CN111240235A - 从通用模型库自生成特定于发动机的健康监测模型 - Google Patents

从通用模型库自生成特定于发动机的健康监测模型 Download PDF

Info

Publication number
CN111240235A
CN111240235A CN201911162708.6A CN201911162708A CN111240235A CN 111240235 A CN111240235 A CN 111240235A CN 201911162708 A CN201911162708 A CN 201911162708A CN 111240235 A CN111240235 A CN 111240235A
Authority
CN
China
Prior art keywords
engine
component
model
specific
observed
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.)
Pending
Application number
CN201911162708.6A
Other languages
English (en)
Inventor
凯文·莫克利
克里斯托弗·吉尔
理查德·林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honeywell International Inc
Original Assignee
Honeywell International Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Honeywell International Inc filed Critical Honeywell International Inc
Publication of CN111240235A publication Critical patent/CN111240235A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02D—CONTROLLING COMBUSTION ENGINES
    • F02D41/00—Electrical control of supply of combustible mixture or its constituents
    • F02D41/22—Safety or indicating devices for abnormal conditions
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0808—Diagnosing performance data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
    • G05B19/0423—Input/output
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D31/00—Power plant control systems; Arrangement of power plant control systems in aircraft
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/006—Indicating maintenance
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/02—Registering or indicating driving, working, idle, or waiting time only
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
    • B64D45/00—Aircraft indicators or protectors not otherwise provided for
    • B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/25—Pc structure of the system
    • G05B2219/25257—Microcontroller

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Combustion & Propulsion (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)

Abstract

本发明题为“从通用模型库自生成特定于发动机的健康监测模型”。提供了一种用于在发动机健康监测系统中自生成特定于发动机的模型的方法。该方法包括生成通用发动机模型，该通用发动机模型包括特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；在一个或多个预先计划的训练任务期间，捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中该特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在操作任务期间捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。

