中，历史数据模型450可以生成可以应用以发动机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。
在一些示例中，健康量词生成器410使用基于物理的模型452来生成模型输入335。示例的基于物理的模型452可以是发动机102的数字孪生模型。例如，数字孪生模型可以模拟发动机102的物理行为、热力学健康、性能健康等。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，基于物理的模型452可以模拟发动机102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可以基于执行一个或多个飞行周期、飞行支线、飞行操作等的发动机102的模拟来模拟发动机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)等。
在一些示例中，健康量词生成器410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对潜在结果的概率分布的估计来生成度量。在一些示例中，随机模型454基于使用时间序列技术在所选择的时间段内在历史数据(例如，基于历史数据模型450的模型输入335等)中观测到的波动来生成随机变化。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。
在一些示例中，健康量词生成器410使用混合模型456以使用图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，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，健康量词生成器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，健康量词生成器410可以根据基于模型输入335对风扇段108的子部件的实际AHQ的计算来计算图1的风扇段108的实际AHQ。例如，健康量词生成器410可以通过执行发动机102的基于物理的模型452来计算风扇段108的诸如风扇叶片、轴承、速度传感器等子部件的实际AHQ。在此示例中，健康量词生成器410可以基于对风扇段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)的计算来生成风扇段108的实际AHQ。在一些示例中，健康量词生成器410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，健康量词生成器410基于模型输入335来计算预计AHQ。在一些示例中，预计AHQ表示资产部件的实际AHQ可以基于运行条件而预测的。例如，健康量词生成器410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并基于预测利用和环境计划460生成模型输入335。在一些示例中，预测利用和环境计划460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，健康量词生成器410可以通过基于预测利用和环境计划460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，健康量词生成器410可以基于升压压缩机114的70％的实际AHQ以及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来计算升压压缩机114的30％的预计AHQ。
在一些示例中，健康量词生成器410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，健康量词生成器410可以根据基于模型输入335对风扇段108的子部件的预计AHQ的计算来计算图1的风扇段108的预计AHQ。例如，健康量词生成器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，健康量词生成器410可以基于对风扇段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)的计算来生成风扇段108的预计AHQ。在一些示例中，健康量词生成器410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，健康量词生成器410部署自动化的(例如，无人驾驶的、计算机操作的等)成像系统来检查发动机102以生成AHQ。例如，健康量词生成器410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，健康量词生成器410可以使用对象标识系统(例如，机器学习系统、深度学习系统等)来将图1的升压压缩机114的图像与对象标识数据库中的图像进行比较。在一些示例中，对象标识系统使用基于外观的方法诸如分而治之搜索、边缘匹配、灰度匹配、梯度匹配等来比较图像。在一些示例中，对象标识系统使用基于特征的方法来比较图像。
在一些示例中，健康量词生成器410基于在检查过程、实时操作、维护时段等期间捕获的升压压缩机114的图像与存储在对象标识数据库中的图像的比较来计算升压压缩机114的AHQ。例如，健康量词生成器410可以通过将具有未知AHQ的升压压缩机114的捕获图像与具有已知AHQ的对象标识数据库中的图像进行匹配(例如，将捕获图像在指定的对象标识公差内进行匹配等)以及基于该匹配确定AHQ来确定升压压缩机114的AHQ。
在图4的所示示例中，资产健康计算器300包括移除调度器420，用以标识要从服务中移除的一个或多个候选资产并基于一个或多个标识的候选资产来生成移除计划表。在一些示例中，移除调度器420基于资产(例如，发动机102)的AHQ(例如，实际AHQ、预计AHQ等)与阈值(例如，AHQ阈值、维护阈值、移除阈值等)的比较以及基于该比较对AHQ是否满足阈值的确定来将包括一个或多个资产的第一组候选资产标识为要移除的候选者。
在一些示例中，移除调度器420基于从数据库345获得的非资产监视信息来将包括一个或多个资产的第二组候选资产标识为要移除的候选者。例如，移除调度器420可以基于针对发动机102的在合同中指定的维护任务之间的时间间隔、客户技术预测信息、客户备用零件信息等来标识要移除的发动机102。
在一些示例中，移除调度器420将第一组中的候选资产与第二组中的候选资产进行比较。在一些示例中，移除调度器420基于该比较来标识要移除的目标资产。在一些示例中，移除调度器420生成所标识的目标资产的移除计划表。例如，移除调度器420可以确定所标识的目标资产对应于一个合同或多于一个合同。例如，响应于确定目标资产对应于一个合同，移除调度器420可以基于诸如迭代本地搜索的优化/改善过程的执行来生成目标资产的最优和/或以其他方式改善的移除计划表。
在另一示例中，响应于确定目标资产对应于多于一个合同，移除调度器420可以使用诸如单级优化、自顶向下优化、自底向上优化等的方法和/或它们的组合来生成目标资产的移除计划表。例如，移除调度器420可以通过同时地优化和/或以其他方式改善与每个合同相对应的每个资产(或基本上同时考虑到数据处理、传输和存储等待时间)来使用单级优化生成移除计划表。
在另一示例中，移除调度器420可使用自顶向下优化来生成移除计划表。例如，自顶向下优化中的“顶”可以对应于维护设施，并且自顶向下优化中的“向下”可以对应于运营商合同。例如，自顶向下优化可以包括生成移除计划表，其中维护设施工作流中的时隙被给予优先级，并且用以填充时隙的合同中包括的资产被重新布置以适应维护设施的约束。例如，移除调度器420可以通过为每个合同生成高级目标移除计划表、顶级目标移除计划表等、为每个合同生成候选移除计划表以及基于目标移除计划表与候选移除计划表的比较而为合同生成优化的和/或以其他方式改善的移除计划表来使用自顶向下优化生成移除计划表。
在另一示例中，移除调度器420可以使用自下而上优化来生成移除计划表。例如，自底向上优化中的“底”可以对应于运营商合同，并且自底向上优化中的“向上”可以对应于维护设施。例如，自底向上优化可以包括生成移除计划表，其中合同中包括的资产被给予优先级，并且维护设施工作流程中的时隙被重新布置以适应合同的约束。例如，移除调度器420可以通过为每个合同生成候选移除计划表、将候选移除计划表相组合以及重新调整候选移除计划表以帮助确保关于一个或多个因子，诸如客户约束、维护设施约束、备用零件可用性约束等和/或它们的组合，的全局可行性来使用自底向上优化生成移除计划表。
在图4的所示示例中，健康量词生成器410和/或移除调度器420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，风扇段108、升压压缩机114等)等的AHQ(例如，实际AHQ、预计AHQ等)。在一些示例中，输出470包括一个或多个资产的移除计划表，包括对应的移除计划表信息(例如，维护后勤信息、维修后勤信息等)。例如，输出470可以包括发动机102的移除计划表，包括其中可以维修发动机102的维护设施和其中可以移除、维修和重新部署发动机102的时间线。
尽管图4中示出了图3的资产健康计算器300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、重新排列、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、示例健康量词计算器410、示例移除调度器420和/或更一般地，图3的示例资产健康计算器300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、示例健康量词计算器410、示例移除调度器420和/或更一般地，示例资产健康计算器300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、示例健康量词计算器410和/或示例移除调度器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的示例资产健康计算器300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。
在图5至图16中示出表示实现图3至图4的示例资产健康计算器300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24中讨论的示例处理器平台2400中显示的处理器2412。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2412关联的存储器，但整个程序和/或其部分替代地可由处理器2412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5至图16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资产健康计算器300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5至图16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、光盘、数字通用盘、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/或用以信息的高速缓存)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5是表示可以由图3至图4的示例资产健康计算器300执行以标识要移除的一个或多个目标资产并生成一个或多个标识的目标资产的移除计划表的示例方法的流程图。示例方法开始于框502，在该框处，示例资产健康计算器300选择感兴趣的资产进行处理。例如，收集发动机400可以选择图1的发动机102进行处理。在框504处，示例资产健康计算器300获得资产监视信息。例如，收集发动机400可以获得图3至图4的输入325。下面结合图6描述可用以实现框504的示例过程。
在框506处，示例资产健康计算器300执行一个或多个模型以生成实际资产健康量词。例如，健康量词生成器410可以生成发动机102、发动机102的升压压缩机114等的实际AHQ。下面结合图7描述可用以实现框506的示例过程。在框508处，示例资产健康计算器300生成预计资产健康量词。例如，健康量词生成器410可以生成发动机102、发动机102的升压压缩机114等的预计AHQ。下面结合图8描述可用以实现框508的示例过程。
在框510处，示例资产健康计算器300对实际资产健康量词和预计资产健康量词进行聚合。例如，健康量词生成器410可以对发动机102的多个实际AHQ和预计AHQ进行聚合。在框512处，示例资产健康计算器300可以对聚合的资产健康量词进行排序。例如，健康量词生成器410可以对发动机102的多个实际AHQ和预计AHQ进行排序。
在框514处，示例资产健康计算器300确定聚合的资产健康量词中的至少一个是否满足阈值。例如，移除调度器420可以将升压压缩机114的75％的实际AHQ与80％的实际AHQ阈值进行比较。在此示例中，移除调度器420可以基于实际AHQ小于AHQ阈值来确定实际AHQ满足实际AHQ阈值。
如果在框514处，示例资产健康计算器300确定聚合的资产健康量词中的至少一个不满足阈值，则控制前进到框518以确定是否选择另一感兴趣的资产进行处理。如果在框514处，示例资产健康计算器300确定聚合的资产健康量词中的至少一个满足阈值，则在框516处，资产健康计算器300将所选择的资产标识为要移除的候选资产。例如，移除调度器420可以将发动机102标识为要从服务中移除的候选资产，并且基于排序的资产健康量词将发动机102添加到被标识为要移除的一组候选资产。
在框518处，示例资产健康计算器300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可以确定存在另一个感兴趣的涡轮发动机进行处理。如果在框518处，示例资产健康计算器300确定选择另一感兴趣的资产进行处理，则控制返回到框502以选择另一感兴趣的资产进行处理。如果在框518处，示例资产健康计算器300确定不选择另一感兴趣的资产进行处理，则在框520处，资产健康计算器300基于排序的资产健康量词来标识要移除的第一组候选资产。例如，移除调度器420可以基于发动机102的一个或多个AHQ(例如，排序的AHQ等)来标识要移除的这组候选资产，包括发动机102。
在框522处，示例资产健康计算器300基于非资产健康量词来标识要移除的第二组候选资产。例如，移除调度器420可以基于诸如合同要求的非资产监视信息来标识要移除的一组候选资产。下面结合图9描述可用以实现框522的示例过程。
在框524处，示例资产健康计算器300将第一组候选资产与第二组候选资产进行比较。例如，移除调度器420可以将第一组中所包括的资产与第二组中所包括的资产进行比较，以确定在一组中与另一组相比是否不包括任何资产。
在框526处，示例资产健康计算器300基于该比较生成要移除的一组目标资产。例如，移除调度器420可以基于该比较生成包括发动机102的一组目标资产。在框528处，示例资产健康计算器300为生成的这组目标资产生成移除计划表。例如，移除调度器420可以生成发动机102的移除计划表。下面结合图10描述可用以实现框528的示例过程。响应于为生成的这组目标资产生成移除计划表，示例方法结束。
图6是表示可以由图3至图4的示例资产健康计算器300执行以获得资产监视信息的示例方法的流程图。图6的示例过程可用以实现图5的框504的操作。示例方法开始于框602，在该框处，示例资产健康计算器300获得资产传感器信息。例如，收集发动机400可以获得图4的资产传感器数据430。
在框604处，示例资产健康计算器300获得资产环境信息。例如，收集发动机400可以获得图4的资产环境数据432。在框606处，示例资产健康计算器300获得资产利用信息。例如，收集发动机400可以获得图4的运行/利用数据434。
在框608处，示例资产健康计算器300获得资产配置信息。例如，收集发动机400可以获得图4的资产配置数据436。在框610处，示例资产健康计算器300获得资产类别历史信息。例如，收集发动机400可以获得图4的资产类别历史信息438。在框612处，示例资产健康计算器300获得资产工作范围量词信息。例如，收集发动机400可以获得图4的工作范围量词440。响应于资产工作范围量词信息的获得，示例方法返回到图5的示例的框506以执行一个或多个模型，从而生成实际资产健康量词。
图7是表示可以由图3至图4的示例资产健康计算器300执行以执行一个或多个模型以生成实际资产健康量词的示例方法的流程图。图7的示例过程可用以实现图5的框506的操作。示例方法开始于框702，在该框处，示例资产健康计算器300选择感兴趣的部件进行处理。例如，收集发动机400可以选择图1的风扇段108进行处理。在框704处，示例资产健康计算器300选择感兴趣的子部件进行处理。例如，收集发动机400可以选择风扇段108的风扇叶片进行处理。
在框706处，示例资产健康计算器300相对于感兴趣的子部件执行一个或多个基于物理的模型。例如，健康量词生成器410可以执行图4的基于物理的模型452以模拟风扇段108的风扇叶片的操作。在框708处，示例资产健康计算器300相对于感兴趣的子部件执行一个或多个随机模型。例如，健康量词生成器410可以执行图4的随机模型454以使用连续概率分布来估计风扇段108的风扇叶片的故障率。在此示例中，资产健康计算器300可以使用通过使用图6的示例方法获得的资产监视信息来执行随机模型454。
在框710处，示例资产健康计算器300相对于感兴趣的子部件执行一个或多个历史模型。例如，健康量词生成器410可以执行图4的历史数据模型450以使用针对在与发动机102类似(例如，大体类似等)的资产上操作的风扇叶片所收集的历史数据来估计风扇段108的风扇叶片的故障率。在此示例中，资产健康计算器300可以使用通过使用图6的示例方法获得的资产监视信息来执行历史数据模型450。
在框712处，示例资产健康计算器300相对于感兴趣的子部件执行一个或多个混合模型。例如，健康量词生成器410可以执行混合模型456以使用随机模型454并将随机模型454的输出与基于物理的模型452、历史数据模型等和/或它们的组合的输出进行比较来估计风扇段的风扇叶片的故障率。在此示例中，资产健康计算器300可以使用通过使用图6的示例方法获得的资产监视信息来执行混合模型456。
在框714处，示例资产健康计算器300生成子部件的资产健康量词。例如，健康量词生成器410可以基于模型输入335来计算风扇段108的风扇叶片的实际AHQ。在框716处，示例资产健康计算器300确定是否选择另一感兴趣的子部件进行处理。例如，收集发动机400可以确定选择风扇段108的轴承进行处理。
如果在框716处，示例资产健康计算器300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716处，示例资产健康计算器300确定不选择另一感兴趣的子部件进行处理，则在框718处，资产健康计算器300基于子部件的生成的资产健康量词来生成该部件的资产健康量词。例如，健康量词生成器410可以基于风扇段108的子部件(例如，风扇叶片、轴承等)的实际AHQ来生成风扇段108的实际AHQ。在图7的所示示例中，资产健康计算器300基于相对于框706、708、710和712所描述的模型的执行来生成实际AHQ。另选地，示例资产健康计算器300可以基于与相对于框706、708、710和712所描述的模型相比，一个或更少模型的执行来生成实际AHQ。
在框720处，示例资产健康计算器300确定是否选择另一感兴趣的部件进行处理。例如，收集发动机400可以确定选择图1的升压压缩机114进行处理。如果在框720处，示例资产健康计算器300确定选择另一感兴趣的部件进行处理，则控制返回到框702以选择另一感兴趣的部件进行处理，否则该示例方法返回到图5的示例的框508以生成预计资产健康量词。
图8是表示可以由图3至图4的示例资产健康计算器300执行以生成预计资产健康量词的示例方法的流程图。图8的示例过程可用以实现图5的框508的操作。示例方法开始于框802，在该框处，示例资产健康计算器300获得利用预测信息。例如，收集发动机400可以获得图4的针对发动机102的预测利用和环境计划460。
在框804处，示例资产健康计算器300获得环境计划预测信息。例如，收集发动机400可以获得针对发动机102的预测利用和环境计划460。在框806处，示例资产健康计算器300选择感兴趣的部件进行处理。例如，收集发动机400可以选择图1的风扇段108进行处理。
在框808处，示例资产健康计算器300选择感兴趣的子部件进行处理。例如，收集发动机400可以选择风扇段108的风扇叶片进行处理。在框810处，示例资产健康计算器300基于所获得的信息来执行一个或多个资产健康模型。例如，健康量词生成器410可以使用针对发动机102的预测利用和环境计划460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。
在框812处，示例资产健康计算器300基于模型生成子部件的预计资产健康量词。例如，健康量词生成器410可以基于图4的模型450，452，454，456中的一个或多个的执行来生成风扇段108的风扇叶片的预计资产健康量词。在框814处，示例资产健康计算器300确定是否选择另一感兴趣的子部件进行处理。例如，收集发动机400可以确定选择风扇段108的轴承进行处理。例如，收集发动机400可以确定基于风扇段108与图3至图4的数据库345中的配置文件、零件列表等的比较来选择风扇段108的轴承。例如，收集发动机400可以将风扇段108映射到配置文件，并基于该映射确定风扇段108中所包括的部件的列表。例如，收集发动机400可以基于风扇段108的已经处理的部件与风扇段108的配置文件、零件列表等中定义的尚未处理的部件的比较来确定轴承是否尚未进行处理。
如果在框814处，示例资产健康计算器300确定选择另一感兴趣的子部件进行处理，则控制返回到框808以选择另一感兴趣的子部件进行处理。如果在框814处，示例资产健康计算器300确定不选择另一感兴趣的子部件进行处理，则在框816处，资产健康计算器300基于子部件的生成的资产健康量词来生成该部件的预计资产健康量词。例如，健康量词生成器410可以基于风扇段108的子部件(例如，风扇叶片、轴承等)的预计AHQ来生成风扇段108的预计AHQ。
在框818处，示例资产健康计算器300确定是否选择另一感兴趣的部件进行处理。例如，收集发动机400可以确定处理图1的低压涡轮124。如果在框818处，示例资产健康计算器300确定选择另一感兴趣的部件进行处理，则控制返回到框806以选择另一感兴趣的部件进行处理，否则该示例方法返回到图5的示例的框510以对实际资产健康量词和预计资产健康量词进行聚合。
图9是表示可以由图3至图4的示例资产健康计算器300执行以基于非资产健康量词确定要移除的第二组候选资产的示例方法的流程图。图9的示例过程可用以实现图5的框522的操作。示例方法开始于框902，在该框处，示例资产健康计算器300选择感兴趣的资产进行处理。例如，收集发动机400可以选择图1的发动机102进行处理。
在框904处，示例资产健康计算器300获得预测利用和环境计划信息。例如，收集发动机400可以获得图4的针对发动机102的预测利用和环境计划460。在框906处，示例资产健康计算器300获得合同信息。例如，收集发动机400可以从图3至图4的数据库345获得与发动机102相对应的合同信息。在此示例中，合同信息可以包括诸如维修之间的时间间隔、是否替换或翻新发动机102的部件等的信息。
在框908处，示例资产健康计算器300获得客户操作约束信息。例如，收集发动机400可以从数据库345获得信息，诸如可能在客户的某时间段期间停止服务的资产的数量、客户可访问的服务位置的数量等。在框910处，示例资产健康计算器300获得客户技术预测信息。例如，收集发动机400可以从数据库345获得信息，诸如客户要完成的预期飞行周期的数量、要维修的资产的数量、在翼时间度量(例如，在飞行器的机翼上的资产的使用寿命的90％的目标)等。
在框912处，示例资产健康计算器300获得客户备件信息。例如，收集发动机400可以从数据库345获得信息，诸如客户有存货的备用部件的数量(例如，升压压缩机114、高压涡轮120等的备件的数量)。
在框914处，示例资产健康计算器300确定非资产健康量词信息是否指示移除。例如，健康量词生成器410可以基于预测利用和环境计划460、合同信息、客户备用零件信息等来将发动机102标识为要移除的候选资产。
如果在框914处，示例资产健康计算器300确定非资产健康量词信息未指示移除，则控制前进到框918以确定是否选择另一感兴趣的资产进行处理。如果在框914处，示例资产健康计算器300确定非资产健康量词信息指示移除，则在框916处，资产健康计算器300将所选择的资产标识为候选资产。例如，健康量词生成器410可以基于发动机102经过了合同中指定的维修间隔之间的时间间隔来将发动机102标识为要移除的候选资产。
在框918处，示例资产健康计算器300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可以确定选择另一感兴趣的涡轮发动机进行处理。如果在框918处，示例收集发动机400确定选择另一感兴趣的资产进行处理，则控制返回到框902以选择另一感兴趣的资产进行处理。如果在框918处，示例收集发动机400确定不选择另一感兴趣的资产进行处理，则在框920处，资产健康计算器300生成要移除的第二组候选资产。例如，健康量词生成器410可以基于非AHQ信息生成要移除的包括发动机102的第二组候选资产。作为响应，为了生成要移除的第二组候选资产，示例方法返回到图5的示例的框524，以将第一组候选资产与第二组候选资产进行比较。
图10是表示可以由图3至图4的示例资产健康计算器300执行以针对生成的目标资产生成移除计划表的示例方法的流程图。图10的示例过程可用以实现图5的框528的操作。示例方法开始于框1002，在该框处，示例资产健康计算器300获得合同信息。例如，收集发动机400可以收集与要移除的目标资产诸如图1的发动机102相对应的合同信息。
在框1004处，示例资产健康计算器300获得维护设施信息。例如，移除调度器420可以从图3至图4的数据库345获得信息，诸如能够维修发动机102的维护设施的数量、维护设施处的维护人员和对应技能集的数量等。
在框1006处，示例资产健康计算器300获得客户信息。例如，收集发动机400可以从数据库345获得信息，诸如客户在特定时间段期间移除多个资产(例如，涡轮发动机等)的能力。在框1008处，示例资产健康计算器300确定是否存在与生成的目标资产相对应的多于一个合同。例如，移除调度器420可以确定存在与被标识为要移除的八个资产相对应的两个合同。
如果在框1008处，示例资产健康计算器300确定不存在多于一个合同，则控制前进到框1010以生成一个合同的移除计划表。下面结合图11描述可用以实现框1010的示例过程。如果在框1008处，示例资产健康计算器300确定存在多于一个合同，则控制前进到框1012以生成多于一个合同的移除计划表。下面结合图12描述可用以实现框1012的示例过程。响应于一个合同的移除计划表的生成或者响应于多于一个合同的移除计划表的生成，控制返回到图5的示例以结束。
图11是表示可以由图3至图4的示例资产健康计算器300执行以基于迭代本地搜索来生成一个合同的移除计划表的示例方法的流程图。图11的示例过程可用以实现图10的框1010的操作。示例方法开始于框1102，在该框处，示例资产健康计算器300基于按移除日期对资产的排序来标识初始解决方案。例如，移除调度器420将图17的初始解决方案1700标识为初始解决方案，其中初始解决方案包括基于技术产品计划(TPP)中包括的日期(例如，合同移除日期等)来生成时隙顺序。示例TPP可以包括基于程序触发、合同触发和技术触发而对资产移除的调度。在此示例中，移除调度器420基于移除日期来对发动机1 1710、发动机21720和发动机3 1730进行排序。例如，移除调度器420可以基于发动机1710、1720、1730的实际AHQ、预计AHQ、非AHQ信息等生成发动机1710、1720、1730的移除日期。例如，基于发动机11710的实际AHQ小于发动机2 1720的实际AHQ，发动机1 1710可具有比发动机2 1720更早的移除日期。在另一示例中，基于发动机1 1710具有按指定日期移除发动机1 1710的合同要求，发动机1 1710可具有比发动机2 1720更早的移除日期。
在框1104处，示例资产健康计算器300生成初始解决方案的功能成本。例如，功能成本可以对应于按照图17的初始解决方案1700中概述的顺序对资产执行维护的货币成本。例如，移除调度器420可以通过计算对图17的发动机1 1710、发动机2 1720和发动机3 1730按顺序执行维护的成本来生成图17的初始解决方案1700的功能成本，其中成本是基于合同要求、在维护发动机1-3 1710、1720、1730等之前运营商支付给涡轮发动机维护提供商的金额等。例如，图17的初始解决方案1700的功能成本可以对应于概率函数的基于输入的输出，所述输入包括在管理发动机1-3 1710、1720、1730的合同的使用期内发动机1-3 1710、1720、1730的预期维护成本、在合同使用期内生成的收益、与合同相对应的营业利润率等。在框1106处，示例资产健康计算器300将初始解决方案标识为当前解决方案。例如，移除调度器420可以将图17的初始解决方案1700标识为当前解决方案。
在框1108处，示例资产健康计算器300生成已排序资产中的近邻资产对的列表。例如，移除调度器420可以(1)将图17的发动机1 1710和发动机2 1720标识为第一近邻资产对，(2)将图17的发动机2 1720和发动机3 1730标识为第二近邻资产对，以及(3)将图17的发动机1 1710和发动机3 1730标识为第三近邻资产对。
在框1110处，示例资产健康计算器300确定当前解决方案是否满足阈值。例如，移除调度器420可以将当前解决方案的80,000美元的功能成本与100,000美元的功能成本阈值进行比较，并且基于该比较确定当前解决方案的功能成本满足功能成本阈值。在此示例中，当前解决方案的功能成本基于功能成本小于功能成本阈值而满足功能成本阈值。例如，移除调度器420可以确定当前解决方案是否具有最小化和/或以其他方式降低由所述涡轮发动机维护提供商吸收或内部资助的成本(例如，货币成本、劳动力成本、利用成本等)的功能成本。
在一些示例中，阈值是计算时间限制阈值、斜率变化率等。例如，移除调度器420可以将图11的方法的总经过时间(例如，100毫秒、5秒等)与计算时间限制阈值(例如，200毫秒、10秒等)进行比较并且基于该比较确定总经过时间满足计算限制阈值。在另一示例中，移除调度器420可将自上次解决方案改善以来所经过的时间(例如，100毫秒、5秒等)与计算时间限制阈值进行比较，并基于该比较确定经过的时间满足计算时间限制阈值。在又一示例中，移除调度器420将先前近期改善内的斜率变化率与斜率阈值进行比较，并基于该比较确定斜率变化率满足斜率阈值。
如果在框1110处，示例资产健康计算器300确定当前解决方案满足阈值，则控制前进返回到图10的示例，以返回到图5示例来结束。如果在框1110处，示例资产健康计算器300确定当前解决方案不满足阈值，则在框1112处，资产健康计算器300选择感兴趣的近邻资产对进行处理。例如，移除调度器420可以标识第一近邻对(例如，发动机1 1710和发动机21720等)进行处理。
在框1114处，示例资产健康计算器300在所选择的感兴趣的近邻资产对中更换资产。例如，移除调度器420可以交换图17的发动机1 1710和发动机2 1720，如图17的近邻1解决方案1740中所描绘的那样。在框1116处，示例资产健康计算器300生成修订后解决方案的功能成本。例如，移除调度器420可以生成图17的近邻1解决方案1740的功能成本。
在框1118处，示例资产健康计算器300将修订后解决方案的功能成本与当前解决方案的功能成本进行比较。例如，移除调度器420可以将图17的近邻1解决方案1740的功能成本与图17的初始解决方案1700的功能成本进行比较。在框1120处，示例资产健康计算器300确定修订后解决方案的功能成本是否小于当前解决方案的功能成本。例如，移除调度器420可以确定图17的近邻1解决方案1740的功能成本小于图17的初始解1700的功能成本，因此，表示近邻1解决方案1740是对初始解决方案1700的改善。
如果在框1120处，示例资产健康计算器300确定修订后解决方案的功能成本不小于当前解决方案的功能成本，则控制前进到框1124以选择另一感兴趣的资产进行处理。如果在框1120处，示例资产健康计算器300确定修订后解决方案的功能成本小于当前解决方案的功能成本，则在框1122处，资产健康计算器300将修订后解决方案标识为当前解决方案。例如，移除调度器420可以将图17的近邻1解决方案1740标识为当前解决方案。
在框1124处，示例资产健康计算器300确定是否选择另一感兴趣的近邻资产对进行处理。例如，移除调度器420可以选择第二近邻资产对、第三近邻资产对等进行处理。如果在框1124处，示例资产健康计算器300确定选择另一感兴趣的近邻资产对进行处理，则控制返回到框1110以确定当前解决方案是否满足阈值，否则示例方法返回到图10的示例，以返回到图5的示例来结束。
图12是表示可以由图3至图4的示例资产健康计算器300执行以通过使用近视优化方法、滚动优化方法等执行整数规划来为多于一个合同生成移除计划表的示例方法的流程图。图12的示例过程可用以实现图10的框1012的操作。示例方法开始于框1202，在该框处，示例资产健康计算器300生成计划展望期(planning horizon)值。例如，移除调度器420可以生成两年的计划展望期值1900，如图19的示例中所示。
在框1204处，示例资产健康计算器300生成当前冻结时段值。例如，移除调度器420可以生成六个月的当前冻结时段值1910(参见图19)。例如，当前冻结时段值1910可以对应于按移除计划表的顺序对资产分配的冻结。例如，在图19中的T＝0到T＝6个月的时间段期间，移除计划表中的资产的顺序被冻结，无法进一步改变。通过在图19的当前冻结时段值1910内冻结移除计划表中的资产的顺序，示例移除调度器420可以帮助确保在执行整数规划时避免耗尽计算内存。在框1206处，示例资产健康计算器300生成当前优化窗口值。例如，移除调度器420可以生成图19的一年的当前优化窗口值1930。
在框1208处，示例资产健康计算器300在图19的优化运行11920期间在优化窗口值期间为资产生成移除计划表。例如，移除调度器420在长度等于一年的优化窗口值的计划时段内执行目标资产(例如，包括图1的发动机102的目标资产等)的移除计划表的基于整数规划的优化。在此示例中，在优化窗口值的长度期间限制移除计划表的优化有助于确保在执行整数规划时避免耗尽计算内存。下面结合图13描述可用以实现框1208的示例过程。
在框1210处，示例资产健康计算器300生成修订后优化窗口值。例如，移除调度器420可以将一年的当前优化窗口值1930增加到18个月的修订后优化窗口值1940。在框1212处，示例资产健康计算器300生成修订后冻结时段值。例如，移除调度器420可以将六个月的当前冻结时段值1910增加到图19的一年的修订的冻结时段值1950。
在框1214处，示例资产健康计算器300确定修订后优化窗口值是否满足阈值。例如，移除调度器420可以将18个月的修订后优化窗口值1940与两年的计划展望期值1900进行比较，并基于该比较来确定修订后优化窗口值1940不满足阈值(例如，修订后优化窗口值1940小于计划展望期值1900等)。
如果在框1214处，示例资产健康计算器300确定修订后优化窗口值不满足阈值，则控制返回到框1208以在修订后优化窗口值期间为资产生成移除计划表。如果在框1214处，示例资产健康计算器300确定修订后优化窗口值满足阈值，则在框1216处，资产健康计算器300在计划展望期值期间为资产生成移除计划表。例如，移除调度器420可以在图19的计划展望期值1900期间为资产(例如，包括图1的发动机102的资产等)生成移除计划表。响应于在计划展望期值期间为资产生成移除计划表，示例方法返回到图10的示例，以返回到图5的示例来结束。
图13是表示可以由图3至图4的示例资产健康计算器300执行以在优化窗口值期间为资产生成移除计划表的示例方法的流程图。图13的示例过程可用以实现图12的框1208的操作。示例方法开始于框1302，在该框处，示例资产健康计算器300确定是否使用单级优化来生成移除计划表。例如，移除调度器420可以确定大量的计算处理资源是可用的，并且可以使用计算处理资源来执行单个优化运行。
如果在框1302处，示例资产健康计算器300确定不使用单级优化来生成移除计划表，则控制前进到框1306以确定是否使用自顶向下优化来生成移除计划表。如果在框1302处，示例资产健康计算器300确定使用单级优化生成移除计划表，则在框1304处，资产健康计算器300使用单级优化来生成移除计划表。例如，移除调度器420可以使用单级优化来生成移除计划表。例如，移除调度器420可以通过将一个或多个合同合并在一起来生成与一个或多个合同相对应的一个或多个资产的移除计划表并且响应于一个或多个合同合并在一起来优化移除计划表。下面结合图14描述可用以实现框1304的示例过程。