Description

从通用模型库自生成特定于发动机的健康监测模型
技术领域
本发明整体涉及维护系统，并且更具体地涉及从用于涡轮发动机系统的通用模型生成特定于发动机的诊断模型的系统和方法。
背景技术
特定于发动机的燃气涡轮发动机模型通常由发动机中的每个部件(包括压缩机、燃烧室、涡轮、管道、二次流动、排放、寄生损失等)的详细标测图/模型组成，以用于对特定发动机的实际物理学进行建模。开发准确的特定于发动机的模型可能需要数年的时间以通过部件试验台测试、高度测试和全发动机测试来进行开发和微调。然而，通常情况下，发动机很少在飞行包络线的极端条件下操作，而是日复一日地经历类似的进气道条件。
因此，希望提供用于生成发动机模型的系统和方法，这些发动机模型可以更快速地开发出并且允许飞行条件针对给定飞行条件和任务剖面自动地调整模型。此外，结合附图以及前述技术领域和背景技术，本发明的其他期望的特征和特点将根据后续具体实施方式和所附权利要求书变得明显。
发明内容
提供本发明内容以便以简化形式描述所选概念，这些概念在具体实施方式中进一步描述。本发明内容不旨在识别要求保护的主题的关键特征或基本特征，也不旨在用于帮助确定要求保护的主题的范围。
在一个实施方案中，提供了一种用于在发动机健康监测系统中自生成特定于发动机的模型的方法。该方法包括识别运载工具中的发动机的配置，其中该识别包括识别发动机中的发动机部件；使用处理器生成通用发动机模型，该通用发动机模型包括特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；在一个或多个预先计划的训练任务期间，使用飞机传感器捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及使用处理器并且使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中该特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由运载工具执行的操作任务期间使用飞机传感器捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。发动机健康监测系统被配置为当与特定发动机部件相关并且在操作任务期间使用飞机传感器捕获的第二多个观测到的发动机部件参数中的一个或多个在操作任务期间偏离特定发动机部件的预测的发动机部件参数达预定量时，识别特定发动机部件以执行维护动作。
在另一个实施方案中，提供了一种用于在发动机健康监测系统中自生成特定于发动机的模型的系统。该系统包括通用发动机模型生成器和特定发动机模型生成器。该通用发动机模型生成器包括一个或多个处理器，该一个或多个处理器由计算机可读介质上的编程指令配置以生成通用发动机模型，该通用发动机模型包括运载工具中的特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型。该特定发动机模型生成器包括一个或多个处理器，该一个或多个处理器由计算机可读介质上的编程指令配置为：接收在一个或多个预先计划的训练任务期间捕获的多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中该特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由运载工具执行的操作任务期间捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。发动机健康监测系统被配置为当与特定发动机部件相关并且在操作任务期间捕获的第二多个观测到的发动机部件参数中的一个或多个在操作任务期间偏离特定发动机部件的预测的发动机部件参数达预定量时，识别特定发动机部件以执行维护动作。
在另一个实施方案中，一种用于监测发动机健康的方法包括：确定运载工具中的特定发动机的配置；生成通用发动机模型，该通用发动机模型包括特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；在一个或多个预先计划的训练任务期间，捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中该训练包括通过使用所观测到的特定部件的发动机部件参数和所捕获的环境参数来调整特定部件的基于物理学的通用模型，从而生成特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型，并且其中该调整包括为部件标测图生成多组标量。该方法还包括在由运载工具执行的操作任务期间捕获第二多个观测到的发动机部件参数和第二多个观测到的环境参数；使用第二多个观测到的环境参数和特定发动机中的特定部件的特定于发动机的基于物理学的部件模型来预测多个发动机部件参数；将所预测的发动机部件参数与第二多个观测到的发动机部件参数进行比较；以及当与特定部件相关的多个第二多个观测到的发动机部件参数中的一个或多个偏离特定部件的预测的发动机部件参数达预定量时，识别该特定部件以执行维护动作。
此外，结合附图和前述背景技术，其他期望的特征和特点将根据后续具体实施方式和所附权利要求书变得明显。
附图说明
下面将结合以下附图来描述本发明，其中相似数字表示相似元件，并且其中：
图1是描绘根据一些实施方案的示例性环境的框图，在该示例性环境中，可部署示例性发动机健康监测系统；
图2是描绘根据一些实施方案的从发动机的通用模型库自生成特定于发动机的健康监测模型的示例性阶段的框图；
图3是描绘根据一些实施方案的从通用模型库自生成特定于发动机的健康监测模型的示例性阶段的另一框图；
图4是描绘根据一些实施方案的自生成发动机健康监测系统中的示例性模块的框图；并且
图5是描绘根据一些实施方案的示例性自生成发动机健康监测系统中的示例性过程的流程图。
具体实施方式
以下具体实施方式本质上仅为示例性的，而无意限制应用和用途。此外，不旨在受前述技术领域、背景技术、发明内容或以下具体实施方式中呈现的任何明示或暗示的理论的约束。如本文所用，术语“模块”是指单独地或呈任何组合的任何硬件、软件、固件、电子控制部件、处理逻辑和/或处理器设备，包括但不限于：专用集成电路(ASIC)、现场可编程门阵列(FPGA)、电子电路、执行一个或多个软件或固件程序的处理器(共享、专用或成组)和存储器、组合逻辑电路和/或提供所述功能性的其他合适的部件。
本文可就功能和/或逻辑块部件以及各种处理步骤方面描述本公开的实施方案。应当理解，此类块部件可以通过被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。例如，本公开的实施方案可以采用各种集成电路部件，例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，它们可以在一个或多个微处理器或其他控制设备的控制下执行多种功能。此外，本领域的技术人员将会知道，本公开的实施方案可以与任何数量的系统结合实施，并且本文所述的系统仅仅是本公开的示例性实施方案。
为了简洁起见，本文不再详细描述与信号处理、数据传输、信令传送、控制、数据库系统和系统的其他功能方面(以及系统的各个操作部件)相关的常规技术。此外，本文所包含的各种附图中所示的连接线旨在表示各种元件之间的示例性功能关系和/或物理耦接。应当指出的是，许多另选的或附加的功能关系或物理连接可存在于本公开的实施方案中。
本文所述的主题公开了用于在不需要完全限定的气动热模型的情况下为机载和非机载燃气涡轮发动机应用创建特定于发动机的模型的装置、系统、方法和技术。本文所述的主题公开了用于利用在多个产品中获得的经验的简化建模方法的装置、系统、方法和技术。本文所述的主题公开了可在不同发动机制造商的不同平台上使用的装置、系统、方法和技术。本文所述的主题公开了装置、系统、方法和技术，其中不需要来自发动机OEM的许可或专有建模系统或信息即可实施。本文所述的主题公开了用于模型的装置、系统、方法和技术，该模型将自生成，并且基于经验证的基于物理学的建模技术。
图1是描绘示例性环境100的框图，在该示例性环境中，可部署示例性发动机健康监测系统102。在示例性环境100中，使用用户设备104(诸如智能电话、平板电脑、膝上型计算机等)的一个或多个维护人员(例如，维修工)可经由网络106访问发动机健康监测系统102以检索信息，从而帮助解决与飞机108上的飞机发动机(诸如燃气涡轮发动机)相关的维护事宜。示例性发动机健康监测系统102被配置为具有飞机108上的特定发动机中的特定部件的特定于发动机的基于物理学的部件模型。使用特定于发动机的基于物理学的部件模型，示例性发动机健康监测系统102被配置为基于多个观测到的环境参数(诸如高度、温度、湿度和其他天气条件)预测操作飞行期间不同阶段的多个发动机部件参数，诸如速度、温度、压力、气流、燃料流量、扭矩等。示例性发动机健康监测系统102还被配置为在适当的飞行阶段将预测的发动机部件参数与观测到的发动机部件参数进行比较，以及当与特定部件相关的多个观测到的发动机部件参数中的一个或多个偏离特定部件的预测的发动机部件参数达预定量时，识别一个或多个特定的发动机部件以执行维护动作。示例性发动机健康监测系统102可位于飞机108上或不在飞机上，例如，位于可经由专用网络112访问的服务器110上。
用户设备104可以例如经由蜂窝网络(诸如4G LTE或4G LTE-V2X)、公共网络106和/或专用网络112上的蜂窝通信信道108与示例性发动机健康监测系统102通信。用户设备104与示例性发动机健康监测系统102之间的通信可以基于App(例如，使用在用户设备上执行的应用程序)、基于浏览器或两种情况皆有。
示例性发动机健康监测系统102包括自生成特定于发动机的健康监测模型，该模型从通用模型库生成特定于发动机的模型。自生成特定于发动机的健康监测模型被配置为接收在一个或多个预先计划的训练任务期间捕获的多个发动机部件的多个观测到的发动机部件参数以及在一个或多个预先计划的训练任务期间捕获的多个观测到的环境参数。自生成特定于发动机的健康监测模型还被配置为从基础模型开始，以及使用基础模型、在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型。训练后的特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。