在框1306处，示例资产健康计算器300确定是否使用自上而下优化来生成移除计划表。例如，移除调度器420可以确定维护设施约束与合同级约束或运营商级约束相比具有优先级。如果在框1306处，示例资产健康计算器300确定不使用自顶向下优化来生成移除计划表，则控制前进到框1310以确定是否使用自底向上优化来生成移除计划表。
如果在框1306处，示例资产健康计算器300确定使用自顶向下优化来生成移除计划表，则在框1308处，资产健康计算器300使用自顶向下优化来生成移除计划表。例如，移除调度器420可使用自顶向下优化来生成移除计划表。例如，移除调度器420可以通过基于维护设施约束的优化和/或指定优先级来为每个合同生成高级别、顶级等目标移除计划表、为每个合同生成候选移除计划表并基于目标移除计划表与候选移除计划表的比较为合同生成优化的和/或以其他方式改善的移除计划表来生成移除计划表。下面结合图15描述可用以实现框1308的示例过程。
在框1310处，示例资产健康计算器300确定是否使用自底向上优化来生成移除计划表。例如，移除调度器420可以确定合同级约束或运营商级约束与维护设施约束相比具有优先级。如果在框1310处，示例资产健康计算器300确定不使用自底向上优化生成移除计划表，则示例方法返回到图12的示例的框1210以生成修订后优化窗口值。
如果在框1310处，示例资产健康计算器300确定使用自底向上优化生成移除计划表，则在框1312处，资产健康计算器300使用自底向上优化来生成移除计划表。例如，移除调度器420可以基于合同级别或运营商级约束的优化和/或指定优先级、候选移除计划表的组合以及候选移除计划表的重新调整来为每个合同生成候选移除计划表，以帮助确保关于一个或多个因子，诸如客户约束、维护设施约束、备用零件可用性约束等和/或它们的组合，的全局可行性。下面结合图16描述可用以实现框1312的示例过程。响应于使用自底向上优化生成移除计划表，示例方法返回到图12的示例的框1210以生成修订后优化窗口值。
尽管图13的示例的示例方法描绘了使用诸如单级优化方法、自顶向下优化方法或自底向上优化方法的一种优化方法生成移除计划表，但替代地，示例移除调度器420和/或更一般地，示例资产健康计算器300可以使用单级优化方法、自顶向下优化方法或自底向上优化方法中的两种或更多种。例如，移除调度器420可以使用如图15的示例中所描述的自顶向下优化方法来生成第一移除计划表，并且可以使用如图16的示例中所描述的自底向上优化方法来生成第二移除计划表。示例移除调度器420可以将第一移除计划表与第二移除计划表进行比较，并基于所选择的移除计划表满足一个或多个维护设施约束、运营商约束、功能成本阈值和/或它们的组合等来选择移除计划表中的一个。
图14是表示可以由图3至图4的示例资产健康计算器300执行以使用单级优化生成移除计划表的示例方法的流程图。图14的示例过程可用以实现图13的框1304的操作。示例方法开始于框1402，在该框处，示例资产健康计算器300通过合并感兴趣的合同来处理合同信息。例如，移除调度器420可以从图3至图4的数据库345获得与要移除的资产(例如，包括图1的发动机102的资产)相对应的合同信息。
在框1404处，示例资产健康计算器300处理维护设施信息。例如，移除调度器420可以从数据库345获得维护设施信息(例如，维护设施的数量、维护设施处的人员的数量、维护设施的当前可用性等)。
在框1406处，示例资产健康计算器300处理客户操作约束信息。例如，移除调度器420可以从数据库345获得客户操作约束信息(例如，客户可以在指定时间段内从服务中移除的资产的数量等)。
在框1408处，示例资产健康计算器300处理客户技术预测信息。例如，移除调度器420可以从数据库345获得客户技术预测信息(例如，在翼时间度量、将由发动机102执行的飞行周期的数量等)。
在框1410处，示例资产健康计算器300处理客户备用零件信息。例如，移除调度器420可以从数据库345获得客户备用零件信息(例如，发动机102、升压压缩机114等的备件的数量)。
在框1412处，示例资产健康计算器300基于处理的信息生成移除计划表。例如，移除调度器420可以基于对应于要移除的资产的合同的合并、对应于合并的合同的信息(例如，合同信息、维护设施信息等)的处理以及基于处理的信息而对资产的移除计划表的生成来生成移除计划表。响应于基于处理的信息而对移除计划表的生成，示例方法返回到图13的示例的框1306以确定是否使用自底向上优化生成移除计划表。
图15是表示可以由图3至图4的示例资产健康计算器300执行以使用自顶向下优化生成移除计划表的示例方法的流程图。图15的示例过程可用以实现图13的框1308的操作。示例方法开始于框1502，在该框处，示例资产健康计算器300为每个合同生成目标移除计划表。例如，移除调度器420可以为与图22的合同1 2200、合同2 2210、合同3 2220和合同42230相对应的资产生成目标移除计划表。
在框1504处，示例资产健康计算器300选择感兴趣的合同进行处理。例如，移除调度器420可以选择图22的合同1 2200进行处理。
在框1506处，示例资产健康计算器300处理维护设施信息。例如，移除调度器420可以从数据库345获得维护设施信息(例如，维护设施的数量、维护设施处的人员的数量、维护设施的当前可用性等)。
在框1508处，示例资产健康计算器300处理客户操作约束信息。例如，移除调度器420可以从数据库345获得客户操作约束信息(例如，客户可以在指定时间段内从服务中移除的资产的数量等)。
在框1510处，示例资产健康计算器300处理客户技术预测信息。例如，移除调度器420可以从数据库345获得客户技术预测信息(例如，在翼时间度量、将由发动机102执行的飞行周期的数量等)。
在框1512处，示例资产健康计算器300处理客户备用零件信息。例如，移除调度器420可以从数据库345获得客户备用零件信息(例如，发动机102、升压压缩机114等的备件的数量)。
在框1514处，示例资产健康计算器300基于处理的信息生成实际移除计划表。例如，移除调度器420可以基于处理的信息(例如，维护设施信息、客户操作约束信息等)来为与图22的合同1 2200相对应的资产生成实际移除计划表。
在框1516处，示例资产健康计算器300确定是否选择另一感兴趣的合同进行处理。例如，移除调度器420可以选择图22的合同22210进行处理。如果在框1516处，示例资产健康计算器300确定选择另一感兴趣的合同进行处理，则控制返回到框1504以选择另一感兴趣的合同进行处理。如果在框1516处，示例资产健康计算器300确定不选择另一感兴趣的合同进行处理，则在框1518处，资产健康计算器300将实际移除计划表与目标移除计划表进行比较。例如，移除调度器420可以将对应于合同1 2200的资产的实际移除计划表与对应于合同1 2200的资产的目标移除计划表进行比较。
在框1520处，示例资产健康计算器300基于该比较来确定实际移除计划表是否有效。例如，移除调度器420可以确定基于实际移除计划表对与图22的合同2200、2210、2220、2230相对应的资产的时隙分配是否不可行、无效等(例如，过多资产被同时分配给同一维护设施、过多资产在特定时间段期间被移除等)。
如果在框1520处，示例资产健康计算器300基于该比较确定实际移除计划表是有效的，则控制前进到框1530以基于实际移除计划表生成移除计划表。如果在框1520处，示例资产健康计算器300基于该比较确定实际移除计划表无效，则在框1522处，资产健康计算器300标识一个或多个冲突合同。例如，移除调度器420可以确定图22的合同2 2210与图2的合同1 2200冲突，因为合同2 2210中的一个或多个资产在与图22的合同1 2200中的一个或多个资产相似的时间段(例如，大体相似的时间段等)内处于相同的维护设施中。
在框1524处，示例资产健康计算器300重新生成与一个或多个冲突合同相对应的一个或多个移除计划表。例如，移除调度器420可以为与图22的合同2 2210相对应的资产重新生成移除计划表。例如，移除调度器420可以确定由于附加约束(例如，维护设施约束、因合同1 2200引起的约束等)而不能根据目标移除计划表来对合同2 2210进行分配或时隙化。示例移除调度器420可以为与合同2 2210相对应的资产重新生成移除计划表，以满足与合同2 2210相对应的约束和由顶(例如，维护设施等)设置的约束。
在框1526处，示例资产健康计算器300将重新生成的一个或多个冲突合同移除计划表与目标移除计划表进行比较。例如，移除调度器420可以将图22的合同2 2210的重新生成的移除计划表与合同22210的目标移除计划表进行比较。
在框1528处，示例资产健康计算器300基于该比较来确定重新生成的冲突合同移除计划表是否有效。例如，移除调度器420可以基于该比较确定图22的合同2 2210是有效的(例如，合同2 2210不再与图22的合同1 2200冲突，等)。
如果在框1528处，示例资产健康计算器300基于该比较确定重新生成的一个或多个冲突合同移除计划表无效，则控制返回到框1522以标识冲突合同。如果在框1528处，示例资产健康计算器300基于该比较确定重新生成的一个或多个冲突合同移除计划表是有效的，则在框1530处，资产健康计算器300生成移除计划表。例如，移除调度器420可以基于确定图22的合同2200、2210、2220、2230的移除计划表中的每一个都是可行的、有效的等来生成移除计划表。响应于移除计划表的生成，示例方法返回到图13的示例方法的框1310以确定是否使用自底向上优化生成移除计划表。
图16是表示可以由图3至图4的示例资产健康计算器300执行以使用自底向上优化生成移除计划表的示例方法的流程图。图16的示例过程可用以实现图13的框1312的操作。示例方法开始于框1602，在该框处，示例资产健康计算器300选择感兴趣的合同进行处理。例如，移除调度器420可以选择图23的合同1 2300进行处理。
在框1604至1610处，示例资产健康计算器300(例如，移除调度器420等)处理与图14的示例的框1404至1410的过程类似(例如，大体类似)的感兴趣的信息。在框1612处，示例资产健康计算器300基于处理的信息生成合同移除计划表。例如，移除调度器420可以基于处理的信息(例如，维护设施信息、客户备用零件信息等)生成合同1 2300的移除计划表。
在框1614处，示例资产健康计算器300确定是否选择另一感兴趣的合同进行处理。例如，移除调度器420可以选择图23的合同22310进行处理。如果在框1614处，示例资产健康计算器300确定选择另一感兴趣的合同进行处理，则控制返回到框1602以选择另一感兴趣的合同进行处理。如果在框1614处，示例资产健康计算器300确定不选择另一感兴趣的合同进行处理，则在框1616处，资产健康计算器300生成候选整体移除计划表。例如，移除调度器420可以生成包括合同1 2300、合同2 2310、合同N-1 2320、合同N 2330等的移除计划表的整体移除计划表，其中N对应于要处理的合同的总数。
在框1618处，示例资产健康计算器300确定候选整体移除计划表是否有效。例如，移除调度器420可以基于候选整体移除计划表满足客户要求、维护设施约束等来确定候选整体移除计划表是有效的。
如果在框1618处，示例资产健康计算器300确定整体移除计划表无效，则控制返回到框1602以选择另一感兴趣的合同进行处理(例如，重新调整移除计划表以帮助确保关于维护设施级约束的全局可行性等)。如果在框1618处，示例资产健康计算器300确定整体移除计划表无效，则在框1620处，资产健康计算器300生成整体移除计划表。例如，移除调度器420可以生成包括与图23的合同2300、2310、2320、2330相对应的资产的移除计划表的整体移除计划表。响应于生成整体移除计划表，示例方法返回到图13的示例以返回到图12的示例的框1210以生成修订后优化窗口值。
图17是执行迭代本地搜索以生成与单个合同相对应的资产的移除计划表的示意图。图11的示例过程可用以实现图17中所描绘的迭代本地搜索。例如，可以对发动机1710、1720、1730的移除计划表重新排序以生成具有对应的不同功能成本的不同解决方案。在图17的所示示例中，深色阴影框表示与在生成不同解决方案时重新布置的发动机相对应的移除计划表。例如，如图17所描绘，移除调度器420通过交换发动机1 1710(深色阴影)和发动机2 1720(深色阴影)的移除计划表的顺序来生成近邻1解决方案1740，同时发动机3 1730保持不变(非深色阴影)。在图17的所示示例中，移除调度器420基于重新布置发动机1710、1720、1730的移除计划表来生成诸如近邻2解决方案1750和近邻3解决方案1760的附加解决方案。
图18描绘了表示示例计算机可读指令的示例源代码1800，所述示例计算机可读指令可被执行以实现图3至图4的示例资产健康计算器300，所述示例资产健康计算器可用以实现本文公开的示例。例如，源代码1800可用以实现图11的方法。在图11的所示示例中，资产健康计算器300生成要执行的工作单的初始序列(例如，初始解决方案等)，并将初始序列设定为当前最佳序列。例如，移除调度器420可以通过增加TPP日期对发动机(例如，资产等)进行排序来生成工作单的初始序列。在图18的所示示例中，资产健康计算器300在经过的时间小于或等于时间限制阈值时执行迭代本地搜索。例如，移除调度器420可以优化和/或以其他方式改善当前最佳序列(例如，移除计划表等)以完成工作单(例如，移除图1的发动机102并对发动机102执行维护任务等)，同时处理源代码1800所花费的时间量小于或等于时间限制阈值(例如，100毫秒、5秒、2分钟等)。
图19是通过使用近视优化方法、滚动优化方法等执行整数规划来为与多于一个合同相对应的资产生成移除计划表的示例方法的示意图。图19的示意图可以与图12的示例过程相对应。
图20描绘了表示示例计算机可读指令的示例源代码2000，所述示例计算机可读指令可被执行以实现图3至图4的示例资产健康计算器300，所述示例资产健康计算器可用以实现本文公开的示例。例如，源代码2000可用以实现图12的方法。在图12的所示示例中，资产健康计算器300(例如，移除调度器420等)生成在计划展望期P、优化窗口时段R和冻结时段F内对发动机的分配(例如，移除计划表等)。当由(t_k+R)给出的计划窗口k的末端小于或等于P时，执行示例源代码2000。
图21是使用单级优化生成移除计划表的示例方法的示意图。图14的示例过程可用以实现图21中所描绘的单级优化过程。在图21的所示示例中，资产健康计算器300(例如，移除调度器420等)将合同1-4 2100、2102、2104、2106合并到合同池2110中。在图21的所示示例中，资产健康计算器300基于航空公司移除能力(例如，客户操作约束信息等)、航空公司备件容量(例如，客户备用零件信息等)和车间诱导能力约束(例如，维护设施信息等)来优化和/或以其他方式改善与合同池2110相对应的移除计划表。除此之外或替代地，可以使用任何其他客户信息、运营商信息、维护设施信息等。
图22是使用自顶向下优化生成移除计划表的示例方法的示意图。图15的示例过程可用以实现图22中所描绘的示例自顶向下优化过程2240。在图22的所示示例中，资产健康计算器300为合同1-4 2200、2210、2220、2230中的每一个，相对于其他合同1-4 2200、2210、2220、2230中的每一个设置目标移除计划表。例如，移除调度器420使用诸如涡轮发动机维护提供商的营业利润率、在翼时间和备用发动机可用性的目标信息以及诸如备用发动机可用性、维护设施容量和合同信息(例如，条款和条件、时间线、度量等)的约束信息来生成合同1-4 2200、2210、2220、2230的时隙顺序。在图22的所示示例中，资产健康计算器300基于目标信息和约束信息来为合同2200、2210、2220、2230中的每一个分配目标移除计划表，然后单独地优化和/或以其他方式改善目标移除计划表。
例如，移除调度器420可以基于估计诸如维护设施信息、客户操作约束信息等的输入来生成目标移除计划表，其中合同1-4 2200、2210、2220、2230彼此不冲突。在所示示例中，资产健康计算器300通过基于诸如维护设施信息、客户操作约束信息等的信息生成实际移除计划表来优化和/或以其他方式改善目标移除计划表。
在所示示例中，资产健康计算器300基于目标移除计划表来确定与每个单独合同相对应的实际移除计划表是否可行、有效等。例如，移除调度器420可以确定将实际移除计划表相组合以获得合同池(例如，合同1-4 2200、2210、2220、2230等)的整体移除计划表并停止图22的自顶向下优化过程2240。在另一示例中，移除调度器420可以确定标识对缩减的一组合同(例如，不可行且无效的合同、与其他合同冲突的合同等)的权衡并更新与无效合同有关的移除计划表。
图23是使用自底向上优化生成移除计划表的示例方法的示意图。图16的示例过程可用以实现图23中所描绘的自底向上优化过程2340。在图23的所示示例中，资产健康计算器300为图23中所描绘的合同2300、2310、2320、2330中的每一个生成移除计划表(例如，最优移除计划表等)。在所示示例中，资产健康计算器300将合同2300、2310、2320、2330中的每一个的移除计划表相组合以获得合同池的移除计划表并检查全局可行性。在所示示例中，资产健康计算器300确定合同池的移除计划表是否是全局可行的(例如，移除计划表与合同信息、客户要求、维护设施约束等相兼容)。在所示示例中，资产健康计算器300重新调整合同池移除计划表以确保具有诸如客户约束、维护设施约束等约束的全局可行性。在所示示例中，如果资产健康计算器300确定合同池移除计划表是全局可行的，则资产健康计算器300停止自底向上优化过程2340。
图24是能够执行图5至图16、图18和图20的指令以实现图3至图4的资产健康计算器300的示例处理器平台2400的框图。处理器平台2400可以是例如服务器、个人计算机、移动装置(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其他类型的计算装置。
所示示例的处理器平台2400包括处理器2412。所示示例的处理器2412为硬件。例如，处理器2412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。在此示例中，处理器2412实现示例收集发动机400、示例健康量词生成器410和示例移除调度器420。
所示示例的处理器2412包括本地存储器2413(例如，高速缓存)。所示示例的处理器2412经由总线2418与主存储器通信，所述主存储器包括易失性存储器2414和非易失性存储器2416。易失性存储器2414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2416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2414、2416的访问由存储器控制器控制。
所示示例的处理器平台2400还包括接口电路2420。接口电路2420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2422连接至接口电路2420。一个或多个输入装置2422允许用户将数据和/或命令输入到处理器2412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2424也连接至所示示例的接口电路2420。输出装置2424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2420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2420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2426(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2400还包括用以存储软件和/或数据的一个或多个大容量存储装置2428。此类大容量存储装置2428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5至图16、图18和图20的编码指令2432可以存储在大容量存储装置2428中，存储在易失性存储器2414中，存储在非易失性存储器2416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资产健康量词的示例方法、设备、系统和制品。上面公开的资产健康计算器设备估计实际或当前健康状态(例如，实际AHQ等)并且由资产的部件和子部件当利用有限的器械在服务中时使用诸如涡轮发动机的数字孪生模型的一个或多个模型来预测诸如涡轮发动机的资产的预计健康状态(例如，预计AHQ等)。示例资产健康计算器设备可以优化和/或以其他方式改善以下调度，即从服务中移除资产以对资产执行维护、翻新、维修等，以满足客户要求、维护能力约束等。示例资产健康计算器设备可以使用一个或多个移除计划表确定或优化过程来生成移除计划表，并且基于满足客户要求、维护设施约束等来选择移除计划表中的一个。示例资产健康计算器设备可以优化和/或以其他方式改善资产的在翼时间，同时最小化成本和移除时间，同时还基于资产的预测利用信息来实现修理后使命。
示例资产健康计算器设备可以当飞行器在服务中时获得与飞行器的机翼上的涡轮发动机相对应的资产监视信息。示例资产健康计算器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生成涡轮发动机的各个部件的实际健康状态来生成(例如，迭代地生成)涡轮发动机的实际健康状态。示例资产健康计算器设备可以基于实际健康状态中的一个或多个与实际健康状态阈值的比较来确定涡轮发动机是要从服务中移除以对涡轮发动机的一个或多个部件执行维护的候选者。示例资产健康计算器设备可以通过使用不同的优化过程并基于满足运营商要求、运营商约束、涡轮发动机维护提供商约束等选择移除计划表来为涡轮发动机生成移除计划表。涡轮发动机维护提供商可以基于移除计划表来移除涡轮发动机、对移除的涡轮发动机执行维护操作并将涡轮发动机重新部署回服务，其中示例资产健康计算器设备可以当涡轮发动机在服务中时恢复对涡轮发动机的监视。
示例资产健康计算器设备可以通过更准确地确定涡轮发动机的实际健康状态来在涡轮发动机的使用寿命期间改善涡轮发动机的功能、操作、效率等。例如，通过更准确地确定实际健康状态，资产健康计算器设备可以降低过早地从服务中移除涡轮发动机的概率。通过降低过早地移除的概率，可以在维护设施访问之间经过附加的时间，这可以允许研究、设计和测试新的和改善的资产部件，这可以改善涡轮发动机的AHQ。如果涡轮发动机没有过早地从服务中移除，那么当涡轮发动机准备好从服务中移除时，可以使用可以增大涡轮发动机的AHQ的较新部件来在涡轮发动机的使用寿命期间升级和/或以其他方式改善涡轮发动机的操作。
II.任务生成器
图25是资产工作范围生成系统220的一部分的示例实现方式的框图，所述部分包括资产健康计算器300、任务生成器305、任务优化器310、要求340和任务信息350。资产健康计算器300提供输入诸如整体资产健康等级、部件(例如，资产模块或零件等)健康等级等，并且任务生成器305向任务优化器310提供维护操作或任务以生成并评估工作范围选项。
如图25的示例所示，要求340包括合同要求2505、环境要求2510、服务公告2515、有寿限零件(LLP)替换要求2520等。要求340可以经由确定性模型、概率性模型、基于物理的模型、耐久性模型等中的一个或多个来建模。例如，数字孪生、神经网络和/或其他机器学习网络等可用以形成合同、环境、服务公告、有寿限零件轨迹等以及相关联要求的模型。
在图25的所示示例中，任务信息350包括关于维护操作中涉及的任务的信息。例如，每个维护操作都包括一个或多个任务，其中每个任务都具有对应的信息，诸如完成任务的人员的类型和数量、完成任务所需的部件和/或工具、完成任务的时间和成本等。
例如，任务信息350和要求340向任务生成器305提供输入以生成一系列任务以准备和/或以其他方式维护用以下一使命的资产。任务生成器305生成可以在目标资产的下一次进车间修理或随后一次或多次进车间修理中完成的潜在维护操作的列表或其他组。例如，在某些示例中，可以为每个维护操作分配关键指数或量词以驱动最小工作范围。
例如，目标资产的在翼时间和进车间成本与工作范围相关。定制服务协议(CSA)的持久性、可操作性和性能要求与财务指标的平衡是具有数百万个解决方案的多维优化问题。任务生成器305基于包括要求340和任务信息350的输入标准来分析可能性并呈现最高候选者以生成关于目标资产的潜在任务或操作。手动评估所有可能性是不可能的。
图26A是图3和/或图25的示例任务生成器305的示例实现方式的框图。在图26A的所示示例中，任务生成器305包括工作范围任务生成器2605和工作范围任务处理器2610，它们共同用以针对特定目标、使命等生成有目标的预测工作范围任务2615。如图26A的示例所示，分析2620、诸如修理规范等的非健康要求2625以及下一使命要求2630提供对工作范围任务生成器2605的输入。寿命周期期望2635提供对工作范围任务处理器2610的输入。
例如，工作范围任务生成器2605处理作为来自资产健康计算器300的资产健康计算的结果而生成的分析2620，包括资产健康等级等。例如，可以使用资产(例如，涡轮发动机、柴油发动机、其他机电装置等)的基于物理的模型(例如，数字孪生、神经网络等)来模拟资产健康。例如，可以在资产仍在现场时(例如，发动机仍在机翼上等)，对资产健康建模。除了对当前资产健康建模之外，可以由模型和/或其他分析2620确定资产的未来健康或预期寿命。健康分析2620生成资产的资产健康状态2640(例如，健康水平和/或预期寿命等)，所述资产健康状态被提供给工作范围任务生成器2605。
工作范围任务生成器2605将目标资产的资产健康状态分析2640(包括健康水平和预期寿命)与非健康要求2625(例如，修理规范、服务公告、有寿限零件信息等)和下一使命要求2630(例如，针对特定目标、目的、使命等的构建-实现功能)相组合以基于受适用以目标资产的非健康要求2625约束的使命要求2630来生成特定于使命的工作范围任务2645。
工作范围任务处理器2610接收从资产健康状态信息2640、下一使命要求2630和非健康要求2625生成的特定于使命的工作范围任务2645，并生成有目标的预测工作范围任务2615。工作范围任务处理器2610基于资产的寿命周期期望2635来处理任务2645以评估任务2645是否符合资产的寿命周期期望2635(例如，一个或多个任务2645是否帮助资产持续满足在合同中列举的寿命周期期望2635，一个或多个任务2645是否不足以在合同有效期内维持期望的和/或所需的资产健康状态，一个或多个任务2645是否不必在下一个使命和合同的剩余寿命内维持所需的/期望的资产健康状态等)。
如图26B的示例所示，还可以向工作范围任务处理器2610提供历史工作范围数据2650以基于与下一使命2630所提供的相同或相似的来自先前使命的反馈来为下一使命进一步细化有目标的工作范围任务2615的预测。例如，历史数据2650提供针对相关工作范围的先前设置、任务、资源等以及关于工作范围对先前工作范围的资产和/或资产环境的影响的测量值、评估值和/或其他反馈的一个或多个示例。此类历史数据和/或其他反馈可以有助于任务生成器305改善预测的工作范围任务2615的生成。
因此，工作范围任务处理器2610基于寿命周期期望和历史工作范围数据来细化特定于使命的工作范围任务，以提供有目标的预测工作范围任务2615。在某些示例中，任务优化器310在多个可用的工作范围选项间处理工作范围任务2615以生成“最优”工作范围。在某些示例中，任务生成器305由资产模块和零件使用以下来估计特定于使命的有目标的工作范围：1)评估的个别资产健康状态/寿命预期；2)业务要求、合同要求和技术要求；3)后续资产使命/寿命周期要求；以及4)基于历史和分析的工作范围与资产健康回收评估。有目标的预测工作范围任务2615提供对目标资产修理/维护和特定资产健康问题的材料/工具的输入以最小化或以其他方式减少成本/设备停机时间，同时实现资产修理/维护后使命。例如，任务2615指定要维护(例如，修理、替换等)的资产(或资产部件、模块等)、维护的时间、维护的预期持续时间、维护的位置、维护中涉及的材料、维护中使用的工具、维护中涉及的人员等。
在某些示例中，生成的任务2615由任务生成器305考虑到对现场资产的环境(例如，上面安装有发动机的飞行器等)的影响来生成。在某些示例中，生成的任务2615由任务生成器305考虑到编队和/或其他组织范围的影响(例如，整个飞行器编队，飞行器的发动机正在进行维护，包括编队中的其他飞行器上的可能也需要维护的发动机等)来生成。例如，可以生成任务2615以用以下一使命和/或使资产在车间里时完成的工作最大化。例如，可以生成任务2615并在从现场移除资产之前通知适当的资源。例如，可以将替换(例如，借用等)发动机定位并分配给飞行器(其发动机随后将被调度成在飞行器空转时脱翼)以在飞行器的下一空转时段之前完成发动机维护，从而放回机翼上，其状态满足安全问题、合同义务等。
图27示出了图26A至图26B的健康状态分析2620的示例实现方式。如图27的示例所示，可以使用健康状态传递函数2705来实现分析2620以处理来自资产健康量词300的资产健康量词输出，以生成资产健康状态2640，从而提供给工作范围任务生成器2605。示例健康状态传递函数2705利用由资产健康量词300提供的整体资产健康量词和部件资产健康量词以及针对目标资产的预测利用和环境信息等。例如，基于资产健康信息诸如资产(例如，在装置和/或部件/零件/模块级等)的剩余使用寿命(ULR)、先前工作范围内的预计ULR与测量ULR之间的反馈、建模的数字孪生和/或其他资产健康建模输出/预测，健康状态传递函数2705向工作范围任务生成器2605提供资产的当前运行健康和/或预计未来健康的指示，该工作范围任务生成器将资产健康要求和非健康要求的指示(例如，合同要求2505、环境因子2510、服务公告2515和/或LLP替换2520等)与下一使命要求2630相结合以生成特定于使命的工作范围任务2645。
例如，健康状态传递函数2705利用可用的输入数据来对目标资产的当前资产健康状态以及从当前时间点到要移除资产的目标时间点(例如，合同有效期终止等)的估计或预计ULR进行建模和/或以其他方式量化。例如，健康状态传递函数2705考虑目标资产、目标资产的模块、目标资产的部件或零件等的诸如性能、可操作性、持久性等的一个或多个因子或方面，以提供要与相关联工作范围任务的要求和形成进行比较的健康状态信息。
图28示出了包括健康状态传递函数2705的示例分析2620的另一实现方式，所述健康状态传递函数提供以多种方式建模的资产健康信息2640。例如，健康状态传递函数2705可以生成资产耐久性2805、资产可操作性2810、资产性能2815、在翼时间预测2820等的概率。在某些示例中，资产健康信息2640可以包括与资产零件和相关联参数(例如，性能、累积损伤模型、遇险等级模型、可操作性、编队LLP、客户规范、服务公告、累积工作范围等)有关的数据结构2825。
因此，例如，如图28的示例所示，可以分析诸如高压压缩机(HPC)、低压涡轮(LPT)、低压压缩机(LPC)、高压涡轮(HPT)等的零件以由工作范围任务生成器2605和工作范围任务处理器2610生成要与移除分析、寿命周期、服务公告和/或其他信息融合的参数的数据结构2825。如图28的示例所示，资产健康状态2640可以是模块化的，包括流路和/或非流路资产数据的性能、耐久性等。
例如，健康状态传递函数2705利用可用的输入数据来对目标资产的当前资产健康状态以及从当前时间点到要移除资产的目标时间点(例如，合同有效期终止等)的估计或预计ULR进行建模和/或以其他方式量化。例如，健康状态传递函数2705考虑到目标资产、目标资产的模块、目标资产的部件或零件等的诸如耐久性2805、可操作性2810、性能2815、在翼时间2820等的一个或多个因子或方面以提供要与相关联工作范围任务的要求和形成进行比较的健康状态信息。
因此，示例健康状态传递函数2705可以基于资产健康量词，包括耐久性2805、可操作性2810、性能2815，生成资产健康模型。例如，发动机的性能评估2815可以量化发动机健康状态(例如，当前发动机健康状态和预测的发动机健康状态等)对气体温度裕度(例如，排气温度裕度(EGTM)等)的影响。
例如，健康状态可以使用作为表示目标资产的有用剩余寿命的性能、可操作性和耐久性的组合的健康状态传递函数Hs来量化，资产包括n个零件、模块和/或部件：
其中，例如，Pi表示零件/模块/部件i的性能，Oi表示零件/模块/部件i的可操作性，并且Di表示零件/模块/部件i的耐久性。
图29示出了图26A至图26B的工作范围任务生成器2605的示例实现方式。如图29的示例所示，示例工作范围任务生成器2605包括与约束分析器2920连通的健康状态处理器2905、非健康因子处理器2910和使命要求分析器2915。约束分析器2920向任务聚合器2925提供约束信息以基于资产健康状态、非健康因子、任务要求等来对工作范围的任务进行聚合。任务聚合器2925生成特定于使命的工作范围任务2645以提供给工作范围任务处理器2610。
如图29的示例所示，健康状态处理器2905从健康分析2620接收资产健康信息2640并处理资产健康信息2640以确定资产健康水平、资产寿命预期、资产耐久性和性能(例如，沿着资产流路和/或非流路等)等，并且将确定的健康信息提供给约束分析器2920，所述确定的健康信息作为因子加入到对任务生成的边界或约束的确定中以形成目标资产的工作范围。例如，可以为资产、资产模块/零件、资产模块/零件组等提供健康状态信息，以作为因子加入到针对资产和/或资产的一个或多个模块/零件生成任务的过程中。
另外，例如，非健康因子处理器2910处理修理规范和/或其他非健康要求2625以提供对约束分析器2920的进一步输入，所述约束分析器将所述非健康要求作为因子加入到对任务确定的约束的确定中以形成目标资产的工作范围。非健康因子处理器2910可以为约束分析器2920生成非健康状态，包括有寿限零件(LLP)到期信息、指示一个或多个零件的修理或替换的服务公告、提供某些动作的合同要求等。
例如，示例使命要求分析器2915处理下一使命要求2630，以确定在目标资产的下一使命中将涉及哪些一个或多个资产、一个或多个资产能力、一个或多个配置等。例如，使命要求分析器2915向约束分析器2920提供对当前、下一和/或后续使命的要求，所述约束分析器将所述使命要求作为因子加入到任务确定的约束的确定中以形成目标资产的工作范围。因此，了解资产所期望的(例如，对资产的使用情况进行建模、量化资产参数等)可以有助于确定与资产的维护相关联的任务。
示例约束分析器2920处理来自健康状态处理器2905、非健康因子处理器2910和使命要求分析器2915的输入，以形成对资产的潜在工作范围任务的一组约束(例如，通过向输入应用工作范围传递函数等)。向任务聚合器2925提供约束，该任务聚合器根据健康、非健康和任务约束来对目标资产的任务进行处理和聚合。因此，工作范围任务生成器2605将多个不同因子作为输入、动机、要求和其他约束进行处理，以生成关于资产要完成的任务，从而针对特定使命维护该资产。
例如，可以使用工作范围传递函数Ws来量化由约束分析器2920提供的一组约束，以引导任务聚合器2925形成将被执行以将目标资产维持在使命执行所需的健康水平的一组任务。示例工作范围传递函数处理具有构建-实现要求的有用剩余寿命算法/模型，以将工作范围设定为满足构建-实现对性能/可操作性/耐久性等的要求。工作范围可以与非健康状态要求和/或寿命周期优化等聚合，以确定推荐的工作范围任务：
其中，例如，Tj表示将对目标资产零件/模块/部件j执行的一组下一使命任务，并且Rj表示对目标资产零件/模块/部件j的一组非健康限制。
图30示出了图26A至图26B的工作范围任务处理器2610的示例实现方式。示例工作范围任务处理器2610从工作范围任务生成器2605接收特定于使命的工作范围任务2645，并将寿命周期期望2635和/或历史工作范围数据2650应用以任务2645，以生成要发送到任务优化器310的有目标的预测工作范围任务2615。
示例工作范围任务处理器2610包括工作范围任务摄取器3005、历史数据处理器3010、寿命周期评估器3015和工作范围任务修改器3020，用以产生有目标的预测工作范围任务2615。示例工作范围任务摄取器3005从工作范围任务生成器2605接收并分析任务2645。工作范围任务摄取器3005可以确定与任务2645相关联的参数、量化任务2645和/或任务2645中涉及的资源、对任务2645建模等。工作范围任务摄取器3005向工作范围任务修改器3020提供任务信息。
工作范围任务修改器3020接收处理后的任务信息以及寿命周期评估和历史数据。工作范围任务修改器3020评估寿命周期期望、剩余使用寿命、资产回收的概率、资产保留的概率、下一使命要求、合同义务等，以预测一组有目标的工作范围任务310。通过基于当前资产(例如，发动机等)健康和在翼时间要求的技术约束以及合同约束(例如，服务合同下的义务等)的驱动，工作范围任务修改器3020生成形成用以维护目标资产的工作范围的任务。
例如，由寿命周期评估器3015评估对资产寿命周期2635的期望(例如，如由合同基于资产的模型、年龄和/或其他状态等定义的)以修改提供给工作范围任务修改器3020的任务信息并调整工作范围任务修改器3020如何预测一组有目标的工作范围任务2615。相似地，可以由历史数据处理器3010处理历史趋势、先前的工作范围结果、资产历史等2650以修改提供给工作范围任务修改器3020的任务信息并调整工作范围任务修改器3020如何预测一组有目标的工作范围任务2615。