图2是描绘从发动机218的通用模型库自生成特定于发动机的健康监测模型的示例性阶段的框图。提供通用基础发动机模型202。通用基础发动机模型202包括标称形状的发动机模型，该发动机模型具有发动机中所用的发动机部件的数量和类型的名称。发动机部件的数量和类型可以包括要建模的压缩机级、排放口、燃烧室、管道和涡轮级的数量，以及可用的仪表水平。发动机部件的数量和类型用于识别包括在通用基础发动机模型202中的通用基础标测图。示例性通用基础发动机模型202包括基础压缩机标测图204、基础燃烧室标测图206、基础涡轮标测图208以及其他部件的基础标测图210。在该示例中，通用基础发动机模型202的提供处于“启动”模式212，在该模式下进行初始化和规范化。应当理解，可以存在许多压缩机级(或标测图)、若干涡轮级(或标测图)以及多个管道、排放口和功率消耗。
接下来，激活“学习模式”214，其中创建用于将基础模型转换为特定于发动机的模型的多组标量。生成的一组标量用于对整个标测图集进行缩放，而不仅仅是在标测图的特定区域中。在学习模式214中，发动机218所在的飞机216在一个或多个学习模式飞行中飞行。通过学习模式飞行，飞机操作员可潜在地在类似于飞机216将在现实中所经历的场景的场景中飞行飞机216，从而创建特定于该环境和条件的模型。在学习模式飞行期间，包括飞机环境数据(诸如高度、温度、空速、天气数据等)和发动机部件数据(诸如压力、温度、燃料流量、气流、扭矩、速度等)的飞机数据220经由各种飞机传感器(诸如空速、高度、温度、压力、流量、扭矩、燃料流量和其他传感器)捕获，并且记录下来。
标测图生成(例如，生成特定于发动机的标测图)使用人工智能(AI)(例如，使用
Figure BDA0002286589280000061
或其他系统)222和机器学习技术来完成，以通过基于规则的转换232将通用的无量纲部件标测图(204、206、208、210)重塑成特定的部件标测图(224、226、228、230)，该转换可确保不违反物理学定律和已知的约束。基于规则的转换232可还基于部件的类型从一组候选方法中选择最佳(数据驱动的)缩放方法。基于规则的转换232的结果是生成包含特定于发动机的部件标测图(224、226、228、230)的特定于发动机的诊断/预测模型234。
包含特定于发动机的部件标测图(224、226、228、230)的特定于发动机的诊断/预测模型234可用于例如以诊断模式预测在飞机216正在执行非学习模式飞行时的发动机部件参数值。为特定于发动机的部件标测图(224、226、228、230)生成的标量应与基于多年试验台和发动机测试的标测图集所得的绝对量值相同。使用特定于发动机的诊断/预测模型234的发动机健康监测系统可在预测的部件参数值偏离实际经历的部件参数值超过预定量时识别潜在的发动机部件问题。
可用本文所述的技术实现的优点是，基础模型是通用的(例如，可能不是要使用基础模型的特定飞机或发动机所特有的，并且不得自特定飞机或发动机的实验或测试数据)，并且可跨多个产品线使用。可还共享为生成稳健的基础模型所作的努力。
利用本文所述的技术，基础模型标测图将是通用的，具有典型的代表性平滑形状。压缩机标测图形状可快速地用流量、压力比和效率标量来修改以模拟供试发动机。涡轮标测图可类似地缩放。可用仪表的用户输入将定义诊断求解矩阵。特定于发动机的初始模型将被快速创建，然后如果应用程序需要，那么当然会继续对模型自身进行更新，就像当前应用程序对特定于发动机的模型更新所做的那样。
在示例用例中，可以将飞机交付给客户。客户可以将诊断模型置于“学习模式”，作为渡运任务从机场1飞行到机场2并且返回，然后关闭学习模式。诊断模型可以自生成特定于发动机的模型，该特定于发动机的模型直接适用于该发动机的使用方式。在学习模式期间，无量纲发动机部件形状被重新塑造或自动调整，并且接收数值维度以表示所采集的物理发动机数据。
客户接下来可以将诊断模型切换到“诊断模式”，并且在片刻之后重复相同的渡运任务。来自特定于发动机的模型的预测的部件参数应与针对物理发动机条件的部件参数完全匹配。这将导致对物理硬件上的速度、温度和压力测量值进行非常准确的预测。随着飞行条件和占主导地位的环境条件的变化，模型将微调标量以考虑这些已知的对发动机性能的影响。如果发动机性能发生了真正的变化，诸如在沙尘环境中飞行导致压缩机劣化，那么模型将基于来自“学习模型”的先前知识来检测压缩机中的异常，并且会将问题标记给客户以采取纠正措施(例如，检查压缩机是否损坏，并且如果脏污，则用水清洗压缩机)。
图3是描绘从通用模型库自生成特定于发动机的健康监测模型的示例性阶段的另一个框图。在该示例中描绘了五个阶段。在第一阶段302，针对特定发动机，识别通用发动机312和部件布局322。这涉及识别特定发动机中的发动机部件的数量和类型以及特定发动机的部件的布局。最初选择标准发动机配置作为发动机部件和仪表级的布局的最佳表示。
在第二阶段304，访问基于物理学的部件的库314，该库包括通用、无量纲、适用的气动热的基于物理学的部件映射表单324。从基于物理学的部件的库314中选择适当的通用的基于物理学的部件映射表单324，以基于所识别的部件布局322来形成通用发动机模型。