因此，工作范围任务处理器2610可以生成有目标的预测工作范围任务2615以满足资产要求、编队管理需求等。在某些示例中，可以将成本和/或关键指数或量词应用于一个或多个因子以关于或针对相应因子对工作范围任务计算进行加权。例如，如果延长涡轮发动机的生命周期是最重要的，那么该工作范围任务处理器2610对该寿命周期因子更多地加权。例如，如果使脱翼时间最小化是最重要的，那么工作范围任务处理器2610对关于该资产的进车间修理时间的时间因子和历史数据更多地加权。通过由任务生成器305针对任务优化310生成的工作范围任务，可以产生增大的准确性、减少的车间周转时间和成本节约。
尽管图25至图30中示出了图3的任务生成器305的示例实现方式，但图25至图30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，示例工作范围任务生成器2605、示例工作范围任务处理器2610、示例资产健康分析2620和/或更一般地，图3的示例任务生成器305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，示例工作范围任务生成器2605、示例工作范围任务处理器2610、示例资产健康分析2620和/或更一般地，示例任务生成器305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，示例工作范围任务生成器2605、示例工作范围任务处理器2610、示例资产健康分析2620和/或更一般地，示例性任务生成器305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的示例任务生成器305可包括附加于或代替图25至图30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。
在图31至图34中示出表示用以实现图2至图3和/或图25至图30的资产工作范围生成系统220和/或其任务生成器305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35中讨论的示例处理器平台3500中显示的处理器3512。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3512关联的存储器，但整个程序和/或其部分替代地可由处理器3512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31至图34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资产工作范围生成系统220和/或其任务生成器305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31至图34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。
图31是表示可以由图2至图3和/或图25至图30的示例任务生成器305执行以生成有目标的工作范围任务的示例方法3100的流程图。在框3102处，关于目标资产处理健康信息。例如，分析2620(例如，包括诸如由等式1定义的健康状态传递函数2705等)可以处理由资产健康计算器300提供的资产健康计算，包括资产健康等级等。例如，可以使用资产(例如，涡轮发动机、柴油发动机、其他机电装置等)的基于物理的模型(例如，数字孪生、神经网络等)来模拟资产健康。例如，可以在资产仍在现场时(例如，发动机仍在机翼上等)，对资产健康建模。除了对当前资产健康建模之外，可以由模型和/或其他分析2620确定资产的未来健康或预期寿命。健康分析2620生成目标资产的资产健康状态2640(例如，健康水平和/或寿命预期等)，所述资产健康状态被提供给工作范围任务生成器2605。例如，目标资产的当前健康水平影响资产是否可以继续作用并影响修理和/或其他维护的范围以将目标资产置于适当的工作次序。资产健康状态2640可用以建模和/或以其他方式影响要在目标资产的工作范围内完成的任务。
在某些示例中，资产健康状态2640可以反映在目标资产(例如，涡轮发动机、柴油发动机、风力涡轮等)的基于物理的模型诸如数字孪生等。例如，该模型可以与资产健康状态2640相关联，然后可以将所述资产健康状态与各种健康和非健康相关因子、期望、要求等进行比较和/或以其他方式暴露于它们，以评估模型的行为及其资产健康状态2640。使用该模型，可以经由计算装置在多个场景中利用多个外部因子进行交互、模拟和/或其他评估。此建模和评估不是手动地或在人类脑子里可实现的。
在框3104处，处理与目标资产相关的非健康信息。例如，可以将与当前目标资产健康不直接相关的输入(诸如LLP信息、服务公告(SB)信息、修理规范等)作为因子加入到对目标资产的任务的分析中。例如，资产的一部分可以是即将有替换品的有寿限零件(LLP)。例如，服务公告(SB)可以命令对目标资产模块进行升级或修理。例如，修理规范可以为目标资产的下一次进车间修理控制一个或多个任务。
在上述基于物理的模型示例中，可以将一个或多个非健康项构造为目标资产(和/或目标资产的子系统等)的数字孪生的特征、因子、输入和/或其他约束。可以对一个或多个非健康项(例如，LLP限制、SB要求、修理规范等)对目标资产的虚拟构造(例如，发动机的数字孪生等)的影响进行建模。例如，可以对目标资产的非健康信息对资产健康状态2640的影响进行建模和评估。因此，系统可以评估非健康因子对资产的目标健康水平的影响，其中这种影响不能由人类或人类脑子手动有效地评估。因此，例如，通过改善多因子资产健康和维护监视、评估和任务生成，改善了资产照料、维护、耐久性、可操作性和性能。
在框3106处，关于目标资产处理下一使命信息。例如，对为涉及资产的下一使命(例如，涉及发动机的下一飞行等)指定的要求进行处理以评估为目标资产生成的任务。通过对使命要求建模和/或以其他方式量化，可以评估目标资产的工作范围，以帮助确保资产的维护将允许资产满足下一使命要求。例如，如果不满足，则可以调整为工作范围生成的任务以适应使命要求。
为了继续基于物理的模型示例，下一使命要求可以是对数字孪生模型施加的附加约束，以比较要求和/或其他期望。因此，目标资产的下一使命所涉及的性能水平可以用目标资产的虚拟构造进行建模(例如，用数字孪生进行模拟等)，如通过相关联的健康因子和非健康因子所修改的那样，以确定目标资产是否能完成下一使命。如果不能，则可以生成维护任务以使目标资产达到足以满足下一使命要求的健康水平。
在框3108处，由工作范围任务生成器2605使用应用于健康、非健康和使命信息的工作范围传递函数(例如，由等式2定义等)生成用以维护目标资产的任务。例如，考虑到目标资产健康水平、非健康约束和下一使命要求，工作范围任务生成器2605应用工作范围传递函数并评估目标资产的健康水平是否将使目标资产能够以针对下一使命的特定水平作用。如果不是，则工作范围任务生成器2605确定任务的工作范围以修理、替换和/或以其他方式维护用以下一使命的资产(例如，将目标资产的健康水平提高到足以进行下一使命和/或另一后续使命的能力、耐久性、可操作性、性能等的水平等)。这种确定还可能受到非健康要求诸如修理规范要求(例如，如通过服务公告、有寿限零件等所规定的那样)、环境因子、合同义务等的影响。
在框3110处，由工作范围任务处理器2610处理下一特定于使命的有目标的任务，以生成目标资产的任务的有目标的工作范围预测。例如，可以关于寿命周期期望(例如，周期的数量，诸如3000个周期、10,000个周期、50,000个周期等)来评估该组任务。可以根据计划的、有目标的维护任务来评估寿命周期期望，以帮助确保有目标的维护任务将有助于目标资产达到其寿命周期预期。
在某些示例中，例如，如果下一特定于使命的有目标的任务预测目标资产将满足寿命周期期望，则该组任务可以保持不变。然而，如果下一特定于使命的有目标的任务预测目标资产将不满足寿命周期期望，则可以调整这组任务以满足以下条件：目标资产将满足寿命周期期望。在一些示例中，如果下一特定于使命的有目标的任务预测目标资产将超过寿命周期期望，则可以重新评估该组任务以或许调整该组任务以满足，目标资产将满足但不过度超过寿命周期期望。
替代地或除此之外，可以关于下一使命期望、目标资产健康等来分析历史数据(例如，先前工作范围任务执行的结果、目标资产历史、类似资产历史、先前使命执行历史等)以评估下一特定于使命的有目标的任务是否允许目标资产处于某个健康状态来完成下一使命。在某些示例中，例如，如果历史数据预测下一特定于使命的有目标的任务将允许目标资产完成下一使命，则该组任务可以保持不变。然而，如果历史数据预测下一特定于使命的有目标的任务将不允许目标资产完成下一使命，则可以调整该组任务以满足，目标资产将满足寿命周期期望。在一些示例中，如果历史数据预测下一特定于使命的有目标的任务将更加足以允许目标资产完成下一使命，则可以重新评估该组任务以或许调整该组任务以满足，目标资产将满足但不过度超过下一使命要求。
在框3112处，为目标资产生成预测的有目标的工作范围任务。例如，基于健康状态、目标资产特征、非健康约束、下一使命要求、寿命周期期望和/或历史数据，工作范围任务的目标是使目标资产达到预测健康水平，以完成下一使命，从而满足对目标资产生成非健康要求。例如，该组工作范围任务可以在进车间修理时触发目标资产(例如，发动机、涡轮等)的维护。例如，该组工作范围任务可以以用以移除、传输、维护和重新安装目标资产的计划表来实现。例如，可以提供该组预测的有目标的工作范围任务以由任务优化器310优化。
图32是表示用以处理资产健康、非健康和使命信息(例如，执行图31的示例的框3102至3108等)的示例方法3200的流程图。在框3202处，接收并处理(例如，由工作范围任务生成器2605)资产健康信息、非健康信息和下一使命信息。例如，对当前资产健康状态和与资产有关的一个或多个非健康约束(例如，合同要求、有寿限零件限制、SB信息、环境约束等)的表示(例如，模型、等式等)进行处理以对资产健康、非健康约束、使命要求和/或目标资产进行建模。例如，目标资产(例如，发动机、涡轮、扫描仪等)可以在虚拟环境中作为真实环境中的物理目标资产的基于物理的数字孪生模型进行建模。
在框3204处，可以基于资产健康、非健康和下一使命信息生成一个或多个性能度量。例如，可以生成资产耐久性(例如，累积损伤模型(CDM)、遇险等级模型(DRM)等)、可操作性、LLP信息、配置/利用信息、移除原因、使命数据和/或其他性能分析。
在框3206处，关于性能度量、下一使命要求等评估目标资产健康状态以确定目标资产是否健康。如果目标资产不健康，则在框3208处，基于健康和/或非健康约束条款来更新工作范围任务。
然而，如果目标资产被认为是健康的，则在框3210处，然后处理和评估诸如修理规范、SB信息等的信息以在框3212处确定目标资产是否满足其一个或多个约束诸如修理要求、SB限制、LLP限制和/或关于目标资产所需和/或商定的其他合同约束。如果目标资产满足其约束，则在框3214处，确定目标资产以满足其使命要求(例如，对下一次飞行、下一次能量生成、下一次图像采集等足够的健康，包括性能、可操作性、耐久性等)。然而，如果目标资产未满足其约束，则在框3208处，基于健康和/或非健康约束条款更新工作范围任务。
图33是表示使用工作范围传递函数(例如，由等式2定义等)生成用以维护目标资产的任务(例如，图31的框3108)的示例方法的流程图。在框3302处，将包括目标资产健康状态、下一使命要求等的可用信息相结合以生成用于在期望健康状态下针对下一使命维护目标资本的任务。例如，考虑到目标资产健康水平、非健康约束和下一使命要求，工作范围任务生成器2605应用工作范围传递函数(例如，如由等式2所定义，等)并评估目标资产的健康水平是否将使目标资产能够以针对下一使命的特定水平作用。如果不是，则工作范围任务生成器2605确定任务的工作范围以修理、替换和/或以其他方式维护用于下一使命的资产(例如，将目标资产的健康水平提高到足以进行下一使命和/或另一后续使命的能力、耐久性、可操作性、性能等的水平等)。
在框3304处，将约束应用于任务以形成调整的任务。例如，工作范围任务生成器2605的约束分析器2920应用非健康要求诸如修理规范要求(例如，如通过服务公告、有寿限零件等所规定的那样)、环境因子、合同义务、LLP限制和/或其他约束等，修改预期关于目标资产的维护执行的任务，使得目标资产准备好并且能够执行其下一使命以满足下一使命要求。例如，服务公告和/或有寿限的零件限制可以命令替换目标资产的部件，无论该部件是否将被使用和/或是否具有不充分的健康以在下一使命中使用。例如，合同协议可能命令在某个零件处替换零件，而不管其对下一使命要求的影响如何。
在框3306处，对调整的任务进行聚合以形成特定于使命的工作范围任务。例如，工作范围任务生成器2605的任务聚合器2925根据来自约束分析器2920的一个或多个约束收集受影响的和/或以其他方式处理、扩展、添加、减少、改变等的任务，并形成一组特定于使命的工作范围任务2645。因此，例如，可以将一个或多个各种约束和相关任务聚合成一组具有凝聚力的特定于使命的工作范围任务2645，以使目标资产准备执行下一使命。如果寿命周期期望和/或历史数据存在且适用，则控制返回到框3110以修改任务。
图34是表示基于寿命周期期望或历史数据中的至少一个来修改任务的示例方法的流程图(例如，图31的框3110)。在框3402处，当寿命周期期望可用时，评估任务和相关联的目标资产健康状态以确定目标资产是否满足寿命周期期望(例如，在合同终止、资产寿命结束前等，目标资产和/或资产模块/零件/部件等的特定数量的操作周期)。如果目标资产，如由该组任务所维护的，不满足寿命周期期望，则在框3404处，修改该组工作范围任务以帮助确保目标资产将满足寿命周期期望。因此，例如，可以对目标资产执行超出下一使命要求的附加的维护，以帮助确保目标资产将满足寿命周期期望。在一些示例中，如果任务可能超过目标资产的寿命周期期望，则可以减少维护(例如，用修理代替替换、用使用过的代替新的、推迟修理等)，只要减少不会导致目标资产针对下一使命发生预计故障。
在框3406处，确定历史数据(例如，先前使命反馈、目标资产反馈、其他类似资产信息等)的可用性。如果相关历史数据可用，则在框3408处，基于历史数据处理该组维护工作范围任务。例如，可以基于过去的目标资产体验、来自下一使命的其他执行的反馈、对类似资产健康状态的洞察、性能等来修改任务。然后，控制返回到框3112，以便为目标资产生成预测的、有目标的工作范围任务。
图35是能够执行图31至图34的指令以实现图2至图3和/或图25至图30的任务优化器310和/或资产工作范围生成系统220的示例处理器平台3500的框图。处理器平台3500可以是例如服务器、个人计算机、移动装置(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其他类型的计算装置。
所示示例的处理器平台3500包括处理器3512。所示示例的处理器3512为硬件。例如，处理器3512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3512实现示例工作范围任务生成器2605、示例工作范围任务处理器2610和示例健康分析2620。
所示示例的处理器3512包括本地存储器3513(例如，高速缓存)。所示示例的处理器3512经由总线3518与主存储器通信，所述主存储器包括易失性存储器3514和非易失性存储器3516。易失性存储器3514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3516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3514、3516的访问由存储器控制器控制。
所示示例的处理器平台3500还包括接口电路3520。接口电路3520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3522连接至接口电路3520。一个或多个输入装置3522允许用户将数据和/或命令输入到处理器3512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3524也连接至所示示例的接口电路3520。输出装置3524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3520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3520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3526(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3500还包括用以存储软件和/或数据的一个或多个大容量存储装置3528。此类大容量存储装置3528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31至图34的编码指令3532可以存储在大容量存储装置3528中，存储在易失性存储器3514中，存储在非易失性存储器3516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，已经公开了评估资产健康状态和下一个使命要求以生成用以维护目标资产的任务从而帮助确保目标资产(例如，涡轮发动机、柴油发动机、其他发动机、风力涡轮机、成像系统等)将满足下一使命要求的示例方法、设备和制品，如进一步受到非健康信息诸如合同义务、服务公告、有寿限零件限制、环境限制等约束的那样。上面公开的任务生成器设备可以基于多个因子来优化和/或以其他方式改善适当工作范围任务的生成和选择，所述多个因子包括预期成本、相关联合同的使用期内的营业利润率、在车间的时间、下一次故障之前的时间、寿命周期期望、历史数据/反馈等任务生成器设备基于这些因子执行权衡分析，并且便于维护目标资产(例如，移除资产、进车间修理以进行修理/替换、当在车间里时临时替换资产等)。某些示例利用约束信息、反馈和寿命终止预期来平衡任务以将目标资产维持在特定的持久性、操作性和/或性能级。例如，工作范围确定是自动化的并且针对目标资产、下一使命和一个或多个适用约束进行定制。对确定性事件和概率性事件两者进行评估以提供资产及其运行环境的更完整图像或模型。
当面临数百万种可能性时，任务生成器更可能确定可用任务的子集以允许目标资产在其约束内实现下一使命。健康分析、工作范围任务生成器和任务处理器对目标资产、相关联的健康状态、下一使命要求、约束、期望、反馈等进行建模以预测哪些任务提供了任务资产可操作性、耐久性、性能的所需效益等。然后，确定的任务可以触发、启动和/或以其他方式促进目标资产的维护。
III.任务优化器
图36是资产工作范围生成系统220的包括任务生成器305、任务优化器310、模型输入335、数据库345和输出355的一部分的示例实现方式的框图。如图36的示例所示，模型输入335包括多个模型，该多个模型包括动态规划模型3605、确定性模型3610、耐久性模型3615和随机模型3620。在图36的所示示例中，数据库345包括优化度量3625和要求和/或其他约束3630诸如从服务合同输入、发动机资产监视数据、资产数字孪生反馈、服务公告、退化/损坏信息等收集并存储在数据库345中/流传输到数据库的合同要求(例如，合同模型)、发动机数据、工作范围驱动器等。模型输入335和数据库345提供对任务优化器310的输入以生成优化的和/或以其他方式改善的工作范围作为输出355。
例如，目标资产的在翼时间和进车间成本与工作范围相关。定制服务协议(CSA)的持久性、可操作性和性能要求与财务指标的平衡是具有数百万个解决方案的多维优化问题。任务优化器310基于包括动态规划模型3605、确定性模型3610、耐久性模型3615和/或随机模型3620等的输入标准分析可能性并呈现最佳候选者。手动评估所有可能性是不可能的。
任务优化器310提供关于诸如合同利润率的限制和约束以及条款和条件，例如，时间范围、费率、资产部件维护之间的时间限制和/或其他软件约束和硬约束，对工作范围情景的快速的、一致的和无偏见的评估。例如，通过评估工作范围情景/选项，任务优化器310避免将一个或多个不必要的工作范围置于发动机(例如，取决于所选择的一个或多个优化目标函数等)。此外，任务优化器310标识附加的工作范围界定决策机会，其中附加的工作范围可能是有益的。示例任务优化器310便于基于分析的移除(例如，在翼)和基于分析的工作范围界定(例如，脱翼)。
在某些示例中，任务优化器310利用任务生成器305输入以及模型信息335和数据库信息345来基于要求3630和部件的健康来确定当前进车间修理的最小工作范围。例如，任务生成器305提供对于目标资产来说，可在下一次进车间修理和/或一个或多个后续进车间修理内完成的潜在维护操作的列表或组。每个维护操作都包括一个或多个任务，其中每个任务都具有对应的信息(例如，工作范围级别等)，诸如完成任务的人员的类型和数量、完成任务所需的部件和/或工具、完成任务的时间和成本等。例如，可以为每个维护操作分配关键指数、修饰符或量词以通过关于一个或多个其他维护操作对维护操作加权来驱动最小的和/或以其他方式减小的工作范围。
任务优化器310标识最小工作范围的可能附加任务和附加任务的相关联成本。任务优化器310使用动态规划模型3605计算在合同期间何时会发生未来的进车间修理。任务优化器310标识未来进车间修理的未来工作范围以及相关联的成本。任务优化器310使用动态规划解决方案来分析所有可能的工作范围和成本。例如，任务优化器310为当前进车间修理选择一个或多个最优工作范围，所述最优工作范围满足合同要求3630并且减少或最小化预期成本和/或增加到合同终止时的在翼时间。换句话讲，任务优化器310关于对目标资产的限制和/或约束来选择具有最佳/最大价值的工作范围(例如，基于合同期限内的修理成本与从合同支付获得的收入等)。
使用任务优化器310，基于多个输入确定工作范围，该多个输入包括零件、模块和系统的累积损伤模型、统计模型(例如，参数的(例如，威布尔概率分布等)和/或非参数的)、财务模型、合同条款、条件和/或客户期望等。任务优化器310处理模型输入335以评估一系列可能的工作范围在服务合同的使用期内的财务影响，以便于利用相关联的预测结果来创建优化的或以其他方式改善的工作范围选择。
任务优化器310获得特定的合同信息、将故障模式分布映射到一个或多个工作模型并构造具有相关联的价格、成本和计费结构的工作范围界定模型。对于给定的进车间修理，任务优化器310使用传播到合同结束时的动态优化方法来计算工作范围选项的故障模式概率。
图37是图3的示例任务优化器310的示例实现方式的框图。在图37的所示示例中，任务优化器310包括工作范围驱动器3705、工作范围映射器3710、工作范围策略分析器(WSA)3715和工作范围选择器3720。任务优化器310从任务生成器305接收工作范围中的一个或多个任务的组合，并处理该一个或多个任务以确定一个或多个工作范围以完成目标资产的一个或多个任务。任务优化器310根据要关于目标资产的一个或多个任务执行的一个或多个工作范围确定优化的和/或以其他方式改善的工作范围。
如图37的示例所示，基于来自模型输入335(例如，动态规划模型3605、确定性模型3610、耐久性模型3615、随机模型3620等)和数据库345(例如，优化度量3625要求3630等)以及任务生成器305的输入生成一个或多个工作范围驱动器3705。如图38的示例所示，工作范围驱动器3705可包括发动机健康评估3805、一个或多个耐久性模型3810、发动机有寿限零件(LLP)状态3815、合同要求3820、服务公告(SB)要求3825等。
也就是说，工作范围选择驱动器3705可用于驱动比与目标资产相关的约束的最小总预期更大的最小工作范围构建。例如，LLP时间限制和/或其他限制、SB、合同条款和条件，其大于流行的、恢复的和/或混合的资产工作范围任务，可以用于扩展或收缩用于维护目标资产的任务的工作范围。诸如可操作性(例如，根据SB等)、耐久性、性能等的资产特征可以应用于驱动和/或以其他方式对工作范围任务建模。例如，可以针对废气温度(EGT)裕度测量涡轮发动机资产的性能以量化最小性能预期驱动工作范围。例如，当发动机是新的或刚刚翻新时，作为发动机在翼时间和发动机健康的指示的EGT裕度处于最高水平。营业利润率(例如，关于服务合同的利润等)也可以是工作范围驱动器。
例如，工作范围驱动器3705可以包括基于物理的模型，诸如发动机102的数字孪生。例如，数字孪生模型可以模拟发动机102的物理行为、热力学健康、性能健康等。例如，数字孪生可以模拟发动机102的传感器144、146的输入和输出。在一些示例中，数字孪生和/或其他基于物理的模型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3615(例如，风扇段108、升压压缩机114等上的机械应力)。
在某些示例中，随机模型3620可以表示潜在结果的概率分布，其允许一个或多个输入随时间的随机变化。在一些示例中，随机模型3620基于使用时间序列技术在所选择的时间段内在历史数据(例如，基于历史数据模型的模型输入335等)中观测到的波动来生成随机变化。例如，随机模型3620可以将随机变化校准为在来自历史数据模型的输出所列出的限制范围内。在一些示例中，随机模型3620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3620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。
在一些示例中，混合模型由历史数据模型、基于物理的模型和随机模型3620中的一个或多个形成。例如，混合模型可以是随机模型3620，其中将来自随机模型3620的输出与基于物理的模型(例如，发动机数字孪生等)进行比较，并且基于该比较来调整输出。在另一示例中，混合模型可以是随机模型3620，其中可以将来自随机模型3620的输出与历史数据模型进行比较，并且基于该比较来调整或校准输出。
工作范围驱动器3705提供对工作范围映射器3710的输入，该工作范围映射器将诸如故障模式、服务公告活动、累积损坏模型、其他分析等的进车间修理驱动因素3705映射到每个零件、模块、子系统等的潜在工作范围。例如，系统级工作范围可以形成为每个工作范围要求3630的最小或以其他方式减少的工作范围的聚合。例如，映射到系统级工作范围有助于确保聚合的工作范围最小化以恢复所需的功能水命和/或性能。工作范围驱动器3705诸如发动机健康评估3805、一个或多个耐久性模型3810、发动机LLP替换状态3815、合同修理限制3820、服务公告要求3825等可以应用于来自任务生成器305的每个任务以针对映射到目标资产的系统、子系统、模块和/或零件级的整体/聚合工作范围的每个要求生成最小工作范围。
工作范围映射器3710可以集成多个进车间修理驱动因素3705，每个驱动器3705由分析或逻辑表示以用于驱动工作范围决策。例如，每个工作范围驱动器3705都由用以修理/替换的确定性时间限制和/或用以修理/替换零件/模块/装置的时间的概率分布等表示。确定性时间限制下的工作范围用以部分地或完全地恢复一组零件/模块的时间成本。对于每个工作范围，可以计算何时发生下次进车间修理的概率分布来进行权衡分析。可以例如基于诸如发动机健康评估3805、一个或多个耐久性模型3810、发动机LLP替换状态3815、合同修理限制3820、服务公告要求3825等的驱动器3705将确定性时间限制和修理/替换的概率相组合以更准确地确定下次修理/替换之前的时间限制。
在某些示例中，工作范围映射器3710将合同信息3820、故障模式分布(例如，基于发动机健康评估3805、耐久性模型3810、发动机LLP状态3815等)等映射到工作范围界定模型。可以使用资产(例如，发动机、发动机子系统、发动机方面、发动机特征等)的数字孪生和/或其他人工神经网络、机器学习构造等来表示工作范围界定模型。在某些示例中，工作范围映射器3710是动态的并且针对关于目标资产健康和操作状态的预测反馈和实际反馈两者进行调整。
在某些示例中，假设特定工作范围将概率故障模式、离散事件、合同规范等相结合，则可以在目标资产的合同使用期内计算和评估财务影响。例如，WSA 3715可以应用一个或多个数学模型/等式来针对每个潜在的工作范围计算合同使用期(LOC)内的预期成本、价格和营业利润率。例如，WSA 3715便于对资产(例如，发动机等)移除和“最佳的”或以其他方式改善的工作范围选择进行权衡分析。WSA 3715处理输入，所述输入包括合同细节诸如支付结构、移除调度要求、有寿限零件(例如，实际LLP和/或软定时器和伪LLP等)、财务考虑因素(例如，已使用零件的转售价值等)、工作范围成本、模块工作范围的相互依赖性、因不同的工作范围驱动器和确定性驱动器引起的发动机移除的概率等。例如，WSA 3715可以基于当前维护/工作范围决策然后是与下一个决策点相关联的概率和多个周期的最终结果来计算新资产的LOC财务影响。基于LOC财务影响，可以在进车间修理(SV)之后的时段内确定资产的预期在翼时间(TOW)。
例如，任务优化器310的WSA 3715提供维护计划优化工具，以基于一个或多个客户关键质量(CTQ)特征和/或合同利润率来优化和/或以其他方式改善维护策略。WSA 3715评估每个维护决策的当前的和未来的结果，并考虑具有相关联的概率和价值的可能路径(例如，在性能、耐久性、可操作性、收入等方面的成本与效益)。例如，虽然人类分析或模拟的可能性太多，但WSA 3715可以经由分析解决方案来评估可能的路径和相关联的后果以优化和/或以其他方式改善发动机编队和/或其他资产的维护。
用户输入诸如当前发动机状态、一个或多个优化度量3625等可以与固定工具输入诸如合同边际审查(CMR)(例如，基于先前预测的年度和/或其他周期性合同利润率评估等)、综合成本分析模型(ICAM)(例如，基于威布尔的进车间修理移除模拟和合同使用期内的相关成本等)、工作范围依赖性规则等相结合，供WSA 3715为工作范围优化提供分析编程解决方案。WSA 3715到工作范围选择器3720的输出可以包括最佳/改善的工作范围、预期收入、预期成本、预期营业利润率、预期LLP财务、未来进车间修理的概率、未来进车间修理的可能驱动因素、预期TOW直到未来进车间修理等。
因此，WSA 3715基于来自任务生成器305和工作范围器3705的信息来快速地计算由工作范围映射器3710形成的工作范围替代方案并对其进行排序。例如，可以基于自动化的输入提供更新的威布尔和成本信息，并且可以根据每个合同进行定制。
在某些示例中，WSA 3715执行维护优化的两步过程。首先，WSA 3715自动收集CMR信息。例如，可以由WSA 3715从驱动器3705、发动机状态数据、数据库345信息等收集针对一个或多个与故障相关的任务等的威布尔分布、成本/价格、子编队、特殊合同规则、依赖性规则等。
然后，WSA 3715处理发动机状态信息。例如，WSA 3715(例如，自动地等)处理周期信息(例如，累积发动机周期(ECSN)、自进车间修理以来的发动机周期(ECSV)等)、发动机利用、飞行支线、移除原因、LLP信息、最小构建、要求3630(例如，维护目标等)、优化度量3625等。WSA 3715可以基于当前/即将到来的进车间修理、TOW等为一个或多个相应排序的工作范围替代方案生成包括收入、成本、营业利润率等的维护优化计划表。可以将下一次进车间修理之前的TOW分布作图并呈现给WSA 3715针对多个周期(例如，2500、5000、7500、10,000、12,500、15,000、17,500、20,000等)的每个工作范围替代方案进行评估。WSA 3715还可以根据诸如发动机部件(例如，风扇、挡板等)、发动机运行特征(例如，废气温度(EGT)等)等的进车间修理驱动因素为未来的进车间修理生成一个或多个概率预测。例如，可以处理故障数据(例如，威布尔分布、累积损伤模型等)以影响对未来进车间修理的概率预测。
图39示出了WSA 3715的示例实现方式。如图39的示例所示，WSA 3715包括资产状态分析器3905、工作范围模型分析器3910和工作范围值评估器3915。在图39的示例中，资产状态分析器3905接收关于目标资产的信息(例如，关于发动机、发动机子系统等的数据，诸如发动机状态、进车间修理驱动因素、LLP状态、服务公告状态等)、合同模型信息(例如，合同类型、合同条款和条件、合同终止日期、终端发动机状态等)。资产状态分析器3905处理所接收的信息以提供基于状态的解决方案或模型以在工作范围替代方案中进行选择(例如，以便于从可用工作范围的列表中选择最佳的或推荐的工作范围)。
在某些示例中，与诸如发动机的资产的服务合同相关联的时间间隔包括多个阶段。阶段指示做出决策的时间(例如，针对进车间修理)。阶段开始时，部件(例如，发动机和/或其他资产)进入车间进行修理/维护/替换。阶段的资产状态指示该阶段的系统状况。可以基于发动机上的资产时间、模块上的时间、一个或多个进车间修理驱动因素等来量化状态。例如，该状态可用以定义直到与服务合同相关联的时间间隔结束时的剩余时间以及每个系统(例如，资产)部件上的时间和故障部件的标识。例如，可以通过量化这些元素的矢量来定义状态。资产状态分析器3905量化并向工作范围模型分析器3910提供资产状态信息以基于资产级、状态等分析和比较来自工作范围映射器3710的可能工作范围。
示例工作范围模型分析器3910基于来自资产状态分析器3905的模型、概率和资产状态信息来分析由工作范围映射器3710提供的可用工作范围选项。例如，工作范围映射器3710可以提供可用以对发动机和/或其他系统资产执行的一个或多个工作范围。与其他工作范围相比，每个工作范围可以定义要对一个或多个资产部件执行的不同的一组维护活动。在某些示例中，“基础”工作范围、“完整”工作范围和/或一个或多个替代工作范围可以被标识和/或以其他方式生成为可对目标资产诸如发动机和/或其部件、相关部件等的子集执行。在某些示例中，可以基于相关联的工作范围计划引导和平台将工作范围称为无、重、中等或轻。例如，即使是“无”的工作范围也可以包括对目标资产的检查。
在某些示例中，基础工作范围是要在发动机和/或发动机部件上执行的最小维护活动集。替代地，基础工作范围可以是要对发动机和/或发动机部件执行的预定的或“默认”的一组修理和/或维护活动。例如，基础工作范围可以仅包括修理已经发生故障和/或被标识为“有寿限”部件或LLP的部件(例如，在预定时间段内将被替换和/或修理的部件)。替代工作范围包括与基础工作范围中标识的活动相比可以在发动机和/或发动机部件上执行的附加和/或替代的修理和/或维护活动。完整工作范围是要对系统的每个部件执行的完整的一组维护活动。例如，完整的工作范围可以包括当系统和/或部件被带到维护设施时对系统的每个部件执行维护活动，即使所述部件未被标识为需要维护或修理。例如，可用工作范围(例如，基础工作范围、全工作范围和/或替代工作范围)被从工作范围映射器3710传输到工作范围策略分析器3715。
工作范围模型分析器3910基于来自资产状态分析器3905的状态信息，包括发动机数据、合同模型、状态信息等，分析由工作范围映射器3710生成的可用工作范围以选择用以执行的“最佳”或改善的工作范围。在某些示例中，可以使用人工神经网络和/或目标资产的决策和结果的其他网格/图表来评估一个或多个最终结果的概率。
例如，如图40所示，具有当前产品状态4002的资产连接到多个潜在决策4004、4006，并且每个决策4004、4006具有相关联的概率4008。如图40的示例网络4000所示，从第一决策点4004到下一个决策点4006的每个可能的分支或路径与概率4008相关联。
在某些示例中，遍历网络以从起点到达终点(例如，发动机服务合同的起点到发动机服务合同的终点等)，同时使从起点到终点的成本最小化。例如，如图41A所示，在网络4100中在起点4102和终点4104之间找到表示可能的未来事件(例如，进车间修理、资产故障/损坏等)的时间有向离散概率图的多个节点或决策点。如图41B的示例所示，工作范围模型分析器3910实现动态规划解决方案以在最后一个阶段4开始并且通过网络4100返回(例如，阶段4到阶段3，阶段3到阶段2，阶段2到阶段1)。每个节点或决策点4102至4124具有相关联的成本和/或价值(例如，成本与效益，和/或其他目标函数诸如在翼时间的最大化等)4126至4146。对于阶段4中的每种状态，确定最小路径前进以及与路径相关联的总剩余成本。对阶段3、2和1重复该分析，以得到每种状态从起始点4102到终点4104的总成本。模型可以实现示例网络4100并且由工作范围模型分析器3910用以评估从起点4102(例如，服务中的发动机等)到终点4104(例如，发动机有效期结束)的潜在路径和相关成本。例如，中间节点4106至4124可以表示资产有效期内资产的工作范围任务(例如，进车间修理等)。例如，工作范围模型分析器3910可以在确定性和/或随机分析中处理网络4100。
在确定性分析中，决策导致固定的结果。例如，可能的动作包括{a,b,c}，使得动作a导致示例网络4100中的顶部路径，动作b导致示例网络4100中的中间路径，并且动作c导致示例网络4100中的底部路径。
在随机分析中，决策引起可能结果的分布。例如，可能的动作包括{a,b}，使得动作a导致概率为0.1的顶部路径、概率为0.5的中间路径和概率为0.4的底部路径。例如，动作b导致概率为0.33的顶部路径、概率为0.33的中间路径、概率为0.33的底部路径。
在某些示例中，离散随机模型可以由工作范围模型分析器3910使用随机动态规划来实现。示例模型可以定义为：
在以上等式1至2中，VN(i)为当N阶段剩下总共M个阶段并且资产在状态I下时的最小预期成本；C(i,a)为当资本在状态i下时的当前决策制定成本；Pij(a)为当制定决策a时从状态i进入状态j的概率；并且W为给定阶段和状态下的可能决策组。这里，根据等式2，V0(i)＝C(i,base Workscope)。
当等式1和2表示离散随机模型时，可以通过用积分替换和并用概率密度函数(PDF)替换Pij来生成连续随机模型：
其中f(a)表示PDF。
因此，工作范围模型分析器3910评估给定阶段(例如，给定进车间修理(SV)等)和相关联的状态(例如，状态1＝发动机的年龄，2＝每个模块上的时间，3＝SV的驱动器等)以驱动确定要运用哪个工作范围替代方案的决策。工作范围值评估器3915与工作范围模型分析器3910一起工作以评估诸如关于成本/利润目标的相关的成本/效益(例如，最小化结束的总体预期成本(例如，20000个周期、25000个周期、30000个周期、50000个周期等)。例如，为了解决工作范围策略分析问题，资产状态分析器3905、工作范围模型分析器3910和工作范围值评估器3915共同用于使用具有连续状态的随机动态规划模型来分析模型和数据。
例如，工作范围策略分析可以分为M个阶段(例如，阶段1至4对应于直到目标资产(例如，发动机、发动机模块等)的25000个周期数的合同限制(例如，合同有效期终止和/或其他限制等)时的进车间修理1至4等)。如果系统处于阶段k并且当前在车间进行修理，则达到M-k个或更少的附加进车间修理的合同限制的概率大于P，其中P是确定性级别(例如，P＝0.99等)。
因此，WSA 3715可以使用动态规划来分析可用工作范围的模型，并确定要从可用工作范围中选择的优选的或“最佳”的工作范围，从而最小化或降低预期或平均成本和/或提供最佳总体价值(例如，成本与效益，如每个合同的收入、合同期限内的修理价值等)。工作范围值评估器3915检查与工作范围模型分析器3910处理的每个可用工作范围的阶段和状态相关联的成本，并计算可以选择的每个可用工作范围的平均成本。因此，WSA 3715可以比较每个可用工作范围和相关联的成本/效益(例如，工作范围价值)以选择要关于目标资产执行的“最佳”工作范围。
在某些示例中，WSA 3715可以实现为用于动态工作范围分析的基于状态的系统。如图42A的示例所示，多个事件诸如第i个事件4202和第(i+1)个事件4204被定义并由时间t分开。每个事件4202、4204都与工作范围4206、4208相关联。第i个与第(i+1)个事件之间的时间t基于资产(例如，发动机和/或发动机模块等)离开车间时该资产的状态(例如，每个模块上的时间等)以及资产操作的方式(例如，被捕获在威布尔参数中等)。时间t遵循概率分布和/或密度函数。
概率分布函数(和/或概率密度函数)(PDF)可以与威布尔故障分布相关联，如图42B的示例所示。第i个故障4210与第(i+1)个故障4212由时间t分开。每个故障4210、4212都与工作范围4206、4208相关联。在图42B的示例中，假设存在与目标资产相关联的N个模块并且时间Si1,Si2,…,SiN是在第i个故障之后以及在已执行修理后在模块上的时间。第i个事件与第(i+1)个事件之间的时间小于t的概率可以定义为：
在图42B的示例中，考虑到在时间t时存在故障，模块k出现故障的概率为：
其中
在某些示例中，其中模块k为第(i+1)个故障且第i个故障与第(i+1)个故障之间的时间为t(考虑到在第i个故障之后，模块上的时间为si1,si2,…,siN)的条件PDF可以定义为：
对应的概率分布函数/概率密度函数(PDF)可以定义为：
其中Fk为PDF并且fk表示单独的故障概率。
返回参考网状网络或时间有向图(例如，可能的未来事件的时间有向离散概率图等)，诸如图40至图41B的示例，可能的未来事件(例如，错误、故障、性能不足、进车间修理等)的概率分布可以表示为建立在有限网格上的路径。时间有向图具有尺寸m(例如，1000个周期、25000个周期等)。网络状态由每个模块上的时间给出。图43示出了其中假设仅修理了故障模块的示例网络图4300。如图43的示例所示，“0”指示哪个模块发生故障。例如，023指示模块1上的0个周期、模块2上的2m个周期和模块3上的3m个周期。从1,0,1到0,2,3的概率可表示为：
因此，在网格或网络尺寸m的情况下，从状态ai1,ai2,…,aiN进入状态ai1+b,ai2+b,…ai,k-1+b,0,ai,k+1+b,…,aiN+b的概率通过下式给出：
等式7的右侧可以简化为Fk(mb)-Fk(m(b-1))。
为了确定模块k将是下一故障模块的总概率P，考虑时间范围T，其中已经过S小时数，可以计算WSA 3715：
时间0与时间T之间的前L个故障由于模块k1,k2,…,kL的概率可以计算为：
当m接近零时，取极限会生成：
其中t1为从SVi-1到SVi的时间。
因此，WSA 3715使用工作范围模型分析器3910结合资产状态分析器3905和工作范围值评估器3915生成“最佳的”和/或以其他方式期望的工作范围以关于诸如发动机、发动机模块/子系统(例如，高压压缩机、风扇/低压压缩机，燃烧器、高压涡轮、低压涡轮、附件驱动器等)的目标资产执行。WSA 3715经由工作范围值评估器3915提供预期收入、预期成本、预期营业利润率、预期LLP财务等。模型分析和模拟允许WSA 3715将目标资产的一组可用工作范围缩小到所选择的最优工作范围以经由工作范围选择器3720执行。例如，经由基于状态的网格模型使用模型分析、模拟和动态规划，WSA 3715生成并评估资产的未来进车间修理的概率、未来进车间修理的可能驱动因素、以及直到未来的进车间修理为止的预期在翼时间。
由工作范围值评估器3910制定的决策触发在当前阶段进行的动作以实现资产操作以及总体成本/利润和/或其他效益、价值等。例如，决策与价值(例如，成本/效益等)以及所选择的工作范围相关联。WSA 3715向工作范围选择器3720提供成本/效益值信息以及工作范围数据以产生所选择的最佳工作范围作为输出355。例如，此值可以受到限制和/或约束诸如时间范围、费率、资产部件维护之间的时间限制以及合同规定的其他软和/或硬约束的限制和/或以其他方式受到影响。例如，所选择的工作范围触发维护人员、维修设施、备用零件、工具等的分配，以根据工作范围基于移除计划表修理和/或替换资产。
在一些示例中，输出355包括一个或多个资产的移除计划表，包括对应的移除计划表信息(例如，维护后勤信息、维修后勤信息等)。例如，输出355可以包括发动机102的移除计划表，包括其中可以维修发动机102的维护设施和其中可以移除、维修和重新部署发动机102的时间线。在某些示例中，备用资产(例如，备用发动机等)的可用性诸如编队尺寸的5％、编队尺寸的10％、编队尺寸的15％等作为因子加入到输出355中，使得WSA 3715有助于预测和控制在车间中维护目标资产的持续时间内可用的备用资产和/或其他零件的数量(例如，用以替换脱翼的发动机并带入车间进行修理的备用发动机等)。
尽管图36至图39中示出了图3的任务优化器310的示例实现方式，但图36至图39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，示例工作范围驱动器3705、示例工作范围映射器3710、示例工作范围策略分析器3715、示例工作范围选择器3720和/或更一般地，
图3的示例任务优化器310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，任何示例工作范围驱动器3705、示例工作范围映射器3710、示例工作范围策略分析器3715、示例工作范围选择器3720和/或更一般地，示例任务优化器310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，示例工作范围驱动器3705、示例工作范围映射器3710、示例工作范围策略分析器3715、示例工作范围选择器3720和/或更一般地，示例任务优化器310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的示例任务优化器310可包括附加于或代替图36至图39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。
在图44和图46中示出表示用以实现图2至图3和/或图36至图39的资产工作范围生成系统220和/或其任务优化器310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48中讨论的示例处理器平台4800中显示的处理器4812。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4812关联的存储器，但整个程序和/或其部分替代地可由处理器4812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44和图46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资产工作范围生成系统220和/或其任务优化器310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44和图46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/或用以信息的高速缓存)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。
图44是表示可由图3和/或图36至图39的示例任务优化器310执行以评估可用的工作范围并确定用以维护目标资产的最优的或以其他方式改善的工作范围的示例方法的流程图。示例方法开始于框4402，在该框处，由任务优化器310处理用以服务目标资产的合同(和/或其他限制和/或约束组)以标识诸如维护要求、合同结束日期以及最终资产状态等的条款和条件。例如，诸如定制服务协议(CSA)等的服务合同可以由工作范围映射器3710和工作范围驱动器3705解析以根据包括所覆盖的资产和/或一个或多个资产模块、持续时间、里程碑、可交付成果等的条款和条件来对合同和/或数据结构中的其他要求和约束组进行组织(例如，建模等)。数据结构使得要求和/或约束的元素能够被建模和比较(例如，彼此比较、与其他合同中的部件比较、与关于目标资产/资产模块的状态和/或反馈数据比较等)。例如，数据结构中的合同元素的解析、组织和存储允许资产的工作范围自动适应合同和/或该资产的其他一个或多个要求/约束。数据结构可以作为模型335、作为工作范围驱动器3705(例如，合同要求3820)等存储在数据库345中。
在框4404处，由任务优化器310处理资产信息。例如，对目标资产状态、一个或多个进车间修理驱动因素、LLP状态、服务公告状态等进行处理。例如，可以对来自资产健康计算器300、模型输入335、数据库345信息、一个或多个工作范围驱动器3705的当前资产健康进行处理以将当前资产健康、资产耐久性、有寿限零件状态、突出的SB等作为工作范围驱动器3705进行评估。可以处理资产故障率、模型/类型/零件号、状态/健康等以用于评估工作范围(例如，根据等式1至10)、构建资产/资产模块的数字模型或孪生等。例如，通过处理目标资产和/或目标资产的子系统或模块，任务优化器310可以了解资产/资产模块的特征、行为、条件/状态和可能的故障。
在框4406处，将每个进车间修理驱动因素(例如，故障模式分布等)映射到目标资产的相关零件的潜在工作范围。例如，目标资产模块(例如，诸如风扇、升压器、压缩机等的发动机模块)由工作范围映射器3710关于进车间修理驱动因素3705诸如故障模式/发动机健康评估3805、耐久性模型3810、发动机LLP状态3815、合同要求和/或其他一个或多个限制(约束)3820、SB要求3825等进行分析，它们是和/或可以驱动资产模块的进车间修理。工作范围映射器3710使用一个或多个驱动器3705来制作适当的(例如，最小的、理想的、改善的、有益的、成本有效的等)工作范围以解决目标资产模块的健康以恢复水平资产模块的能力水平和/或性能，如合同要求3820、SB要求3825等所指示的那样。对每个进车间修理/工作范围驱动器3705进行建模，并且在合同的资产/时段的有效期内的一个或多个决策点针对最低成本和/或最佳值(例如，成本与效益)维护解决方案来随时间评估相关联的成功概率、下一次故障时间、性能等。在某些示例中，框4406重复进行直到驱动器已被映射到可用的工作范围。
在框4408处，集成多个进车间修理驱动因素，每个进车间修理驱动因素都由逻辑或分析表示以驱动工作范围界定决策。因此，可以由工作范围映射器3710针对多个驱动器3705重复框4406以生成多个工作范围模型或其他逻辑表示。例如，对于每个映射的工作范围驱动器3705，确定性时间限制或修理/替换概率中的至少一个与驱动器3705相关联。与映射驱动器3705的组合相关联的工作范围用以部分或完全恢复寻求工作范围的目标资产中涉及的一组零件/模块的时间计数。对于每个工作范围，可以针对成本/收益(例如，价值)权衡分析来计算下一次进车间修理将发生/可能发生的概率分布。例如，可以由工作范围映射器3710从多个单独的工作范围驱动器时间限制和概率分布来计算整体确定性时间限制。
在框4410处，构建具有相关联的价格、成本和计费结构的工作范围界定模型。例如，由工作范围映射器生成诸如资产和相关联工作范围的数字孪生的模型、形成工作范围的任务、材料、时间、成本、效益、合同条款等的逻辑表示等以表示且便于处理关于资产/资产模块的工作范围。资产(和/或资产模块)、任务、故障模式分布、价格、成本和计费结构(例如，按照合同条款等)等可以表示用以经由工作范围模型进行使用、处理、报告等。
在框4412处，使用动态优化来评估可用工作范围以确定与工作范围相关联的成本和收益。例如，假设特定工作范围将概率故障模式、离散事件和合同规范相结合，则计算在目标资产的合同有效期内的影响(例如，财务影响、TOW影响、合同影响、性能影响等)。例如，由WSA 3715进行的数学处理(例如，诸如以等式4至10计算所选择工作范围内的预期维护活动的概率分布，等)计算工作范围的合同有效期(LOC)财务影响。将合同细节包括支付结构、移除调度要求、有寿限零件(LLP)、财务考虑因素(例如，已使用零件的转售价值、备用零件可用性等)、工作范围成本、资产模块工作范围的相互依赖性、因不同的工作范围驱动器和确定性驱动器引起的发动机移除的概率、其他一个或多个限制和/或约束等作为输入提供，以分析LOC中每个决策点的下一状态的概率，直到获得最终结果为止(见例如，示例网络4000和从当前决策点4004到LOC结束时的一个或多个最终结果4010的相关概率4008，如图40的示例所示)。对于每个潜在的工作范围，由WSA 3715计算LOC内的预期成本、价格和营业利润率。因此，可以针对可用的工作范围确定LOC内维护目标资产的预期成本，并且用于与其他可用的工作范围相比评估相关联的工作范围。
图45示出了对于工作范围1至工作范围6(WS1-WS6)，将LOC财务影响4502和/或其他所需目标函数与进车间修理后的预期TOW 4504进行比较的示例图。因此，与其他工作范围替代方案相比时，不同的工作范围在合同使用期内具有不同的财务影响(例如，比其他工作范围替代方案更高或更低的成本)以及在进车间修理之后具有更大或更小的TOW。例如，这种财务影响实现了对发动机移除和最优的和/或以其他方式改善的工作范围选择的权衡分析。
因此，在框4412处，使用传播到合同结束时的动态优化来将故障模式概率和财务影响与工作选项相组合。由WSA 3715使用动态规划优化将故障的可能性或概率、故障的财务影响以及进车间修理的成本与可用工作范围选项相组合以外推直至为资产服务的合同结束时的成本/效益。
例如，通过在资产/合同的有效期内的给定阶段评估表示工作范围选项的多个决策点中的每一个的系统/资产状态，由WSA 3715自动生成成本/效益分析以选择可用的工作范围，该可用的工作范围相对于资产/资产模块的LOC中的给定点处的成本来使效益/利润(例如，易于修理、成本效益、及时性、有效性、能力等)最大化和/或以其他方式增大。在某些示例中，成本/效益(例如，价值)分析从当前决策点外推到未来导致合同和/或其他约束/限制结束的后续决策点。如图40的示例网络4000所示，从当前决策点4004开始，接下来的多个决策点4006具有特定的发生概率4008。如图41A至图41B所示，例如，在沿着从资产的合同/可用寿命的开始4102到结束4104的路上的期望结果之间的最低成本路径可以表示用以资产/资产模块的选择和实现的期望工作范围。如上所述，可以由WSA 3715关于目标资产及其合同和/或其他限制/约束/要求的可用工作范围执行随机和/或确定性动态规划优化，以确定“最优”工作范围赋予资产(例如，发动机等)的年龄、模块上的时间、一个或多个进车间修理驱动因素等。
例如，假设资产的LOC可以分成M个阶段，则如果资产当前在车间里，则资产处于阶段k，并且在M-k个或更少的附加进车间修理中达到极限的概率大于确定性级别P(例如，P＝0.80、0.90、0.99等)。资产在M个阶段的每个阶段都有某种状态直到资产的寿命终止/合同终止。如图42A至图42B的示例所示，资产状态可以基于资产离开车间时的状态(例如，每个模块上的时间等)以及资产运行的方式(例如，在威布尔参数中捕获等)而表示为具有相关联的故障4210、4212的事件4202、4204和/或相关联的工作范围4206、4208，其中时间遵循由等式1至10所指定的特定概率分布/密度函数。然后可以使用概率来确定资产和/或资产模块是否是下一故障模块，因此应该包括在工作范围内。可以将可用工作范围的阶段和状态的概率与和另一个可用工作范围相关联的概率进行比较，以评估和选择目标资产的“最优”工作范围，从而最大化和/或以其他方式改善与目标资产的服务相关联的合同的成本/效益。
在框4414处，对于每个可用工作范围，比较成本与效益和/或通过在框4412处执行的可用工作范围的动态优化处理而生成的其他价值。例如，对于每个可用工作范围，可以比较在框4412处所计算的成本(例如，根据等式1至3确定等)以评估哪个可用工作范围具有最低的相关联成本。在某些示例中，可以应用效益的量化(例如，零件已修理、零件已替换、在翼时间、获得激励等)来平衡相应工作范围的成本，使得框4414处的比较是由WSA 3715对每个可用工作范围的成本/效益的评估，以确定哪个可用的工作范围以最低成本提供了最佳效益。
在框4416处，基于可用工作范围的动态优化处理确定最优和/或以其他方式改善的工作范围，并输出最优工作范围以便于资产维护(例如，修理、替换等)。例如，基于在框4412处应用的随机性和/或确定性动态规划优化以及在框4414处由WSA 3715评估的比较，可例如将满足资产模块/资产故障的可能概率同时降低/最小化成本的可用工作范围选为“最优”工作范围。最优的和/或以其他方式改善的工作范围由WSA 3715确定，并经由工作范围选择器3720输出作为输出355。因此，基于对WSA 3715的分析，工作范围选择器3720为当前进车间修理选择一个或多个最优工作范围，所述最优工作范围满足合同要求并且在所考虑的资产合同终止时最小化预期成本和/或增加在翼时间。
在框4418处，根据最优工作范围触发资产维护。例如，可以将确定的工作范围(例如，包括要执行的任务、要使用的材料、要离线/脱翼的一个或多个资产/资产模块、要替换车间里的一个或多个零件的一个或多个备用/借用资产等)提供给资产维护系统、调度系统等，以使一个或多个受影响的资产脱翼和/或以其他方式离线、安排临时替换并触发一个或多个受影响的资产/资产模块的修理/替换。
图46是表示用以使用动态优化评估可用工作范围以确定值的图44的示例的框4412的示例实现方式的流程图。例如，可以为目标资产使用传播到目标资产合同终止时的动态优化来将故障模式概率和财务影响与可用的工作范围选项相结合。在框4602处，将用于服务目标资产的合同上剩余的时间组织成多个阶段。例如，从当前时间点开始，将剩余的LOC分成多个阶段，每个阶段都与一个或多个有概率的/可能的状态相关联。每个阶段都表示关于目标资产(例如，发动机、发动机模块等)的决策点。决策点指示在各个阶段采取的行动，以影响相对于合同的资产和整体成本/利润(例如，相关联的工作范围等)。
在框4604处，标识当前状态，并且预测与每个阶段相关联的状态。相关联的状态指示相应阶段的资产状况(例如，发动机上的时间、模块上的时间、进车间修理驱动因素等)。可以如上面关于等式4至10所描述的那样计算下一阶段的下一状态的预测。例如，资产状态可以被表征为事件4202、4204，诸如与工作范围4206、4208相关联的故障4210、4212。
在框4606处，确定从第一状态转变到第二状态的概率。例如，可以基于在预测时间资产模块当前状态到下一状态的过渡来生成概率分布(例如，参见图40至43的等式4至10等)。例如，可以确定发动机从在翼到脱翼(或反之亦然)的概率分布。
在框4608处，确定在相关联的状态下在下一阶段的预期成本。例如，基于合同条款、零件成本和人工成本、备用发动机/借用发动机成本、脱翼时间等来计算与下一阶段的资产的状态以及基于资产状态维护资产所涉及的任务相关联的成本。
在框13610处，预测在合同的有效期内维持运行状态的成本。例如，使用等式3的连续随机模型，动态地评估可能结果的分布，以计算当N个阶段保持在LOC中并且资产的LOC处于阶段i时的最小预期成本。通过对概率密度函数进行集成并与工作范围成本相关联，可以确定在剩余LOC内可用工作范围的最小预期成本(参见例如等式1至3)。因此，每个工作范围驱动器是时间限制和/或概率分布，并且可以使用等式1至3来计算给定资产的合同使用期内的财务影响，假设特定工作范围将概率故障模式、离散事件和合同规范相组合。在框4612处，输出特定工作范围的值。
如示例方法4400所述，对于每个可用的工作范围，基于涉及合同细节，包括支付结构、移除调度要求、有寿限零件、作为已使用零件的转售价值的财务考虑因素、工作范围成本、模块工作范围的相互依赖性、因不同的工作范围驱器和确定性驱动器引起的发动机移除的概率，的数学方法来评估对应的工作范围模型以计算合同和/或其他限制和/或约束组的使用期内的预期成本、价格和营业利润率并实现对发动机移除和最优工作范围选择的权衡分析。因此，由WSA 3715使用动态规划优化将故障的可能性或概率、故障的财务影响以及进车间修理的成本与可用工作范围选项相组合以外推直至为资产服务的合同结束时的成本/效益(例如，价值)。
图47描绘了表示可被执行以实现可用以实现本文公开的示例的包括示例WSA3715的示例任务优化器310的示例计算机可读指令的示例源代码4700。例如，源代码4700可用以实现图44和图46的方法。如图47的示例所示，源代码4700表示用以评估每个可用工作范围的每个剩余阶段以评估与在LOC内维护资产的相应工作范围相关联的成本的指令。对于从结束阶段到当前阶段的每个阶段，确定工作范围决策成本加上与改变状态的概率相关联的成本，使得可以比较每个阶段的相关联成本以标识与最佳值相关联的阶段(例如，最低成本、最大利益等)。
图48是能够执行图44、图46和图47的指令以实现图2至图3和/或图36至图39的任务优化器310和/或资产工作范围生成系统220的示例处理器平台4800的框图。处理器平台4800可以是例如服务器、个人计算机、移动装置(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其他类型的计算装置。
所示示例的处理器平台4800包括处理器4812。所示示例的处理器4812为硬件。例如，处理器4812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4812实现示例工作范围驱动器3705、示例工作范围映射器3710、示例工作范围策略分析器3715和示例工作范围选择器3720。
所示示例的处理器4812包括本地存储器4813(例如，高速缓存)。所示示例的处理器4812经由总线4818与主存储器通信，所述主存储器包括易失性存储器4814和非易失性存储器4816。易失性存储器4814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4816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4814、4816的访问由存储器控制器控制。
所示示例的处理器平台4800还包括接口电路4820。接口电路4820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4822连接至接口电路4820。一个或多个输入装置4822允许用户将数据和/或命令输入到处理器4812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4824也连接至所示示例的接口电路4820。输出装置4824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4820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4820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4826(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4800还包括用以存储软件和/或数据的一个或多个大容量存储装置4828。此类大容量存储装置4828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44、图46和图47的编码指令4832可以存储在大容量存储装置4828中，存储在易失性存储器4814中，存储在非易失性存储器4816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，已经公开了在用于维护目标资产诸如涡轮发动机、发动机模块、柴油机发动机、风力涡轮、其他需要维护的资产等的多个可用工作范围件进行生成、评估和选择的示例方法、设备和制品。上面公开的任务优化器设备可以基于多个因子来优化和/或以其他方式改善期望工作范围的生成和选择，所述多个因子包括预期成本、相关联的合同的使用期内的营业利润率、在车间的时间、下一次故障之前的时间等。任务优化器设备基于这些因子执行权衡分析，并且便于维护目标资产(例如，资产的移除、进行修理/替换的进车间修理、在车间里的临时资产替换等)。某些示例利用合同信息诸如支付结构、资产移除调度要求、有寿限零件、财务考虑因素诸如已使用零件的转售价值和营业利润率、工作范围成本、资产模块工作范围相互依赖性、因不同的工作范围驱动器和确定性驱动器引起的资产移除的概率等来确定每个可用工作范围的预期成本和收益以在可用的工作范围替代方案中选择最佳或“最优”的工作范围。例如，工作范围确定是自动化的，并根据合同和目标资产进行定制。对确定性事件和概率性事件两者进行评估以提供资产及其运行环境的更完整图像或模型。
当面临数百万种可能性时，任务优化器及其工作范围策略分析器确定可用工作范围的子集，并且对于子集中的每个可用工作范围，分析器预测未来可能需要进行下一次进车间修理的时间。工作范围策略分析器基于可用的工作范围和概率进行建模以基于阶段和状态预测在相关联的合同的有效期内的未来时间点可能有哪些类型的工作范围可用，并且分析器评估多个决策点或从起点到达合同有效期终止时的阶段。示例工作范围策略分析器确定预计路径选项中到达合同有效期的终点的最优路径并计算所选择的工作范围路径的总成本。可以使用最优工作范围路径评估客户的总成本和预期支付，以从可用的工作范围替代方案中选择工作范围。然后，任务优化器基于所确定的“最优的”或以其他方式改善的工作范围及其相关联的任务、资源、定时等来触发并促进目标资产的维护。例如，不是蒙特卡罗模拟(例如，涉及使用以播种起始点开始的随机数进行的1000次迭代等)和/或其他估计，某些示例提供了用于工作范围确定的精确解决方案。
IV.工作范围效果计算器
图49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资产工作范围生成系统220的一个或多个部件。在图49的所示示例中，WEC 315包括收集发动机4900、性能模型分析器4905、严重性模型分析器4910、工作范围量词分析器4915和系统更新器4920。
在图49的所示示例中，示例WEC 315包括收集发动机4900，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4900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4900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4900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4900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4900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4900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49的所示示例中，收集发动机4900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4900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49的所示示例中，收集发动机4900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4900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49的所示示例中，收集发动机4900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编队的耐久性参数、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编队。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4900获得资产类别历史数据438以确保性能模型分析器4905、严重性模型分析器4910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49的所示示例中，收集发动机4900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的资产工作范围生成系统220生成的AHQ的准确度。在一些示例中，收集发动机4900从图3的数据库345获得工作范围量词440。例如，收集发动机4900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资产工作范围生成系统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49的所示示例中，WEC 315包括性能模型分析器4905，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4905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、编队级资产等)。在一些示例中，性能模型分析器4905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4905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4905基于确定运营商级和编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，编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编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4905通过执行一个或多个模型来生成运营商级资产参数和/或编队级资产参数。例如，性能模型分析器4905可以指导图49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和/或图49的输入325来生成资产参数(例如，运营商级起飞减速参数、编队级爬升减速参数等)。
在一些示例中，性能模型分析器4905指导历史数据模型450基于图3和/或图49的输入325使用图3和/或图49的数据库345中所包括的历史信息来生成运营商级和/或编队级起飞减速参数、爬升减速参数等。在一些示例中，性能模型分析器4905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4905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4905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4905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4905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4905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4905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/或编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4905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4905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4905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4905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编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4905生成残差性能模型以分析单个运营商与运营商编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4905可以确定第一运营商比资产编队平均值更好、比资产编队平均值更差等。在另一示例中，性能模型分析器4905可以将第二运营商标识为候选改善目标，因为第二运营商比资产编队平均值更差。