在第三阶段306，在一个或多个训练任务期间收集可用的发动机、环境和飞机仪表数据和信息316。所收集的数据和信息316可以包括特定数据326，诸如压力、温度、速度、扭矩、燃料流量、气流、空速等。所收集的数据和信息316将用于将通用发动机模型训练成特定于发动机的模型。
在第四阶段308，系统使用人工智能和机器学习技术来自动调整或训练特定于发动机的模型318。特定于发动机的模型318使用所收集的数据和信息316来了解特定发动机的物理方面，并且“调整”每个特定于发动机的部件模型328以匹配所测量的数据316。学习算法迭代所有可用标测图328，并且基于数据找到对每个特定于发动机的部件模型328的最佳拟合。
在第五阶段310，具有微调的特定于发动机的部件标测图330的所得特定于发动机的模型320已准备好用于标准的机载或非机载发动机诊断和预测用途。
图4是描绘自生成发动机健康监测系统402中的示例性模块的框图。示例性系统402包括通用发动机模型生成器404、特定于发动机的模型生成器406、预测器模块410、部件标量更新模块412、标量签名和相关故障模块的库413、部件故障识别模块414、识别的部件故障415和/或仪表故障416以及部件标量趋势模块417。示例性自生成发动机健康监测系统402包括一个或多个处理器，该一个或多个处理器被编码在非暂态计算机可读介质上的编程指令配置为实现通用发动机模型生成器404、特定于发动机的模型生成器406、预测器模块410、部件标量更新模块412、标量签名和相关故障模块的库413、部件故障识别模块414、识别的部件故障415和/或仪表故障416以及部件标量趋势模块417。
处理器可以是任何定制的或可商购获得的处理器、中央处理单元(CPU)、图形处理单元(GPU)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、与自生成发动机健康监测系统402相关联的若干处理器之中的辅助处理器、基于半导体的微处理器(呈微芯片或芯片组的形式)、它们的任何组合、或通常用于执行指令的任何设备。例如，计算机可读存储设备或介质可包括只读存储器(ROM)、随机存取存储器(RAM)和磨损修正系数存储器(KAM)中的易失性和非易失性存储设备。KAM是在处理器断电时可用于存储各种操作变量的持久或非易失性存储器。计算机可读存储设备或介质可使用许多已知存储器设备中的任一种来实现，诸如PROM(可编程只读存储器)、EPROM(电PROM)、EEPROM(可电擦除的PROM)、闪存，或能够存储数据(其中一些表示可执行指令，这些数据由自生成发动机健康监测系统402使用)的任何其他电、磁、光学或组合存储器设备。示例性系统402的处理器和存储器由可执行编程指令配置以提供通用发动机模型生成器404、特定于发动机的模型生成器406、预测器模块410、部件标量更新模块412、标量签名和相关故障模块的库413、部件故障识别模块414、识别的部件故障415和/或仪表故障416以及部件标量趋势模块417。指令可包括一个或多个独立的程序，每个程序包括用于实现逻辑功能的可执行指令的有序列表。
通用发动机模型生成器404被配置为生成通用发动机模型405，该通用发动机模型包括针对运载工具中的特定发动机中的多个发动机部件中的每一个的通用气动热的基于物理学的模型。可向通用发动机模型生成器404提供发动机配置数据401，诸如运载工具中的发动机部件的数量、类型、尺寸和布局。例如，可向通用发动机模型生成器404提供齿轮箱、压缩机级、燃烧室、排放口和涡轮级的数量以及可用的仪表水平。发动机部件可包括风扇、推进器、齿轮箱、压缩机、燃烧室、涡轮、管道、喷嘴、轴、二次流动、排放和其他发动机部件。多个发动机部件的基于物理学的通用模型可包括用于模拟发动机部件操作的性能标测图，该性能标测图基于多个发动机部件的性能标测图的系统的状态来生成关键参数。性能标测图可包括用多种基于理论或基于经验的部件气动热设计工具中的任一种而不采用与发动机相关的实验或测试数据生成的非线性非经验部件模型。多个发动机部件中的每一个的基于物理学的通用模型可选自基于物理学的部件模型的库403。
特定于发动机的模型生成器406被配置为接收多个飞机/发动机数据407，该多个飞机/发动机数据包括在一个或多个预先计划的训练任务期间捕获的多个发动机部件中的每一个的观测到的发动机部件参数和多个观测到的环境参数，以及使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型409，其中特定于发动机的模型409包括特定发动机中的多个发动机部件中每一个的特定于发动机的基于物理学的模型/标测图。发动机部件的每个特定于发动机的基于物理学的模型被配置用于基于观测到的环境参数(诸如在由飞机执行的操作任务期间捕获的高度、温度、空速、天气数据等)来预测一个或多个发动机部件参数，无论是在飞机上还是不在飞机上、实时还是事后。训练可以包括通过使用特定部件的观测到的发动机部件参数407和捕获的环境参数407来调整特定部件的基于物理学的通用模型，从而生成特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型。调整包括为部件标测图生成多组标量。训练包括使用人工智能408或机器学习技术来生成每个特定部件的特定于发动机的基于物理学的部件模型。