在一些示例中，性能模型分析器4905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4905生成包括推荐的报告。在一些示例中，性能模型分析器4905可以基于性能模型将一个或多个运营商标识为运营商行为改善的候选改善目标。例如，性能模型分析器4905可以通过基于分析运营商行为与资产编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4905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49的所示示例中，WEC 315包括严重性模型分析器4910，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4910生成资产部件级严重性模型。例如，严重性模型分析器4910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4910生成编队级严重性模型。例如，严重性模型分析器4910可以生成基于编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4910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4910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4910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4910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4910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4910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4910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4910可以基于图54的资产部件级严重性模型5400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4910可以使用图54的资产部件级严重性模型5400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4910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4910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54的资产部件级严重性模型5400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4910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4910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4910确定AHQ差值满足AHQ差阈值。例如，严重性模型分析器4910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4910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4910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4910可以将资产部件标识为要维护的候选者。例如，严重性模型分析器4910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4910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4910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4910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4910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49的所示示例中，WEC 315包括工作范围量词分析器4915，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，以用以改善资产工作范围生成系统220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4915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4915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4915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4915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4915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4915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4915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4915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4915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4915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4915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可以生成可以应用以发动机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4915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4915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4915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，可以标识和评估性能特征，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4915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4915可以生成包括升压压缩机114的下一维护操作的推荐工作范围，因为实际TOW小时数接近预测性TOW小时数。
在一些示例中，工作范围量词分析器4915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4915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4915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、燃烧器118等随时间的不可靠性值或故障率。例如，随机模型454可以将燃烧器118的即时TOW映射到威布尔分以生成即时TOW时的预测性故障率。通过确定燃烧器118的即时TOW时的预测性故障率，工作范围量词分析器4915可以生成包括燃烧器118的下一维护操作的推荐工作范围，因为故障率随即时TOW的增大而增大。
在一些示例中，健康量词生成器4915使用混合模型456以基于工作范围结果使用图49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4915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4915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4915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4915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4915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4915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4915基于模型输入335来计算预计AHQ。在一些示例中，预计AHQ表示资产部件的实际AHQ可以基于运行条件而预测的。例如，工作范围量词分析器4915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4915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4915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4915可以将上述参数输入图53A的TOW严重性模型生成系统5300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4915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4915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4915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4915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4915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4915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4915可以评估资产工作范围生成系统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4915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4915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的资产工作范围生成系统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4915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，工作范围量词与资产工作范围生成系统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4915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4915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资产工作范围生成系统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4915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4915可以确定资产工作范围生成系统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49的所示示例中，WEC 315包括系统更新器4920，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/或以其他方式改善资产工作范围生成系统220。在一些示例中，系统更新器4920可以指导图2至图3的资产工作范围生成系统220修改资产工作范围生成系统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4920指导资产工作范围生成系统220基于运营商行为进行更新。例如，系统更新器4920可以指导资产工作范围生成系统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用以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4920可以指导资产工作范围生成系统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，资产工作范围生成系统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4920指导资产工作范围生成系统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4920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/或以其他方式改善资产工作范围生成系统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4920可以指导资产工作范围生成系统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用以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49中示出了图3的WEC 315的示例实现方式，但图49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4900、示例性能模型分析器4905、示例严重性模型分析器4910、示例工作范围量词分析器4915、示例系统更新器4920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4900、示例性能模型分析器4905、示例严重性模型分析器4910、示例工作范围量词分析器4915、示例系统更新器4920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4900、示例性能模型分析器4905、示例严重性模型分析器4910、示例工作范围量词分析器4915和/或示例系统更新器4920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49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50是其中可以使用图1的涡轮发动机102的飞行路线5000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5005。所示示例的飞行路线5000包括停放飞行段5010、滑行飞行段5020、起飞和离开飞行段5030、爬升飞行段5040、巡航飞行段5050、下降飞行段5060、进场飞行段5070以及着陆和滑行至登机门飞行段5080。替代地，在飞行路线5000中可以存在更少或更多的飞行段。
在示例飞行路线5000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5005处于起飞和离开飞行段5030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5030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5005处于起飞和离开飞行段5030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5050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5050期间减速可以产生与在起飞和离开飞行段5030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5050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5030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51A是示例性能参考模型5100的示意图。所示示例的性能参考模型5100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的运营商编队相对应的统计信息。例如，性能模型分析器4905可以指导图49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5100。在所示示例中，性能参考模型5100的x轴5102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5100的y轴5104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5102和/或y轴5104。示例性能模型分析器4905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5100。
在图51A的所示示例中，性能模型分析器4905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编队行为参数5106。替代地，示例性能模型分析器4905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编队行为参数5106。
在图51A的所示示例中，性能模型分析器4905生成基于物理的性能参考模型5108(长虚线)。例如，性能模型分析器4905可以通过指导图49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5108。在此示例中，性能模型分析器4905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5108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4905计算基于历史信息的性能参考模型5100与基于物理的性能参考模型5108之间的差值以确定运营商是比基于物理的性能参考模型5108表现更好还是更差。
图51B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5110的示意图。在图51B的所示示例中，回归参考模型5110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编队相对应的统计信息。在图51B的所示示例中，性能模型分析器4905使用历史数据生成回归参考模型5110。例如，性能模型分析器4905可以指导历史数据模型450基于或响应于收集发动机4900从运行涡轮发动机的运营商编队获得发动机减速行为来生成回归参考模型5110。响应于生成示例回归参考模型5110，示例性能模型分析器4905可以使用回归参考模型5110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51B的所示示例中，回归参考模型5110包括发动机减速行为到严重性因子A的第一映射5115。例如，第一映射5115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51B的所示示例中，回归参考模型5110包括发动机减速行为到严重性因子B的第二映射5120。例如，第二映射5120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51B的所示示例中，回归参考模型5110包括发动机减速行为到严重性因子C的第三映射5125。例如，第三映射5125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51B的所示示例中，回归参考模型5110可以由拟合表5130的示例汇总表征或表示。例如，性能模型分析器4905可以基于第一至第三映射5115、5120、5125中的数据与回归参考模型5110的拟合来确定使用回归参考模型5110。例如，当r平方值大于r平方值阈值时，性能模型分析器4905可以确定使用回归参考模型5110。例如，拟合表5130的汇总可以与第一映射5115相对应。例如，0.75的r平方值可以表示，第一映射5115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5110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5115的平均发动机减速参数值。
图51C是示例残差性能模型5140的示意图。在一些示例中，性能模型分析器4905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编队行为参数进行比较来生成残差性能模型5140。在图51C的所示示例中，性能模型分析器4905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51A中的性能参考模型5100中的基于物理的性能参考模型5108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5140。替代地，示例性能模型分析器4905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的运营商编队来说图51B的回归参考模型5110中的编队发动机减速运营商之间的差值来生成残差性能模型5140。
在图51C的所示示例中，性能模型分析器4905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5142(点划线)。例如，基线值5142可以与实际编队发动机减速行为与图51B的回归参考模型5110中所包括的编队发动机减速行为之间的中值差值相对应。在图51C的所示示例中，性能模型分析器4905确定75％中值5144和25％中值5146。例如，75％中值5144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5142。在另一示例中，25％中值5146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5142。
在图51C的所示示例中，性能模型分析器4905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，当运营商被标识为候选改善目标时，性能模型分析器4905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5142的表现不佳的资产5148(例如，低于编队平均值等)。例如，性能模型分析器4905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5148的性能并减少运营商E行为与包括运营商A、B、C、D和E的运营商编队之间的差值。
图51D是示例资产健康量词(AHQ)性能模型5150的示意图，所述性能模型包括与包括运营商A至Z的运营商编队运行诸如图1的发动机102的涡轮发动机相对应的统计信息。在图51D的所示示例中，AHQ性能模型5150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51D的所示示例中，AHQ性能模型5150的x轴5152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5150的y轴5154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5152和/或y轴5154。
例如，由x轴5152表示的Δ资产健康量词变化率值可以基于图51A的性能参考模型5100、图51B的回归参考模型5110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)编队级EGTHDM变化率值(例如，平均编队级EGTHDM变化率值、中间编队级变化率值等)。在另一示例中，Δ资产健康量词值可以基于图51A的性能参考模型5100、图51B的回归参考模型5110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)编队级EGTHDM值(例如，平均编队级EGTHDM值、中间编队级EGTHDM值等)。
在图51D的所示示例中，性能模型分析器4905可以使用AHQ性能模型5150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51D的所示示例中，性能模型分析器4905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4905可以基于AHQ性能模型5150将运营商G、H和P标识为候选改善目标。例如，性能模型分析器4905可以基于运营商P拥有的资产的AHQ变化率值与编队平均值相差约超过0.5△来确定运营商P具有比编队平均AHQ变化率值更差的值。在另一示例中，性能模型分析器4905可以基于运营商P拥有的资产的AHQ与编队平均值相差约超过0.25△来确定运营商P具有比编队平均AHQ更差的值。替代地，示例性能模型分析器4905可以确定运营商A具有比编队平均AHQ更好的值，运营商Q具有比编队平均AHQ变化率值更好的值等。
图52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5200。示例警报仪表板5200表示运营商编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5200表示基于来自一个或多个性能模型的确定信息的编队管理工具。例如，性能模型分析器4905可以生成警报仪表板5200。在图52的所示示例中，性能模型分析器4905可以使用警报仪表板5200来基于与运营商行为A5202、运营商行为A(变化)5204、运营商行为B 5206、运营商行为B(变化)5208、严重性因子A(变化)5210和资产健康量词5212相对应的变化生成针对包括运营商A至E的运营商编队的推荐。替代地，可能存在比图52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52的所示示例中，性能模型分析器4905可以使用向上箭头符号5214或向下箭头符号5216来表示与运营商相对于运营商的条件随时间的变化的标识。在图52的所示示例中，性能模型分析器4905在运营商行为A(变化)5204列中将向上箭头符号5214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5214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52的所示示例中，性能模型分析器4905可以使用圆形符号5218来表示与运营商编队相比，与运营商相对应的次优条件的标识。在图52的所示示例中，性能模型分析器4905将圆形符号5218分配给运营商C，以确定运营商C对应于运营商行为A 5202具有比编队平均值更差的值。在一些示例中，性能模型分析器4905将圆形符号5218分配给运营商，以响应于比较运营商与运营商编队的运营商行为参数(例如，运营商行为A 5202、运营商行为B5206等)来将运营商标识为候选改善目标。在一些示例中，性能模型分析器4905使用圆形符号5218来表示可以对应于运营商触发的动作，诸如基于将运营商标识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52的所示示例中，运营商行为A 5202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4905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标识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4905可以将圆形符号5218分配给运营商C，以将运营商C标识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4905可以基于比较运营商C与运营商编队相比的运营商行为A 5202来将运营商C标识为候选改善目标。在此示例中，响应于将运营商C标识为候选改善目标，性能模型分析器4905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 5202。在一些示例中，性能模型分析器4905响应于将运营商C基于运营商行为标识为候选改善目标，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52的所示示例中，运营商行为A(变化)列5204与运营商相对于运营商随时间的运营商行为A 5202的变化相对应。例如，性能模型分析器4905可以确定运营商是否对应于操作员行为A 5202而随时间改善或下降。例如，性能模型分析器4905可以标识与运营商行为A 5202相对应的改善(例如，通过指定向上箭头5214等)或下降(例如，通过指定向下箭头5216)。在图52的所示示例中，性能模型分析器4905向运营商B分配与运营商行为A(变化)5204相对应的向上箭头5214。例如，性能模型分析器4905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52的所示示例中，运营商行为B 5206对应于可量化的运营商行为。例如，运营商行为B 5206可以对应于发动机减速行为、发动机起飞减速行为等。在图52的所示示例中，运营商行为B(变化)5208对应于运营商相对于运营商随时间的运营商行为B 5208的变化。
在图52的所示示例中，严重性因子A(变化)5210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)5210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52的所示示例中，性能模型分析器4905向运营商D和E分配向上箭头5216。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4905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4905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52的所示示例中，资产健康量词5212对应于与资产健康量词5212的运营商编队相比，对应于运营商的次优条件的标识。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5212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52的所示示例中，性能模型分析器4905将圆形符号5218针对资产健康量词5212分配给运营商A以将运营商A标识为候选改善目标。例如，性能模型分析器4905可以基于比较由运营商A运行的资产与由运营商编队运行的资产的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编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4905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4905响应于基于资产健康量词将运营商A标识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53A是由图49的严重性模型分析器4910执行的示例TOW严重性模型生成系统5300。在图53A的所示示例中，严重性模型分析器4910通过将严重性因子诸如发动机温度严重性因子5305、环境因子严重性因子5310、发动机温度严重性因子5315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4910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5310的函数。在一些示例中，严重性模型分析器4910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53A所描绘更少的或更多的严重性因子。
在图53A的所示示例中，发动机温度严重性因子5305可受到一个或多个严重性因子影响因素5320诸如发动机额定值5325、发动机减速5330、环境温度5335和锥度计划表5340的影响等。替代地，可能存在比图53A中所描绘的更少的或更多的与发动机温度严重性因子5305相对应的严重性因子影响因素5320。例如，发动机温度严重性因子5305可以对应于发动机102的运行温度。在一些示例中，额定值5325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5305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5305可以受运营商的发动机减速行为5330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5305可受环境温度5335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5305可受运营商使用的锥度计划表5340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53A的所示示例中，环境因子严重性因子5310可以受一个或多个严重性因子影响因素5320(诸如城市对5345和时间段5350)的影响等。替代地，可能存在比图53A中所描绘的更少的或更多的对应于环境因子严重性因子5310的严重性因子影响因素5320。例如，环境因子严重性因子5310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5345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4910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5310可以基于对城市对5345的选择而受到影响。在另一示例中，环境因子严重性因子5310可以基于时间段5350诸如一日运行时间、一年运行时间等而受到影响。
在图53A的所示示例中，发动机温度严重性因子5315的时间可以受到一个或多个严重性因子影响因素5320诸如发动机额定值5325、发动机减速5330和锥度计划表5340的影响等。替代地，可能存在比图53A中所描绘的更少的或更多的对应于发动机温度严重性因子5315的时间的严重性因子影响因素5320。在一些示例中，发动机温度严重性因子5315的时间可以对应于图1的发动机102在发动机温度下运行的时间量。
在图53A的所示示例中，严重性模型分析器4910通过基于严重性因子5305、5310、5315和严重性因子影响因素5320执行TOW严重性模型生成系统5300来生成一个或多个资产部件TOW严重性模型5355。例如，严重性模型分析器4910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51B的回归参考模型5110等)。例如，严重性模型分析器4910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5300将高压涡轮叶片的TOW映射到环境因子严重性因子5310来生成高压涡轮叶片严重性模型。示例严重性模型分析器4910可以基于严重性因子5305、5310、5315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5320生成一个或多个资产部件TOW严重性模型5355，并基于一个或多个资产部件TOW严重性模型5355来生成编队级资产部件TOW模型5360。例如，严重性模型分析器4910可以生成资产部件严重性模型5400，如图54所示。示例严重性模型分析器4910可以基于一个或多个资产部件严重性模型诸如图54的资产部件严重性模型5400来生成如图53B所描绘的编队级模型5370。
图53B是编队级模型5370的示意图。图53B的编队级模型5370表示编队级资产数据的随机模型。例如，编队级模型5370可以对应于图49的随机模型454。例如，严重性模型分析器4910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53A的TOW严重性模型生成系统5300来生成编队级模型5370。
在图53B的所示示例中，编队级模型5370将不可靠性因子映射为时间的函数。在图53B的所示示例中，标记为“TIME,(t)”的x轴5372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5372。在图53B的所示示例中，标记为“UNRELIABILITY,F(t)”的y轴5374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5374。
例如，严重性模型分析器4910可以使用编队级模型5370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5376(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4910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53B的所示示例中，编队级模型5370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4910使用编队级模型5370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4910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4910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53B的所示示例中，编队级模型5370包括按资产部件表5378移除的百分比。图53B的所示示例的表5378包括表示按资产部件的资产移除百分比的数据。例如，表5378表示第1年中38％的资产移除是响应于标识要维护的资产部件A。例如，严重性模型分析器4910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4910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5378表示第2年中25％的资产移除是响应于标识要维护的资产部件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4910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编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54是将AHQ诸如TOW映射到严重性因子(例如，图53A的发动机温度严重性因子5305、图53A的环境严重性因子5310等)的示例资产部件级严重性模型5400的示意图。例如，严重性模型分析器4910可以使用图53A的TOW严重性模型生成系统5300生成图54的资产部件级严重性模型5400。在图54的所示示例中，资产部件级严重性模型5400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的燃烧器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54所描绘的更少或更多的资产部件。
在图54的所示示例中，基于TOW到资产部件级严重性模型5400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54的所示示例中，x轴5410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5410。在图54的所示示例中，y轴5420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5420。
在图54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5430(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54的所示示例中，资产部件D基于资产部件D敏感性线5440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4910可以生成图54的资产部件级严重性模型5400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4910可以指导资产工作范围生成系统220的一个或多个部件基于资产部件级严重性模型5400来更新。例如，严重性模型分析器4910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49的工作范围量词分析器4915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55是由图3和/或图49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55的所示示例中，锥度计划表影响曲线图5500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55的所示示例中，具有超控(锥度X)条的减速选项A(现况)5510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55的所示示例中，无超控(锥度X)条的减速选项A 5520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55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55的所示示例中，无超控(锥度X)条5530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4910可以为运营商A生成以下推荐：从不存在使用锥度X计划表的超控的减速选项A 5520调整为不存在使用锥度X计划表的超控的减速选项B 5530。因此，基于严重性模型分析器4910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4910可以为运营商B生成以下推荐：从不存在使用锥度X计划表的超控的减速选项A 5520调整为不存在使用锥度X计划表的超控的减速选项B 5530。因此，基于严重性模型分析器4910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4910指导系统更新器4920基于生成低效推荐来更新图2至图3的资产工作范围生成系统220的一个或多个部件。
在一些示例中，严重性模型分析器4910为运营商B生成以下另一推荐：从不存在使用锥度X计划表的超控的减速选项A 5520调整为不存在使用锥度Y计划表的超控的减速选项A 5540、不存在使用锥度Y计划表的超控的减速选项B 5550。因此，示例严重性模型分析器4910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56至图58中示出表示用以实现图3和/或图49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59中讨论的示例处理器平台5900中显示的处理器5912。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5912关联的存储器，但整个程序和/或其部分替代地可由处理器5912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56至图58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56至图58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。
图56是表示可以由图3和/或图49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5602，在该框处，示例WEC 315获得资产监视信息。例如，图49的收集发动机4900可以获得图3和/或图49的输入325，诸如图49的资产传感器数据430、资产环境数据432等。
在框5604处，示例WEC 315获得运营商要求。例如，收集发动机4900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4900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5606处，示例WEC 315计算资产参数。例如，性能模型分析器4905可以指导历史数据模型450、基于物理的模型452等基于图3和/或图49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4905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5608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4905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51A的基于物理的性能参考模型5108、图51B的回归参考模型5110等。
在框5610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4905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51C的残差性能模型5140。
在框5612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4910可以基于一个或多个资产部件级严重性模型诸如图54的资产部件级严重性模型5400来生成图53B的编队级模型5370。
在框5614处，示例WEC 315基于模型来将一个或多个运营商标识为候选改善目标。例如，性能模型分析器4905可以将图51C的残差性能模型5140中的运营商E标识为候选改善目标。在另一示例中，性能模型分析器4905可以将图51D的AHQ性能模型5150中的运营商P、G和H标识为候选改善目标。
在框5616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4905可以基于分析图51C的残差性能模型5140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4910可以基于分析图53B的编队级模型5370、图54的资产部件级严重性模型5400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5618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的资产工作范围生成系统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4905基于图51C的残差性能模型5140将运营商E标识为候选改善目标，性能模型分析器4905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4905激活示例资产健康计算器300，资产健康计算器300可以使用报告中所括的推荐的发动机减速参数来执行图49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标识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57是表示可以由图3和/或图49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57的示例过程可用以实现图56的框5608和/或5616的操作。示例方法开始于框5702，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4900可以选择感兴趣的运营商进行处理。
在框5704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4900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50的飞行路线5000中操作时、当发动机102在服务中时等，图49的收集发动机4900可以获得图3和/或图49的输入325，诸如图49的资产传感器数据430、资产环境数据432等。
在框5706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4905可以使用图49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和/或图49的输入325来计算发动机102的发动机减速参数。
在框5708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4905可以使用图49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和/或图49的输入325来计算发动机102的发动机减速参数。
在框5710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4900可以确定选择另一感兴趣的运营商进行处理。如果在框5710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5702以选择另一感兴趣的运营商进行处理。
如果在框5710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5712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4905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4905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5714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4905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51A的性能参考模型5100。在另一示例中，性能模型分析器4905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51B的回归能参考模型5110。
在框5716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4905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51A的性能参考模型5100中包括的运营商行为之间的差值来生成图51C的残差性能模型5140。在另一示例中，性能模型分析器4905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51B的回归参考模型5110中包括的运营商行为之间的差值来生成图51C的残差性能模型5140。
在框5718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标识为候选改善目标。例如，性能模型分析器4905可以基于操作与编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51C中的运营商D和/或E基于图51C的残差性能模型5140标识为候选改善目标。
在框5720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4905可以生成包括对图51C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5722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的资产工作范围生成系统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4905基于图51C的残差性能模型5140将运营商E标识为候选改善目标，性能模型分析器4905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4905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58是表示可以由图3和/或图49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58的示例过程可用以实现图56的框5612和/或5616的操作。示例方法开始于框5802，在该框处，示例WEC 315获得资产监视信息。例如，图49的收集发动机4900可以获得图3和/或图49的输入325，诸如图49的资产传感器数据430、资产环境数据432等。
在框5804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4910可以选择TOW AHQ进行处理。在框5806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4910可以选择与图53A的发动机温度严重性因子5305相对应的发动机温度严重性因子进行处理。
在框5808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4910可以基于资产部件的TOW映射到发动机温度来生成图54的资产部件级严重性模型5400。在框5810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4910可以选择图1的发动机102进行处理。
在框5812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4910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54的资产部件级严重性模型5400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4910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4910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5814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4910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4910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5814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5818以选择另一感兴趣的资产进行处理。如果在框5814处，示例WEC315确定资产部件中的至少一个满足阈值，则在框5816处，WEC 315将资产和资产部件标识为要维护的候选者。例如，严重性模型分析器4910可以将与资产部件B相对应的发动机102的部件标识为要从运行中移除以执行维护操作的候选者。
在框5818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4900可以确定选择由特定运营商操作的另一资产、编队中的另一资产等进行处理。如果在框5818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5810以选择另一感兴趣的资产进行处理。
如果在框5818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5820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4910可以生成包括标识发动机102是要从服务中移除以对燃烧器118执行维护的候选目标的推荐的报告。
在框5822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的资产工作范围生成系统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4910基于图53B的编队级模型5370、图54的资产部件级严重性模型5400等而将发动机102标识为要从服务中移除的候选者。例如，严重性模型分析器4910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4910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59是能够执行图56至图58的指令以实现图3和/或图49的WEC 315的示例处理器平台5900的框图。处理器平台5900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5900包括处理器5912。所示示例的处理器5912为硬件。例如，处理器5912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5912实现示例收集发动机4900、示例性能模型分析器4905、示例严重性模型分析器4910、示例工作范围量词计算器4915和示例系统更新器4920。
所示示例的处理器5912包括本地存储器5913(例如，高速缓存)。所示示例的处理器5912经由总线5918与主存储器通信，所述主存储器包括易失性存储器5914和非易失性存储器5916。易失性存储器5914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5916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5914、5916的访问由存储器控制器控制。
所示示例的处理器平台5900还包括接口电路5920。接口电路5920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5922连接至接口电路5920。一个或多个输入装置5922允许用户将数据和/或命令输入到处理器5912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5924也连接至所示示例的接口电路5920。输出装置5924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5920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5920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5926(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5900还包括用以存储软件和/或数据的一个或多个大容量存储装置5928。此类大容量存储装置5928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56至图58的编码指令5932可以存储在大容量存储装置5928中，存储在易失性存储器5914中，存储在非易失性存储器5916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标识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标识为候选改善目标。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编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资产工作范围生成系统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标识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标识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编队级严重性模型。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应用以编队级别严重性模型并将预期TOW与实际TOW进行比较来识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资产工作范围生成系统的一个或多个部件诸如资产健康计算器而基于所标识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编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标识为要从服务中移除的候选资产。
V.现场资产健康咨询器
图60是图3的示例FAHA 320的示例实现方式的框图。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，升压压缩机114、高压涡轮120等)等的AHQ(例如，实际AHQ、预计AHQ等)进行计算、聚合和排序。FAHA 320包括示例数据收集发动机6000、示例参数跟踪器6005、示例健康量词计算器6010、示例推荐生成器6015和示例报告生成器6020。
在图60的所示示例中，FAHA 320包括示例数据收集发动机6000，用以获得感兴趣的信息进行处理。在所示示例中，数据收集发动机6000获得输入325进行处理。例如，数据收集发动机6000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，数据收集发动机6000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，数据收集发动机6000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26000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。在一些示例中，数据收集发动机6000确定资产传感器数据430是瞬态资产数据。例如，数据收集发动机6000可以基于发动机102在瞬态飞行段或者在飞行段之间的过渡(例如，从爬升飞行段到巡航飞行段的过渡等)期间操作来确定资产传感器数据430是瞬态资产数据。在一些示例中，数据收集发动机6000确定资产传感器数据430是稳态资产数据。例如，数据收集发动机6000可以基于发动机102在巡航飞行段期间操作来确定资产传感器数据430是稳态资产数据。在此示例中，数据收集发动机6000可以基于类似的(例如，大体类似的、相对不变的等)的环境条件和运行条件来确定生成(例如，迭代地生成等)资产传感器数据430。
在所示示例中，数据收集发动机6000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，数据收集发动机6000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)、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60的所示示例中，数据收集发动机6000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，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在全功率下的频率的百分比等。
在图60的所示示例中，数据收集发动机6000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，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60的所示示例中，收集发动机6000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用以通过分析编队的耐久性参数、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编队。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，数据收集发动机6000获得资产类别历史数据438以确保参数跟踪器6005、健康量词计算器6010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60的所示示例中，数据收集发动机6000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和/或FAHA 320生成的AHQ的准确度。例如，数据收集发动机6000可以获得由工作范围效果计算器315计算的10％、20％、30％等的工作范围量词。例如，FAHA320可以确定基于工作范围量词来更新FAHA 320的一个或多个参数。例如，FAHA 320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)来将模型输入335更新为包含最新版本的信息、参数值等。
在图60的所示示例中，FAHA 320包括参数跟踪器6005，用以基于跟踪滤波器数据执行跟踪滤波器以计算校准后模拟传感器数据。在一些示例中，跟踪滤波器数据包括与图1的发动机102相对应的模拟资产传感器数据(例如，模拟稳态资产传感器数据、模拟瞬态资产传感器数据等)。在一些示例中，参数跟踪器6005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6005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稳态资产传感器数据。例如，参数跟踪器6005可以通过在稳态下模拟图1至图2的传感器144、146来获得发动机102的模拟稳态排气路径温度(EGT)传感器数据。例如，参数跟踪器6005可以指导基于物理的模型452使用与处于稳态(诸如，巡航飞行段)的飞行器相对应的运行条件来模拟发动机102以生成模拟稳态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6005可以通过在瞬态下模拟图1至图2的传感器144、146来获得发动机102的模拟瞬态EGT传感器数据。例如，参数跟踪器6005可以指导基于物理的模型452使用与处于瞬态(诸如，从爬升飞行段到巡航飞行段的过渡)的飞行器相对应的运行条件来模拟发动机102以生成模拟瞬态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、实时操作等期间对传感器和传感器模型进行校准(例如，迭代地校准等)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6005可以指导基于物理的模型452使用与处于瞬态飞行段诸如起飞和离开飞行段的飞行器相对应的运行条件来模拟发动机102以生成模拟瞬态EGT传感器数据。
在一些示例中，跟踪滤波器数据包括基于从图1至图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而得到的基于物理传感器的资产传感器数据(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6005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6005可以通过在稳态下从图1至图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6005可以通过在与处于稳态诸如巡航飞行段的飞行器相对应的运行条件期间从图1至图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6005可以通过在瞬态下从图1至图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6005可以通过在与处于瞬态(诸如从爬升飞行段到巡航飞行段的过渡)的飞行器相对应的运行条件期间从图1至图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6005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将由跟踪滤波器使用的跟踪滤波器数据。例如，参数跟踪器6005可以选择跟踪滤波器数据以包括稳态实际传感器数据、瞬态模拟传感器数据等和/或它们的组合。例如，参数跟踪器6005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6005确定跟踪过滤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6005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6005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，与使用长的瞬态操作数据窗口相比，参数跟踪器6005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6005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和(2)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来计算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6005可以选择跟踪过滤器数据以包括(1)第二时间示例或第二时间间隔内的稳态资产传感器数据并且选择(2)第三时间示例或第三时间间隔内的瞬态资产传感器数据。
在一些示例中，参数跟踪器6005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6005使用跟踪滤波器以基于模拟资产传感器数据和获取的资产传感器数据之间的差值来计算校准后资产传感器数据。例如，参数跟踪器6005可以计算(1)基于模型输入335而获得的发动机102的模拟EGT传感器数据与(2)基于资产传感器数据430而获得的发动机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6005可以基于模拟EGT传感器数据和实际EGT传感器数据之间的差值来计算校准后资产传感器数据。
在一些示例中，参数跟踪器6005将校准后资产传感器数据传输到图60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6005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背离。例如，参数跟踪器6005可以将校准后资产传感器数据传输到基于物理的模型452以优化和/或以其他方式改善基于物理的模型452的功能以生成AHQ、模拟传感器数据等，从而使与资产传感器数据430的背离最小化。例如，基于物理的模型452可以使用校准后资产传感器数据来生成模拟传感器数据，该模拟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60的所示示例中，FAHA 320包括健康量词计算器6010，用以基于模型输入335计算实际AHQ、预计AHQ等。例如，FAHA 320可以在发动机102在飞行器的机翼上时或在发动机102在现场时、在维护检查之前等时间，使用健康量词计算器6010来基于模型输入335计算图1的发动机102的AHQ。例如，健康量词计算器6010可以基于使用校准后资产传感器数据执行历史数据模型450、基于物理的模型452、随机模型454、混合模型456中的一个或多个来获得模型输入335。在此示例中，健康量词计算器6010可以使用最具限制性的模型输入335，或者健康量词计算器6010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，健康量词计算器6010使用历史数据模型450来生成模型输入335。例如，健康量词计算器6010可以在发动机102在飞行器的机翼上时、在发动机102在现场时、在维护检查之前等时间，使用历史数据模型450来生成模型输入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、来自参数跟踪器6005的校准后资产传感器数据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。例如，历史数据模型450可以向发动机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。在此示例中，历史数据模型450可以生成可以应用以发动机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。
在一些示例中，健康量词计算器6010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、空气动力学模型等。例如，健康量词计算器6010可以在发动机102在飞行器的机翼上时、在发动机102在现场时、在维护检查之前等时间使用基于物理的模型452来生成模型输入335。示例的基于物理的模型452可以是发动机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、来自参数跟踪器6005的校准后资产传感器数据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。
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，可以标识和评估资产特征，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，健康量词计算器6010可以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。
在一些示例中，健康量词计算器6010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对潜在结果的概率分布的估计来生成度量。例如，健康量词计算器6010可以在发动机102在飞行器的机翼上时、在发动机102在现场时、在维护检查之间等时间使用随机模型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、来自参数跟踪器6005的校准后资产传感器数据生成资产监视信息等。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。
在一些示例中，健康量词生成器6010使用混合模型456来使用