在训练之后，预测器模块410被配置为使用特定于发动机的基于物理学的部件模型409和在操作任务期间捕获的飞机环境数据411来预测特定的发动机部件参数。部件标量更新模块412被配置为基于预测的特定发动机部件参数来更新特定于发动机的模型部件标量。
部件故障识别模块414被配置为识别特定发动机部件以执行维护动作(例如，通过识别部件故障415并且建议维护动作)。部件故障识别模块414被配置为当由标量更新模块412更新的一个或多个观测到的发动机部件标量与在具有相关故障的部件标量签名的库413中找到的一组特定部件标量签名相匹配时，识别特定发动机部件以执行维护动作。预定量的一致程度可以触发不同程度的指示部件故障415或仪表故障416以及要执行的相关水平的维护动作。无论部件标量变化的严重性是否足以触发维护动作，部件标量趋势模块417都跟踪部件标量随时间和事件的趋势。
图5是描绘示例性自生成发动机健康监测系统中的示例性过程500的流程图。该过程中的操作顺序不限于按如图所示的顺序执行，而是可在适用时且根据本公开按一个或多个变化的顺序执行。
示例性过程500包括识别运载工具中的发动机的配置(操作502)。该识别包括识别发动机中的发动机部件。该识别可包括识别运载工具中的发动机部件的数量、类型、尺寸和布局。该识别可包括确定齿轮箱、压缩机级、燃烧室、排放口和涡轮级的数量以及可用的仪表水平。
示例性过程500包括生成通用发动机模型，该通用发动机模型包括针对特定发动机中的多个发动机部件中的每一个的通用气动热的基于物理学的模型(操作504)。发动机部件可包括风扇、推进器、齿轮箱、压缩机、燃烧室、涡轮、管道、喷嘴、轴、二次流动、排放和其他发动机部件。多个发动机部件的基于物理学的通用模型可包括用于模拟发动机部件操作的性能标测图，该性能标测图基于多个发动机部件的性能标测图的系统的状态来生成关键参数。性能标测图可包括用多种基于理论或基于经验的部件气动热设计工具中的任一种而不采用与发动机相关的实验或测试数据生成的非线性非经验部件模型。发动机部件的基于物理学的通用模型可选自基于物理学的部件模型的库。
示例性过程500包括在一个或多个预先计划的训练任务期间，使用飞机传感器捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数(操作506)。飞机传感器的类型可包括空速、高度、温度和其他传感器。观测到的发动机部件参数的类型可包括速度、温度、压力、流量、燃料流量、扭矩。观测到的环境参数的类型可包括高度、进气道温度、天气数据等。
示例性过程500包括使用处理器并且使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型(操作508)。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由运载工具执行的操作任务期间使用飞机传感器捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。该一个或多个预测的发动机部件参数可包括效率、流量、压力上升等。训练包括通过使用特定部件的观测到的发动机部件参数和捕获的环境参数来调整特定部件的基于物理学的通用模型，从而生成特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型/标测图。调整可包括为部件标测图生成多组标量。训练可使用人工智能或机器学习技术来执行，以生成每个特定部件的特定于发动机的基于物理学的部件模型。
示例性过程500可还包括在由运载工具执行的操作任务期间捕获第二多个观测到的发动机部件参数和第二多个观测到的环境参数，以及使用第二多个观测到的环境参数和特定发动机中的特定部件的特定于发动机的基于物理学的部件模型来预测多个发动机部件参数。示例过程500可还包括将预测的发动机部件参数与第二多个观测到的发动机部件参数进行比较，以及当与特定部件相关的第二多个观测到的发动机部件参数中的一个或多个偏离特定部件的预测的发动机部件参数达预定量时，识别特定部件以执行维护动作。
本文所述的主题提供用于从通用模型库自生成特定于发动机的健康监测模型的装置、系统、方法和技术。本文所述的主题公开了装置、系统、方法和技术，其中可在初始学习模式中快速创建初始特定于发动机的模型，然后可在诊断模式中将实际物理发动机条件持续地与特定于发动机的模型进行比较以检测发动机/部件性能的异常。本文所述的主题公开了可能不需要试验台标测图的装置、系统、方法和技术。模型中的每个代表性标测图都是灵活的，并且相对于自身和数据进行缩放。本文所述的主题公开了装置、系统、方法和技术，其中该系统不依赖于绝对值，而是依赖于增量或“直减率效应(lapse rate effect)”。本文所述的主题公开了用于生成模型的装置、系统、方法和技术，该模型与来自不同制造商的燃气涡轮发动机一起工作，并且与来自不同或相同制造商的不同燃气涡轮模型一起工作。
在一个实施方案中，提供了一种用于在发动机健康监测系统中自生成特定于发动机的模型的方法。该方法包括识别运载工具中的发动机的配置，其中该识别包括识别发动机中的发动机部件；使用处理器生成通用发动机模型，该通用发动机模型包括特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；在一个或多个预先计划的训练任务期间，使用飞机传感器捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及使用处理器并且使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由运载工具执行的操作任务期间使用飞机传感器捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。发动机健康监测系统还被配置为当与特定发动机部件相关并且在操作任务期间使用飞机传感器捕获的第二多个观测到的发动机部件参数中的一个或多个在操作任务期间偏离特定发动机部件的预测的发动机部件参数达预定量时，识别特定发动机部件以执行维护动作。
这些方面和其他实施方案可以包括以下特征中的一个或多个。识别发动机的配置可包括识别运载工具中的发动机部件的数量、类型、尺寸和布局。识别发动机的配置可包括确定齿轮箱、压缩机级、燃烧室、排放口和涡轮级的数量以及可用的仪表水平。发动机部件可包括风扇、推进器、齿轮箱、压缩机、燃烧室、涡轮、管道、喷嘴、轴、二次流动、排放和其他发动机部件。特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型可包括用于模拟发动机部件操作的性能标测图，该性能标测图基于多个发动机部件的性能标测图的系统的状态来生成关键参数。性能标测图可包括用基于理论或基于经验的部件气动热设计工具而不采用与发动机相关的实验或测试数据生成的非线性非经验部件模型。基于物理学的通用模型可选自基于物理学的部件模型的库。训练可以包括通过使用特定部件的观测到的发动机部件参数和捕获的环境参数来调整特定部件的基于物理学的通用模型，从而生成特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型，其中调整可包括为部件标测图生成多组标量。训练可包括使用人工智能或机器学习技术来生成每个特定部件的特定于发动机的基于物理学的部件模型。该方法可还包括在由运载工具执行的操作任务期间捕获第二多个观测到的发动机部件参数和第二多个观测到的环境参数，以及使用第二多个观测到的环境参数和特定发动机中的特定部件的特定于发动机的基于物理学的部件模型来预测多个发动机部件参数。该方法可还包括将预测的发动机部件参数与第二多个观测到的发动机部件参数进行比较，以及当与特定部件相关的第二多个观测到的发动机部件参数中的一个或多个偏离特定部件的预测的发动机部件参数达预定量时，识别特定部件以执行维护动作。
在另一个实施方案中，提供了一种用于在发动机健康监测系统中自生成特定于发动机的模型的系统。该系统包括通用发动机模型生成器和特定发动机模型生成器。该通用发动机模型生成器包括一个或多个处理器，该一个或多个处理器由计算机可读介质上的编程指令配置以生成通用发动机模型，该通用发动机模型包括运载工具中的特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型。该特定发动机模型生成器包括一个或多个处理器，该一个或多个处理器由计算机可读介质上的编程指令配置为：接收在一个或多个预先计划的训练任务期间捕获的多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中特定于发动机的模型包括特定发动机中的多个发动机部件中的每一个的特定于发动机的基于物理学的模型。发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由运载工具执行的操作任务期间捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数。发动机健康监测系统被配置为当与特定发动机部件相关并且在操作任务期间捕获的第二多个观测到的发动机部件参数中的一个或多个在操作任务期间偏离特定发动机部件的预测的发动机部件参数达预定量时，识别特定发动机部件以执行维护动作。
这些方面和其他实施方案可以包括以下特征中的一个或多个。通用发动机模型生成器可还被配置为接收识别发动机配置的信息，该信息包括识别运载工具中的发动机部件的数量、类型、尺寸和布局的信息。识别发动机配置的信息可包括齿轮箱、压缩机级、燃烧室、排放口和涡轮级的数量以及可用的仪表水平。发动机部件可包括风扇、推进器、齿轮箱、压缩机、燃烧室、涡轮、管道、喷嘴、轴、二次流动、排放和其他发动机部件。特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型可包括用于模拟发动机部件操作的性能标测图，该性能标测图基于多个发动机部件的性能标测图的系统的状态来生成关键参数。性能标测图可包括用基于理论或基于经验的部件气动热设计工具而不采用与发动机相关的实验或测试数据生成的非线性非经验部件模型。基于物理学的通用模型可选自基于物理学的部件模型的库。特定发动机模型生成器可被配置为通过使用特定部件的观测到的发动机部件参数和所捕获的环境参数来调整特定部件的基于物理学的通用模型从而训练特定于发动机的模型。调整可包括为部件标测图生成多组标量。特定发动机模型生成器可被配置为使用人工智能或机器学习技术来训练特定于发动机的模型，以生成每个特定部件的特定于发动机的基于物理学的部件模型。