图60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，健康量词计算器6010可以在发动机102在飞行器的机翼上时、在发动机102在现场时、在维护检查之前等时间，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，健康量词计算器6010在资产部件在飞行器的机翼上时、在资产部件在现场时、在维护检查之前等时间，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，健康量词计算器6010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，健康量词计算器6010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实际AHQ。在此示例中，健康量词计算器6010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，健康量词生成器6010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，健康量词计算器6010基于模型输入335来计算预计AHQ。在一些示例中，预计AHQ表示资产部件的实际AHQ可以基于运行条件而预测的。例如，健康量词计算器6010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并基于预测利用和环境计划460生成模型输入335。在一些示例中，预测利用和环境计划460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，健康量词计算器6010可以通过基于预测利用和环境计划460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，健康量词计算器6010可以基于升压压缩机114的70％的实际AHQ来计算升压压缩机114的30％的预计AHQ并且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。
在一些示例中，健康量词计算器6010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，健康量词计算器6010可以根据基于模型输入335计算风扇段108的子部件的预计AHQ来计算图1的风扇段108的预计AHQ。例如，健康量词计算器6010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，健康量词计算器6010可以基于对风扇段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)的计算来生成风扇段108的预计AHQ。在一些示例中，健康量词生成器6010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，健康量词计算器6010对自动化的(例如，无人驾驶的、计算机操作的等)成像系统进行部署或指导部署以检查发动机102来生成AHQ。例如，健康量词计算器6010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，健康量词计算器6010可以使用对象标识系统(例如，机器学习系统、深度学习系统等)来将图1的升压压缩机114的图像与对象标识数据库中的图像进行比较。在一些示例中，对象标识系统使用基于外观的方法诸如分而治之搜索、边缘匹配、灰度匹配、梯度匹配等来比较图像。在一些示例中，对象标识系统使用基于特征的方法来比较图像。
在一些示例中，健康量词计算器6010基于在检查过程、实时操作、维护时段等期间捕获的升压压缩机114的图像与存储在对象标识数据库中的图像的比较来计算升压压缩机114的AHQ。例如，健康量词计算器6010可以通过将具有未知AHQ的升压压缩机114的捕获图像与具有已知AHQ的对象标识数据库中的图像进行匹配(例如，将捕获图像在指定的对象标识公差内进行匹配等)以及基于该匹配确定AHQ来确定升压压缩机114的AHQ。
在图60的所示示例中，FAHA 320包括推荐生成器6015用以生成资产的工作范围推荐。例如，推荐生成器6015可以为图1的发动机102生成工作范围推荐，包括用以发动机102的维护操作、维修操作等。例如，推荐生成器6015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)进行比较并基于该比较确定AHQ是否满足AHQ阈值。示例推荐生成器6015可以基于AHQ是否满足AHQ阈值来生成对发动机102、发动机102的部件(例如，风扇段108、升压压缩机114等)等执行维护的推荐。
例如，推荐生成器6015可以将风扇段108的50％的剩余使用寿命的实际AHQ与风扇段108的75％的实际AHQ阈值进行比较。示例推荐生成器6015可以基于实际AHQ小于实际AHQ阈值来确定50％的实际AHQ满足75％的实际AHQ阈值。例如，推荐生成器6015可以基于AHQ满足实际AHQ阈值来生成咨询动作、维护警报、维修推荐等以对风扇段108执行维护操作(例如，替换、翻新、修理等)。在一些示例中，推荐生成器6015生成资产级和编队级操作诊断、维护警报、维修推荐等以对资产部件级AHQ、资产级AHQ、编队级AHQ等进行评估、汇总、可视化等操作，从而优化和/或以其他方式改善资产维护操作。
在图60的所示示例中，FAHA 320包括报告生成器6020，用以生成和/或以其他方式准备报告以记录推荐的工作范围计划。例如，报告生成器6020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编队级实际AHQ、资产级实际AHQ、资产部件级实际AHQ等的报告。在另一示例中，报告生成器6020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编队级预计AHQ、资产级预计AHQ、资产部件级预计AHQ等的报告。在又一示例中，报告生成器6020可以生成包括针对运营商、运营商拥有的资产、资产中包括的资产部件等的推荐工作范围的报告。
在一些示例中，报告生成器6020响应于用户输入而生成报告。例如，FAHA 320的用户可以按照需要在任何时间生成报告。在一些示例中，报告生成器6020响应于AHQ满足AHQ阈值而对报告进行生成(例如，自动地生成等)。例如，当升压压缩机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6020可以生成包括针对发动机102的升压压缩机114的工作范围推荐的报告。
在一些示例中，报告生成器6020将报告存储在数据库345中。在一些示例中，报告生成器6020将报告经由图3的网络330传输到运营商、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6020经由基于web的应用程序、基于智能电话的应用程序等在计算装置的显示器上显示报告。
在图60的所示示例中，健康量词计算器6010、推荐生成器6015、报告生成器6020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，风扇段108、升压压缩机114等)、资产编队等的AHQ(例如，实际AHQ、预计AHQ、整体实际AHQ、整体预计AHQ等)。在一些示例中，输出470包括针对维护操作、从服务中移除等的一个或多个资产和/或资产部件的工作范围推荐。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，该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，风扇段108、升压压缩机114等)的对应AHQ。例如，将发动机102的升压压缩机114标识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指导供应链人员、供应链计算系统或算法等购买用以替换升压压缩机114、对从服务中移除发动机102进行调度、标识维护设施以完成替换等的替换零件和设备。
尽管图60中示出了图3的FAHA 320的示例实现方式，但图60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，示例数据收集发动机6000、示例参数跟踪器6005、示例健康量词计算器6010、示例推荐生成器6015、示例报告生成器和/或更一般地，图3的示例FAHA 320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，示例数据收集发动机6000、示例参数跟踪器6005、示例健康量词计算器6010、示例推荐生成器6015、示例报告生成器和/或更一般地，示例FAHA 320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，示例数据收集发动机6000、示例参数跟踪器6005、示例健康量词计算器6010、示例推荐生成器6015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FAHA 320可包括附加于或代替图60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61是使用来自图1的发动机102和图60的基于物理的模型452的与发动机102相对应的数据(例如，图60的资产传感器数据430等)来执行跟踪滤波器系统6100以优化和/或以其他方式改善基于物理的模型452的示例FAHA 320的示例实现方式的框图。在图61的所示示例中，发动机输入6105指向闭环控制模块6110以控制物理发动机6115。物理发动机6115基于输入6125(例如，环境和控制输入等)生成传感器数据6120。
在图61的所示示例中，发动机输入6105表示对物理发动机6115的控制输入。例如，发动机输入6105可以是来自飞行员的命令、来自自动化发动机控制系统的命令等，以控制发动机102。例如，发动机输入6105可以与图60的资产传感器数据430相对应。在图61的所示示例中，闭环控制模块6110表示由图1至图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6110可以基于发动机输入6105和反馈回路6130来计算控制输入6125。例如，闭环控制模块6110可以与图1至图2的涡轮发动机控制器100相对应。所示示例的环境输入6125表示物理发动机6115所经历的环境因子。例如，环境输入6125可以包括发动机102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6125可以是大气颗粒物、盐气氛含量、湿度气氛含量等。
在图61的所示示例中，物理发动机6115表示响应于接收到环境和控制输入6125而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6115可以与图1的发动机102相对应。所示示例的物理发动机6115基于随机变化6135和传感器错误6140生成传感器数据6120。所示示例的传感器数据6120表示从图1至图2的传感器144、146获得的资产传感器数据。例如，传感器数据6120可以与图60的资产传感器数据430相对应。在一些示例中，当发动机102处于稳态飞行段诸如巡航飞行段时，传感器数据6120与资产传感器数据430相对应。在一些示例中，当发动机102处于瞬态飞行段诸如爬升飞行段和巡航飞行段之间的过渡时，传感器数据6120与资产传感器数据430相对应。
图61的所示示例的随机变化6135表示物理发动机6115的资产部件操作的变化。例如，图1的高压涡轮120可以由于高压涡轮120和/或发动机102的随机环境或操作特性而在10 PSI、25 PSI、50 PSI等公差范围内操作。所示示例的传感器错误6140表示传感器测量值随条件的变化。例如，传感器错误6140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，传感器错误6140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61的所示示例中，跟踪滤波器系统6100包括发动机模型6145，用以模拟物理发动机6115。例如，发动机模型6145可以是图60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6145基于环境和控制输入6125以及校准后传感器数据6175生成模拟传感器数据6150。所示示例的模拟传感器数据6150可以与图3和/或图60的模型输入335相对应。例如，发动机模型6145可以基于执行图60的模型450、452、454、456中的一个或多个来生成传感器数据6120的预计值。例如，发动机模型6145可以生成模拟传感器数据6150以表示基于类似的(例如，大体类似的、公差范围内的类似值等)输入(例如，环境和控制输入6125等)以及调整的模拟传感器数据(例如，校准后传感器数据6175等)对传感器数据6120的模拟。例如，发动机模型6145可以通过在0.5度兰金的公差范围内模拟与发动机102经历的环境温度大体类似的环境温度来生成与温度传感器相对应的模拟传感器数据6150。
在图61的所示示例中，跟踪滤波器系统6100包括图61的参数跟踪器6005，用以将传感器数据6120与模拟传感器数据6150进行比较。在图61的所示示例中，参数跟踪器6005包括差值计算器6160，用以计算传感器数据6120和模拟传感器数据6150之间的差值以生成残差565。例如，残差565可以是从图1至图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。可以使所示示例的残差565以指导、传输等方式到达推荐生成器6015以基于残差565生成工作范围推荐。
在图61的所示示例中，参数跟踪器6005包括跟踪滤波器6170，用以生成校准后传感器数据6175。例如，跟踪滤波器6170可为经典观测器、逆雅可比跟踪滤波器、最小二乘跟踪滤波器、卡尔曼滤波器(最优观测器)等。在图61的所示示例中，参数跟踪器6005使用跟踪滤波器6170以基于稳态信息、瞬态信息等和/或它们的组合来生成校准后传感器数据6175。
在一些示例中，跟踪滤波器6170为卡尔曼滤波器。在此类示例中，跟踪滤波器6170将跟踪滤波器调整因子(诸如高斯白噪声参数)分配给每个测量值(例如，每个输入、每个输出等)。例如，跟踪滤波器调整因子可以与高斯白噪声的标准偏差相对应。例如，如果跟踪滤波器6170将高斯白噪声标准偏差0分配给测量值，则该测量值可以与无噪声时的精确测量值相对应。在另一示例中，如果跟踪滤波器6170分配无限标准偏差的高斯白噪声标准偏差，则跟踪滤波器6170可以忽略该测量值。
在一些示例中，跟踪滤波器6170基于瞬态资产信息来为高斯白噪声标准偏差分配值以使资产参数平滑化。例如，发动机模型6145可以使用爬升飞行段模型(例如，模拟处于爬升飞行段6240下的发动机102的发动机模型6145等)在爬升飞行段6240期间为图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6145可以使用巡航飞行段模型(例如，模拟处于巡航飞行段6250下的发动机102的发动机模型6145等)在巡航飞行段6250期间为低压涡轮124生成1.2的第二效率。
然而，在一些示例中，第一效率和第二效率应该相当，以模拟发动机102的实时操作。为了减小第一效率和第二效率之间的差值，示例跟踪滤波器6170可以向第一效率添加高斯白噪声标准偏差的值以产生第二效率。例如，跟踪滤波器6170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6170可以基于高斯白噪声标准偏差的值生成校准后传感器数据6175，所述校准后传感器数据继而可以指导发动机模型6145生成更准确的模拟传感器数据6150。
在一些示例中，当发动机102在稳态飞行段中操作(例如，在巡航段中操作等)时，跟踪滤波器系统6100可以使用与从发动机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。在一些示例中，当发动机102处于过渡飞行段中(例如，从爬升飞行段过渡到巡航飞行段等)时，跟踪滤波器系统6100可以使用与从发动机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。例如，跟踪滤波器6170可以基于物理发动机6115以稳态、瞬态等操作并且发动机模型6145模拟物理发动机6115以稳态、瞬态等操作来获得传感器数据6120、模拟传感器数据6150、残差565等。
例如，跟踪滤波器6170可以基于物理发动机6115以稳态操作并且发动机模型6145模拟物理发动机6115以稳态操作来获得传感器数据6120、模拟传感器数据6150等。在另一示例中，跟踪滤波器6170可以基于物理发动机6115以瞬态操作并且发动机模型6145模拟物理发动机6115以瞬态操作来获得传感器数据6120、模拟传感器数据6150等。
在一些示例中，参数跟踪器6005指导跟踪滤波器6170选择要处理的跟踪滤波器数据。例如，跟踪滤波器6170可以选择跟踪滤波器数据以包括与处于稳态的物理发动机6115和发动机模型6145相对应的传感器数据6120、模拟传感器数据6150等。在另一示例中，跟踪滤波器6170可以选择跟踪滤波器数据以包括与处于瞬态的物理发动机6115和发动机模型6145相对应的传感器数据6120、模拟传感器数据6150等。在又一示例中，跟踪滤波器6170可以选择跟踪滤波器数据以包括与(1)处于稳态的物理发动机6115和发动机模型6145和(2)处于过渡状态的物理发动机6115和发动机模型6145相对应的传感器数据6120、模拟传感器数据6150等的组合。
在一些示例中，校准后传感器数据6175包括由发动机模型6145模拟的资产、资产部件等的调整的状态和参数。例如，校准后传感器数据6175可以包括基于比较模拟传感器数据6150中所包括的模拟温度传感器测量值与传感器数据6120中所包括的温度传感器测量值而获得的调整的模拟温度传感器测量值。
在图61的所示示例中，参数跟踪器6005包括数据洞察分析器6180，用以评估残差565、校准后传感器数据6175等随时间的变化。例如，数据洞察分析器6180可以将趋势信息传输到图60的健康量词计算器6010。在一些示例中，数据洞察分析器6180检测在维护或操作事件(例如，发动机102的水洗、发动机102的碎屑摄取等)之后的变化点类型变换。在一些示例中，数据洞察分析器6180确定参数之间的关联性(例如，第一瞬态资产参数和第二瞬态资产参数之间的关联性等)、执行数据比较、计算发动机102的参数值与编队参数值之间的差值等。在一些示例中，数据洞察分析器6180基于执行跟踪过滤器6170来标识无响应的或故障的传感器。在一些示例中，数据洞察分析器6180通过标识传感器值的缓慢漂移、传感器值的突然变化等来标识潜在的无响应的或故障的传感器。在此类示例中，数据洞察分析器6180可以指导参数跟踪器6005对所标识的无响应的传感器或所标识的潜在无响应的传感器进行移除、隔离、阻止等，使其免于被跟踪过滤器6170使用。
在一些示例中，健康量词计算器6010基于从数据洞察分析器6180获得的校准后传感器数据6175的趋势分析(例如，残差565随时间的增大、校准后传感器数据6175随时间的减小等)来调整AHQ的计算。在一些示例中，推荐生成器6015基于校准后传感器数据6175的趋势分析生成针对发动机102的工作范围推荐，并且报告生成器6020可以生成包括工作范围推荐和校准后传感器数据6175的趋势分析的报告。
在图61的所示示例中，示例跟踪滤波器系统6100包括跟踪滤波器6170，用以将由发动机模型6145生成的模拟传感器数据6150与由物理发动机6115生成的传感器数据6120进行比较，以优化和/或以其他方式改善发动机模型6145。例如，发动机模型6145可以基于校准后传感器数据6175来对一个或多个基于物理的计算值、回归或统计计算值等进行调整(例如，迭代地调整等)。例如，发动机模型6145可以生成模拟传感器数据6150以基于校准后传感器数据6175来更准确地匹配传感器数据6120。
图62是其中可以使用图1的涡轮发动机102的飞行路线6200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6205。所示示例的飞行路线6200包括停放飞行段6210、滑行飞行段6220、起飞和离开飞行段6230、爬升飞行段6240、巡航飞行段6250、下降飞行段6260、进场飞行段6270以及着陆和滑行至登机门飞行段6280。除此之外或替代地，在飞行路线6200中可以存在更少或更多的飞行段。
在示例飞行路线6200中，发动机102经历稳态飞行段和瞬态飞行段。例如，停放飞行段6210、滑行飞行段6220、巡航飞行段6250以及着陆和滑行至登机门飞行段6280中的一个或多个可以与稳态飞行段相对应。在另一示例中，起飞和离开飞行段6230、爬升飞行段6240、下降飞行段6260和进场飞行段6270中的一个或多个可以与瞬态飞行段相对应。在一些示例中，当发动机102没有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6210、滑行飞行段6220、巡航飞行段6250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6250中操作并且不过渡到下降飞行段6260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进行生成。
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6220过渡到起飞和离开飞行段6230、从爬升飞行段6240过渡到巡航飞行段6250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6250和下降飞行段6260之间的过渡时段中操作时，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。
在图63至图66中示出表示用以实现图3和/或图60至图61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，所述处理器诸如为在下面关于图67中讨论的示例处理器平台6700中显示的处理器6712。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6712关联的存储器，但整个程序和/或其部分替代地可由处理器6712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63至图66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FAHA 320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63至图66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/或用以信息的高速缓存)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。
图63是表示可由图3和/或图60至图61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6302，在该框处，示例FAHA320选择感兴趣的资产进行处理。例如，图60的数据收集发动机6000可以选择图1的发动机102。
在框6304处，示例FAHA 320确定所选择的资产的飞行段。例如，数据收集发动机6000可以确定发动机102联接到在巡航飞行段6250中操作的飞行器。例如，数据收集发动机6000可以在发动机102运行时从发动机102获得信息。在框6306处，示例FAHA 320使用稳态信息执行一个或多个模型以生成稳态传感器数据。例如，参数跟踪器6005可以指导图60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和/或图60的模型输入335。在另一示例中，参数跟踪器6005可以指导图61的发动机模型6145基于图61的环境和控制输入6125使用稳态信息生成图61的模拟传感器数据6150。
在框6308处，示例FAHA 320使用瞬态信息执行一个或多个模型以生成瞬态传感器数据。例如，参数跟踪器6005可以指导图60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和/或图60的模型输入335。在另一示例中，参数跟踪器6005可以指导图61的发动机模型6145基于图61的环境和控制输入6125使用瞬态信息生成图61的模拟传感器数据6150。
在框6310处，示例FAHA 320基于稳态和瞬态模拟传感器数据来选择跟踪滤波器数据。例如，参数跟踪器6005可以使用图61的跟踪滤波器6170来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/或它们的组合。
在框6312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后模拟传感器数据。例如，参数跟踪器6005可以执行跟踪滤波器6170以生成图61的校准后传感器数据6175。下面结合图64描述可用以实现框6312的示例过程。
在框6314处，示例FAHA 320基于校准后模拟传感器数据生成一个或多个资产健康量词。例如，健康量词计算器6010可以基于基于物理的模型452生成发动机102的实际AHQ、预计AHQ等，基于校准后模拟传感器数据(例如，图61的校准后传感器数据6175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)。例如，健康量词计算器6010可以在发动机102运行时生成发动机102的AHQ。通过生成发动机102在服务时的AHQ，FAHA 320可以在检查发动机102之前标识潜在的维护任务，并且因此增加飞行器运营商对发动机102资产健康的可见性。下面结合图65至图66描述可用以实现框6314的示例过程。
在框6316处，示例FAHA 320生成报告。例如，报告生成器6020可以生成包括针对发动机102、发动机102的运营商等的推荐工作范围的报告。例如，报告生成器6020可以在发动机102运行时生成报告，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6318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，数据收集发动机6000可以确定选择另一涡轮发动机进行处理。
如果在框6318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6302以选择另一感兴趣的资产进行处理。如果在框6318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6320处，FAHA 320生成聚合报告。例如，报告生成器6020可以生成包括针对运营商、多个运营商等的多个资产的推荐工作范围的报告。例如，报告生成器6020可以生成包括针对由一个飞行器运营商拥有和操作的20个涡轮发动机的推荐工作范围的报告。在另一示例中，报告生成器6020可以生成包括针对由10个飞行器运营商拥有和操作的200个涡轮发动机的推荐工作范围的报告。响应于示例FAHA 320生成聚合报告，示例方法结束。
图64是表示可由图3和/或图60至图61的示例FAHA 320执行以基于跟踪滤波器数据执行跟踪滤波器以生成校准后模拟传感器数据的示例方法的流程图。图64的示例过程可用以实现图63的框6312的操作。示例方法开始于框6402，在该框处，示例FAHA 320获得与感兴趣的资产相对应的传感器数据。例如，图60的数据收集发动机6000可以在发动机102运行时，获得与图1的发动机102相对应的图60的资产传感器数据430。
在框6404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6005可以基于物理发动机6115对图61的环境和控制输入6125、随机变化6135以及传感器错误6140作出响应来获得传感器数据6120。
在框6406处，示例FAHA 320使用一个或多个模型生成模拟传感器数据。例如，参数跟踪器6005可指导发动机模型6145生成图61的模拟传感器数据6150。例如，参数跟踪器6005可指导发动机模型6145在发动机102运行时生成模拟传感器数据6150。
在框6408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6005可以指导差值计算器6160计算图61的传感器数据6120和模拟传感器数据6150之间的差值。
在框6410处，示例FAHA 320基于实际传感器数据和模拟传感器数据之间的差值来选择跟踪滤波器数据。例如，参数跟踪器6005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6005可以基于差值确定选择与瞬态资产数据相比的稳态资产数据。在另一示例中，参数跟踪器6005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6412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6005可以基于稳态资产数据、瞬态资产数据等和/或它们的组合来执行图61的跟踪滤波器6170。在框6414处，示例FAHA 320基于执行跟踪滤波器来生成校准后模拟传感器数据。例如，参数跟踪器6005可以使用图61的跟踪滤波器6170来生成图61的校准后传感器数据6175以优化和/或以其他方式改善将由健康量词计算器6010和/或更一般地，FAHA 320使用的图61的发动机模型6145来生成更准确的AHQ。响应于基于执行跟踪滤波器生成校准后模拟传感器数据，示例方法返回到图63的示例的框6314以基于校准后传感器数据生成一个或多个资产健康量词。
图65是表示可由图3和/或图60至图61的示例FAHA 320执行以基于校准后模拟传感器数据生成一个或多个资产健康量词的示例方法的流程图。图65的示例过程可用以实现图63的框6314的操作。示例方法开始于框6502，在该框处，示例FAHA 320选择感兴趣的部件进行处理。例如，数据收集发动机6000可以在风扇段108运行时选择图1的风扇段108进行处理。在框6504处，示例FAHA 320选择感兴趣的子部件进行处理。例如，数据收集发动机6000可以选择风扇段108的风扇叶片进行处理。
在框6506处，示例FAHA 320使用关于感兴趣的子部件的校准后模拟传感器数据来执行一个或多个基于物理的模型。例如，健康量词计算器6010可以执行图60的基于物理的模型452以在风扇段108运行时，使用图61的校准后传感器数据6175来模拟风扇段108的风扇叶片的操作。在框6508处，示例FAHA 320相对于感兴趣的子部件执行一个或多个随机模型。例如，健康量词计算器6010可以执行图60的随机模型454以使用连续概率分布来估计风扇段108的风扇叶片的故障率。
在框6510处，示例FAHA 320相对于感兴趣的子部件执行一个或多个历史模型。例如，健康量词计算器6010可以执行图60的历史数据模型450以使用针对在与发动机102类似(例如，大体类似等)的资产上操作的风扇叶片所收集的历史数据来估计风扇段108的风扇叶片的故障率。
在框6512处，示例FAHA 320使用关于感兴趣的子部件的校准后模拟传感器数据来执行一个或多个混合模型。例如，健康量词计算器6010可以执行混合模型456以使用随机模型454并使用图61的校准后传感器数据6175、历史数据模型等和/或它们的组合将随机模型454的输出与基于物理的模型452的输出进行比较来估计风扇段的风扇叶片的故障率。
在框6514处，示例FAHA 320生成子部件的资产健康量词。例如，健康量词计算器6010可以在风扇段108的风扇叶片运行时基于模型输入335来计算风扇段108的风扇叶片的实际AHQ。在框6516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，数据收集发动机6000可以确定选择风扇段108的轴承进行处理。
如果在框6516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6304以选择另一感兴趣的子部件进行处理。如果在框6516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6518处，FAHA 320基于子部件的生成的资产健康量词来生成该部件的资产健康量词。例如，健康量词计算器6010可以在风扇段108运行时基于风扇段108的子部件(例如，风扇叶片、轴承等)的实际AHQ来生成风扇段108的实际AHQ。
在框6520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，数据收集发动机6000可以确定选择图1的升压压缩机114进行处理。如果在框6520处，示例FAHA320确定选择另一感兴趣的部件进行处理，则控制返回到框6502以选择另一感兴趣的部件进行处理，否则该示例方法返回到图63的示例的框6316以生成报告。
图66是表示可由图3和/或图60至图61的示例FAHA 320执行以基于校准后模拟传感器数据生成一个或多个资产健康量词的示例方法的流程图。例如，图66的方法可以由FAHA 320执行以基于校准后传感器数据生成一个或多个预计资产健康量词。图66的示例过程可用以实现图63的框6314的操作。示例方法开始于框6602，在该框处，示例FAHA 320获得利用预测信息。例如，数据收集发动机6000可以获得图60的针对发动机102的预测利用和环境计划460。
在框6604处，示例FAHA 320获得环境计划预测信息。例如，数据收集发动机6000可以获得针对发动机102的预测利用和环境计划460。在框6606处，示例FAHA 320选择感兴趣的部件进行处理。例如，数据收集发动机6000可以选择图1的风扇段108进行处理。
在框6608处，示例FAHA 320选择感兴趣的子部件进行处理。例如，数据收集发动机6000可以选择风扇段108的风扇叶片进行处理。在框6610处，示例FAHA 320基于获得的信息和校准后模拟传感器数据来生成一个或多个资产健康模型。例如，健康量词计算器6010可以在发动机102运行时，使用针对发动机102的预测利用和环境计划460以及图61的校准后传感器数据6175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，健康量词计算器6010可以执行基于物理的模型452以基于图61的校准后传感器数据6175生成图61的模拟传感器数据6150。
在框6612处，示例FAHA 320基于模型生成子部件的预计资产健康量词。例如，健康量词计算器6010可以在风扇叶片运行时，基于执行图60的模型450、452、454、456中的一个或多个来生成风扇段108的风扇叶片的预计资产健康量词。在框6614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，数据收集发动机6000可以确定选择风扇段108的轴承进行处理。例如，数据收集发动机6000可以基于比较风扇段108与图3和/或图60的数据库345中的配置文件、零件列表等来确定选择风扇段108的轴承。例如，数据收集发动机6000可以将风扇段108映射到配置文件并基于该映射确定风扇段108中所包括的部件列表。例如，数据收集发动机6000可以基于风扇段108的已经处理的部件与风扇段108的配置文件、零件列表等中定义的尚未处理的部件的比较来确定轴承是否尚未进行处理。
如果在框6614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6608以选择另一感兴趣的子部件进行处理。如果在框6614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6616处，FAHA 320基于子部件的生成的资产健康量词生成该部件的预计资产健康量词。例如，健康量词计算器6010可以在风扇段108运行时基于风扇段108的子部件(例如，风扇叶片、轴承等)的预计AHQ来生成风扇段108的预计AHQ。
在框6618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，数据收集发动机6000可以确定处理图1的低压涡轮124。如果在框6618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6606以选择另一感兴趣的部件进行处理，否则该示例方法返回到图63的示例的框6316以生成报告。
图67是能够执行图63至图66的指令以实现图3和/或图60至图61的FAHA 320的示例处理器平台6700的框图。处理器平台6700可以是例如服务器、个人计算机、移动装置(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其他类型的计算装置。
所示示例的处理器平台6700包括处理器6712。所示示例的处理器6712为硬件。例如，处理器6712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6712实现图60的示例数据收集发动机6000、示例参数跟踪器6005、示例健康量词计算器6010、示例推荐生成器6015和示例报告生成器6020。
所示示例的处理器6712包括本地存储器6713(例如，高速缓存)。所示示例的处理器6712经由总线6718与主存储器通信，所述主存储器包括易失性存储器6714和非易失性存储器6716。易失性存储器6714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6716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6714、6716的访问由存储器控制器控制。
所示示例的处理器平台6700还包括接口电路6720。接口电路6720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6722连接至接口电路6720。一个或多个输入装置6722允许用户将数据和/或命令输入到处理器6712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6724也连接至所示示例的接口电路6720。输出装置6724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6720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6720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6726(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6700还包括用以存储软件和/或数据的一个或多个大容量存储装置6728。此类大容量存储装置6728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63至图66的编码指令6732可以存储在大容量存储装置6728中，存储在易失性存储器6714中，存储在非易失性存储器6716中和/或存储在例如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，已经公开了执行涡轮发动机的预后健康监视的示例方法、设备、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视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词，因此现有方法无法以相对的准确度确定何时从服务中移除涡轮发动机。因此，现有方法基于基本时间表、周期计数或基于飞行器飞行之前的检查结果而将涡轮发动机从服务中移除，其中飞行器飞行之前的检查结果为飞行器运营商增加了不便和费用。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，飞行器乘客可能会感到不便。
上面公开的现场资产健康咨询器设备估计实际或当前健康状态(例如，实际AHQ等)并且由资产的部件和子部件当利用有限的器械在服务中时使用诸如涡轮发动机的数字孪生模型的一个或多个模型来预测诸如涡轮发动机的资产的预计健康状态(例如，预计AHQ等)。示例现场资产健康咨询器设备可以通过利用跟踪滤波器来估计当前健康状态并以提高的准确度预测预计健康状态。
示例现场资产健康咨询器设备可以使用跟踪过滤器来将从涡轮发动机传感器获得的资产传感器数据与由数字孪生模型生成的模拟资产数据进行比较。示例现场资产健康咨询器设备可以使用跟踪滤波器来基于该比较生成校准后模拟传感器数据。示例现场资产健康咨询器设备可以通过基于校准后模拟传感器数据更新数字孪生模型的一个或多个参数以生成与涡轮发动机传感器获得的传感器数据相比准确度改善的模拟传感器数据来优化和/或以其他方式改善数字孪生模型。示例现场资产健康咨询器设备可以优化和/或以其他方式改善资产的在翼时间或运行时间，同时使成本和移除时间最小化，同时还通过基于数字孪生模型的改善的准确度计算资产健康量词来基于资产的预测利用信息实现修理后任务。
示例现场资产健康咨询器设备可以当飞行器在服务中时获得与飞行器的机翼上的涡轮发动机相对应的资产监视信息。示例现场资产健康咨询器设备可以根据基于校准后模拟传感器数据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生成涡轮发动机的各个部件的实际健康状态来生成(例如，迭代地生成)涡轮发动机的实际健康状态。示例现场资产健康咨询器设备可以基于实际健康状态中的一个或多个与实际健康状态阈值的比较来生成包括工作范围推荐的报告，所述工作范围推荐确定涡轮发动机是要从服务中移除以对涡轮发动机的一个或多个部件执行维护的候选者。涡轮发动机维护提供商可以基于报告使涡轮发动机脱翼或从服务中移除、对移除的涡轮发动机执行维护操作并将涡轮发动机重新部署回服务，其中示例现场资产健康咨询器设备可以恢复对服务中的涡轮发动机的监视。替代地，示例现场资产健康咨询器设备可以确定涡轮发动机是否应保持在机翼上或在服务中。
图68是能够执行图5至图16、图18、图20、图31至图34、图44、图46、图47、图56至图58和图63至图66的指令以实现图2和/或图3的资产工作范围生成系统220的示例处理器平台6800的框图。处理器平台6800可以是例如服务器、个人计算机、移动装置(例如，手机、智能电话、诸如iPadTM的平板电脑)、个人数字助理(PDA)或任何其他类型的计算装置。
所示示例的处理器平台6800包括处理器6812。所示示例的处理器6812为硬件。例如，处理器6812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6812实现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和示例FAHA 320。
所示示例的处理器6812包括本地存储器6813(例如，高速缓存)。所示示例的处理器6812经由总线6818与主存储器通信，所述主存储器包括易失性存储器6814和非易失性存储器6816。易失性存储器6814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6816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6814、6816的访问由存储器控制器控制。
所示示例的处理器平台6800还包括接口电路6820。接口电路6820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6822连接至接口电路6820。一个或多个输入装置6822允许用户将数据和/或命令输入到处理器6812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6824也连接至所示示例的接口电路6820。输出装置6824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6820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6820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6826(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6800还包括用以存储软件和/或数据的一个或多个大容量存储装置6828。此类大容量存储装置6828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63至图66的编码指令6832可以存储在大容量存储装置6828中，存储在易失性存储器6814中，存储在非易失性存储器6816中和/或存储在例如CD或DVD的可移动的非暂态计算机可读存储介质上。
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、设备和制品。
Claims (10)
1.一种系统，其包括：
资产健康计算器，用以基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；
任务生成器，用以确定包括对所述资产部件执行维护的第一组维护任务的第一工作范围；
任务优化器，用以基于所述第一资产健康量词和所述第一工作范围中的至少一个确定包括所述资产部件的第二组维护任务的第二工作范围；以及
工作范围效果计算器，用以：
当完成对所述资产的所述第二工作范围时，生成与所述资产部件的第二健康状态相对应的第二资产健康量词；以及
更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个，以改善所述第一工作范围和所述第二工作范围中的至少一个的确定，以相对于所述第一资产健康量词改善所述第二资产健康量词。
2.根据权利要求1所述的系统，其中所述资产健康计算器用以通过执行计算机生成的模型模拟所述资产的运行条件来生成所述第一资产健康量词。
3.根据权利要求2所述的系统，其中所述计算机生成的模型是基于物理的模型、历史数据模型、随机模型或混合模型中的至少一个。
4.根据权利要求3所述的系统，其中所述资产健康计算器用以通过在某个周期期间模拟所述资产的传感器执行所述资产的数字孪生模型而在所述周期期间模拟所述资产的运行来执行所述基于物理的模型。
5.根据权利要求1所述的系统，其中所述任务优化器用以通过基于合同要求、环境要求和优化度量中的至少一个生成多个工作范围来确定所述第二工作范围。
6.根据权利要求1所述的系统，其中所述工作范围效果计算器用以通过改善与所述资产健康计算器使用的计算机生成的模型相对应的模型算法、运营商行为或传感器参数中的至少一个来更新所述资产健康计算器。
7.根据权利要求1所述的系统，其还包括所述工作范围效果计算器，用以计算所述第一资产健康量词和所述第二资产健康量词之间的差值，将所述差值与工作范围量词阈值进行比较，并确定基于所述比较来更新所述资产健康计算器、所述任务生成器或所述任务优化器中的至少一个。
8.一种方法，其包括：
使用资产工作范围生成系统(AWGS)基于生成与资产部件的第一健康状态相对应的第一资产健康量词来标识要从运行中移除以执行维护的资产部件；
使用所述资产工作范围生成系统确定包括对所述资产部件执行维护的第一组维护任务的第一工作范围；
使用所述资产工作范围生成系统基于所述第一资产健康量词和所述第一工作范围中的至少一个确定包括所述资产部件的第二组维护任务的第二工作范围；以及
使用所述资产工作范围生成系统当完成对所述资产的所述第二工作范围时，生成与所述资产部件的第二健康状态相对应的第二资产健康量词；以及
使用所述资产工作范围生成系统更新所述资产工作范围生成系统的部件以改善所述第一工作范围和所述第二工作范围中的至少一个的确定，以相对于所述第一资产健康量词改善所述第二资产健康量词。
9.根据权利要求8所述的方法，其中生成所述第一资产健康量词包括通过执行计算机生成的模型来模拟所述资产的运行条件。
10.根据权利要求9所述的方法，其中所述计算机生成的模型是基于物理的模型、历史数据模型、随机模型或混合模型中的至少一个。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US15/809,788 US11334854B2 (en) | 2017-11-10 | 2017-11-10 | Systems and methods to generate an asset workscope |
| US15/809788 | 2017-11-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110046716A true CN110046716A (zh) | 2019-07-23 |
| CN110046716B CN110046716B (zh) | 2024-02-06 |
Family
ID=64267628
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811331578.XA Active CN110046716B (zh) | 2017-11-10 | 2018-11-09 | 用以生成资产工作范围的系统、方法和存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11334854B2 (zh) |
| EP (1) | EP3483799A1 (zh) |
| CN (1) | CN110046716B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114001771A (zh) * | 2020-07-28 | 2022-02-01 | 通用电气公司 | 使用物理辅助机器学习模型诊断增材制造设备的系统及方法 |
| CN114577332A (zh) * | 2020-12-01 | 2022-06-03 | 国际商业机器公司 | 维护活动的优先化的方法、系统和计算机程序产品 |
Families Citing this family (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017085406A1 (fr) * | 2015-11-16 | 2017-05-26 | Safran Aircraft Engines | Ensemble propulsif comprenant un moteur principal et un moteur auxiliaire |
| US20190266682A1 (en) * | 2018-02-27 | 2019-08-29 | United States Of America As Represented By The Secretary Of The Army | Calculating value of inspection information |
| EP3564834A1 (en) * | 2018-04-30 | 2019-11-06 | Siemens Aktiengesellschaft | A method and system for providing a generic query interface |
| US20200042919A1 (en) * | 2018-08-03 | 2020-02-06 | The Boeing Company | Aircraft component demand forecasting |
| CN113168273A (zh) * | 2018-10-09 | 2021-07-23 | 施耐德电气美国股份有限公司 | 动态本体数据操作 |
| US20200125078A1 (en) * | 2018-10-19 | 2020-04-23 | General Electric Company | Method and system for engineer-to-order planning and materials flow control and optimization |
| US11521020B2 (en) * | 2018-10-31 | 2022-12-06 | Equifax Inc. | Evaluation of modeling algorithms with continuous outputs |
| US11341780B2 (en) * | 2018-11-14 | 2022-05-24 | The Boeing Company | Maintenance of an aircraft via similarity detection and modeling |
| EP4052242A4 (en) * | 2019-10-30 | 2023-08-30 | Fraign Analytics, LLC | TASK CHAINING AND PREDICTION OF OPERATOR AND SYSTEM RESPONSE IN SOCIO-TECHNICAL SYSTEMS WITH ARTIFICIAL INTELLIGENCE |
| US11291077B2 (en) | 2019-11-25 | 2022-03-29 | International Business Machines Corporation | Internet of things sensor major and minor event blockchain decisioning |
| US11449811B2 (en) | 2019-11-25 | 2022-09-20 | International Business Machines Corporation | Digital twin article recommendation consultation |
| US11341463B2 (en) | 2019-11-25 | 2022-05-24 | International Business Machines Corporation | Blockchain ledger entry upon maintenance of asset and anomaly detection correction |
| US11514407B2 (en) * | 2020-01-15 | 2022-11-29 | EMC IP Holding Company LLC | System and method for asset management |
| US11636412B2 (en) * | 2020-01-24 | 2023-04-25 | General Electric Company | System and method for prognostic analytics of an asset |
| EP4143705A4 (en) * | 2020-04-28 | 2024-04-24 | Strong Force TP Portfolio 2022, LLC | SYSTEMS AND METHODS FOR DIGITAL TWIN OF TRANSPORTATION SYSTEMS |
| US20220027811A1 (en) * | 2020-07-27 | 2022-01-27 | The United States Of America, As Represented By The Secretary Of The Navy | Systems and Methods for Performing Predictive Risk Sparing |
| US11915531B2 (en) * | 2020-10-29 | 2024-02-27 | General Electric Company | Systems and methods of servicing equipment |
| US11992952B2 (en) | 2020-10-29 | 2024-05-28 | 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 |
| US11685051B2 (en) | 2020-10-29 | 2023-06-27 | 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 |
| US11874653B2 (en) | 2020-10-29 | 2024-01-16 | Oliver Crispin Robotics Limited | Systems and methods of servicing equipment |
| US11402833B2 (en) | 2020-11-25 | 2022-08-02 | Palo Alto Research Center Incorporated | Prognostics driven decision making |
| US20220171898A1 (en) * | 2020-12-01 | 2022-06-02 | International Business Machines Corporation | Digital twin simulation of an article |
| US20220198548A1 (en) * | 2020-12-17 | 2022-06-23 | International Business Machines Corporation | Operating history and work order driven digital twin templates |
| US12021997B2 (en) * | 2020-12-18 | 2024-06-25 | VeriTX Corp. | Blockchain tokenization of aircraft and other complex machinery |
| US11777799B2 (en) * | 2020-12-21 | 2023-10-03 | Cisco Technology, Inc. | Cloud portal system for managing networking and computing equipment by generating contextual guides specific to affected resource(s) |
| US20230036153A1 (en) * | 2021-07-30 | 2023-02-02 | Raytheon Technologies Corporation | Usage based maintenance scheduling system |
| CN113869266B (zh) * | 2021-10-12 | 2024-05-10 | 大连理工大学 | 基于大数据分析的离心压缩机旋转失速早期预警方法 |
| US20230195074A1 (en) * | 2021-12-21 | 2023-06-22 | Applied Materials, Inc. | Diagnostic methods for substrate manufacturing chambers using physics-based models |
| US20230266733A1 (en) * | 2022-02-24 | 2023-08-24 | Honeywell International Inc. | Customized asset performance optimization and marketplace |
| US20240067350A1 (en) * | 2022-08-30 | 2024-02-29 | Pratt & Whitney Canada Corp. | Engine control system and method with artificial intelligence sensor training |
| US11900296B1 (en) * | 2023-06-07 | 2024-02-13 | Visionaize Inc. | Sustainable digital twin system |
| CN117726144B (zh) * | 2024-02-07 | 2024-05-07 | 青岛国彩印刷股份有限公司 | 一种基于数据处理的智能数字印刷管理系统及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008998A (zh) * | 2006-01-24 | 2007-08-01 | 中芯国际集成电路制造(上海)有限公司 | 零部件管理系统 |
| US20130110587A1 (en) * | 2011-10-31 | 2013-05-02 | Katherine Tharp Nowicki | Methods and systems for selecting a workscope for a system |
| CN104966141A (zh) * | 2013-06-10 | 2015-10-07 | Abb研究有限公司 | 工业资产健康状况模型更新 |
Family Cites Families (26)
| 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 |
| 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 |
| US20070050310A1 (en) * | 2005-01-13 | 2007-03-01 | Standard Aero (San Antonio), Inc. | System and method for enhancing cost performance of mechanical systems |
| US20080249828A1 (en) * | 2006-03-29 | 2008-10-09 | Macauley James | Method and System for Workscope Management and Control |
| US20070288295A1 (en) * | 2006-05-24 | 2007-12-13 | General Electric Company | Method and system for determining asset reliability |
| 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 |
| US9477224B2 (en) * | 2008-12-12 | 2016-10-25 | General Electric Company | Physics-based lifespan modeling |
| ES2562253T3 (es) * | 2009-06-24 | 2016-03-03 | Vestas Wind Systems A/S | Un procedimiento y un sistema para controlar el funcionamiento de una turbina eólica |
| GB0917527D0 (en) | 2009-10-07 | 2009-11-25 | Optimized Systems And Solution | Asset management system |
| DE102010055775A1 (de) * | 2010-12-23 | 2012-06-28 | Lufthansa Technik Ag | Verfahren zur Instandsetzung von Gasturbinenkomponenten |
| US20120191496A1 (en) * | 2011-01-24 | 2012-07-26 | David Stephen Muench | System and method for use in a condition-based repair process |
| FR2972025B1 (fr) | 2011-02-25 | 2016-03-04 | Snecma | Prevision d'operations de maintenance sur un moteur d'aeronef |
| BR112013022006A2 (pt) * | 2011-02-28 | 2016-11-29 | Critical Materials Lda | sistema de gestão da integridade estrutural e método baseado na combinação de dados físicos e simulados |
| US20130179388A1 (en) | 2012-01-05 | 2013-07-11 | Anurag Agarwal | Method, System and Program Product for Intelligent Prediction of Industrial Gas Turbine Maintenance Workscope |
| US20140025414A1 (en) * | 2012-07-20 | 2014-01-23 | Bret Dwayne Worden | Health assessment method and system for assets |
| US20140324495A1 (en) * | 2013-02-22 | 2014-10-30 | Vestas Wind Systems A/S | Wind turbine maintenance optimizer |
| US10176032B2 (en) * | 2014-12-01 | 2019-01-08 | Uptake Technologies, Inc. | Subsystem health score |
| EP3353511A4 (en) * | 2015-09-25 | 2019-05-01 | Sikorsky Aircraft Corporation | SYSTEM AND METHOD FOR STRUCTURAL HEALTH STATUS MONITORING BASED ON THE LOAD OF A DYNAMIC SYSTEM |
| WO2017160307A1 (en) * | 2016-03-18 | 2017-09-21 | General Electric Company | System and method for predicting and managing life consumption of gas turbine parts |
| US20170323239A1 (en) * | 2016-05-06 | 2017-11-09 | General Electric Company | Constrained time computing control system to simulate and optimize aircraft operations with dynamic thermodynamic state and asset utilization attainment |
| KR101768810B1 (ko) * | 2016-06-02 | 2017-08-30 | 두산중공업 주식회사 | 풍력단지 통합 제어 모니터링 시스템 |
-
2017
- 2017-11-10 US US15/809,788 patent/US11334854B2/en active Active
-
2018
- 2018-11-08 EP EP18205106.0A patent/EP3483799A1/en active Pending
- 2018-11-09 CN CN201811331578.XA patent/CN110046716B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008998A (zh) * | 2006-01-24 | 2007-08-01 | 中芯国际集成电路制造(上海)有限公司 | 零部件管理系统 |
| US20130110587A1 (en) * | 2011-10-31 | 2013-05-02 | Katherine Tharp Nowicki | Methods and systems for selecting a workscope for a system |
| CN104966141A (zh) * | 2013-06-10 | 2015-10-07 | Abb研究有限公司 | 工业资产健康状况模型更新 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114001771A (zh) * | 2020-07-28 | 2022-02-01 | 通用电气公司 | 使用物理辅助机器学习模型诊断增材制造设备的系统及方法 |
| CN114577332A (zh) * | 2020-12-01 | 2022-06-03 | 国际商业机器公司 | 维护活动的优先化的方法、系统和计算机程序产品 |
| CN114577332B (zh) * | 2020-12-01 | 2024-04-02 | 国际商业机器公司 | 维护活动的优先化的方法、系统和计算机程序产品 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11334854B2 (en) | 2022-05-17 |
| US20190147412A1 (en) | 2019-05-16 |
| EP3483799A1 (en) | 2019-05-15 |
| CN110046716B (zh) | 2024-02-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110046716A (zh) | 用以生成资产工作范围的系统、方法和存储介质 | |
| CN109767025A (zh) | 用以生成优化的工作范围的设备、存储介质和方法 | |
| CN109766566A (zh) | 用以改善涡轮发动机的操作的设备、方法和存储介质 | |
| CN109767012A (zh) | 用以生成资产工作范围运行的设备、存储介质和方法 | |
| CN109765058A (zh) | 用于涡轮发动机的设备和方法 | |
| CN109766567A (zh) | 用以生成涡轮发动机的资产健康量词的设备和方法 | |
| US10318903B2 (en) | Constrained cash computing system to optimally schedule aircraft repair capacity with closed loop dynamic physical state and asset utilization attainment control | |
| US10417614B2 (en) | Controlling aircraft operations and aircraft engine components assignment | |
| RU2670937C1 (ru) | Прогнозирование операций технического обслуживания, применяемых к двигателю | |
| Daskilewicz et al. | Effects of disciplinary uncertainty on multi-objective optimization in aircraft conceptual design | |
| Painter et al. | Using simulation, data mining, and knowledge discovery techniques for optimized aircraft engine fleet management | |
| US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
| Stingel et al. | The utilization of modeling and simulation as a supply chain management tool for a recapitalization program | |
| Ulu | Data Analytics Methods Used for the Issues of Civil Aviation Maintenance Repair and Overhaul Industry-a Literature Review | |
| Brügner et al. | Understanding and modeling of aircraft engine shop visits | |
| Gurvitz et al. | ATLAST deployment & push pack spares optimization module | |
| Musskopf | Engine Shop Visit Scheduling | |
| Miller et al. | Top-down System Tool for Logistics |
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 | ||
| TG01 | Patent term adjustment | ||
| TG01 | Patent term adjustment |