在另一个实施方案中，一种用于监测发动机健康的方法包括：确定运载工具中的特定发动机的配置；生成通用发动机模型，该通用发动机模型包括特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；在一个或多个预先计划的训练任务期间，捕获多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；使用在一个或多个预先计划的训练任务期间捕获的多个观测到的发动机部件参数和多个环境参数来训练特定于发动机的模型，其中该训练包括通过使用所观测到的特定部件的发动机部件参数和所捕获的环境参数来调整特定部件的基于物理学的通用模型，从而生成特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型，并且其中该调整包括为部件标测图生成多组标量。方法还包括在由运载工具执行的操作任务期间捕获第二多个观测到的发动机部件参数和第二多个观测到的环境参数；使用第二多个观测到的环境参数和特定发动机中的特定部件的特定于发动机的基于物理学的部件模型来预测多个发动机部件参数；将所预测的发动机部件参数与第二多个观测到的发动机部件参数进行比较；以及当与特定部件相关的多个第二多个观测到的发动机部件参数中的一个或多个偏离特定部件的预测的发动机部件参数达预定量时，识别该特定部件以执行维护动作。
这些方面和其他实施方案可以包括以下特征中的一个或多个。特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型可包括用于模拟发动机部件操作的性能标测图，并且其中性能标测图包括用基于理论或基于经验的部件气动热设计工具而不采用与发动机相关的实验或测试数据生成的非线性非经验部件模型。
本领域的技术人员将理解，关于本文公开的实施方案描述的各种例示性逻辑块、模块、电路和算法步骤可以实施为电子硬件、计算机软件或两者的组合。以上就功能和/或逻辑块部件(或模块)以及各种处理步骤方面描述了一些实施方案和具体实施。然而，应当理解，此类块部件(或模块)可通过被配置为执行指定功能的任何数量的硬件、软件和/或固件部件来实现。为了清楚地示出硬件和软件的这种可互换性，上文已经大体上就其功能描述了各种说明性部件、块、模块、电路和步骤。将此类功能实施为硬件还是软件取决于特定应用和施加在整个系统的设计约束。技术人员可以针对每个特定应用以不同的方式实现所描述的功能，但是这种具体实施决策不应被解释为导致偏离本发明的范围。例如，系统或部件的实施方案可采用各种集成电路部件，例如，存储器元件、数字信号处理元件、逻辑元件、查找表等，其可在一个或多个微处理器或其他控制设备的控制下执行多种功能。另外，本领域的技术人员将理解，本文描述的实施方案仅是示例性具体实施。
结合本文公开的实施方案描述的各种示例性逻辑框、模块和电路可以用以下各项来实施或执行：通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其他可编程逻辑设备、离散栅极或晶体管逻辑、离散硬件部件，或设计用于执行本文描述的功能的以上各项的任何组合。通用处理器可以是微处理器，但是在替代方式中，该处理器可以是任何常规的处理器、控制器、微控制器或状态机。处理器还可被实现为计算设备的组合，例如，DSP和微处理器的组合、多个微处理器、结合DSP核心的一个或多个微处理器、或者任何其他此类配置。
结合本文公开的实施方案来描述的方法和算法的步骤可以直接地体现在硬件中、由处理器执行的软件模块中或两者的组合中。软件模块可以驻留在RAM存储器、闪存存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域已知的任何其他形式的存储介质中。示例性存储介质耦接到处理器，使得该处理器可以从存储介质读出信息并且向存储介质写入信息。在替代方式中，可以将存储介质集成到处理器。处理器和存储介质可以驻留在ASIC中。ASIC可以驻留在用户终端中。在替代方式中，处理器和存储介质可以作为离散部件驻留在用户终端中。
在本文件中，关系术语，诸如第一和第二等，可以仅用于将一个实体或动作与另一个实体或动作区分开，而不一定要求或暗示此类实体或动作之间的任何实际的此类关系或顺序。除非明确地由权利要求书语言限定，否则数字序数，诸如“第一”、“第二”、“第三”等，仅表示多个中的不同个体，并且不暗示任何顺序或序列。除非明确地由权利要求书的语言限定，否则任何权利要求书中的文本的序列不暗示必须根据此类序列以时间或逻辑顺序执行处理步骤。在不脱离本发明的范围的情况下，方法步骤可以任何顺序互换，只要此类互换不与权利要求语言矛盾并且不是逻辑上荒谬的。
此外，取决于上下文，在描述不同元件之间的关系时使用的诸如“连接”或“耦接到”的词语不暗示必须在这些元件之间进行直接物理连接。例如，两个元件可以通过一个或多个附加元件物理地、电子地、逻辑地或以任何其他方式彼此连接。
虽然在本发明的前述具体实施方式中已呈现了至少一个示例性实施方案，但是应当理解存在大量的变型形式。还应当理解，一个示例性实施方案或多个示例性实施方案仅是示例，并且不旨在以任何方式限制本发明的范围、适用性或配置。相反，前述具体实施方式将为本领域的技术人员提供一种用于实现本发明的示例性实施方案的便利路线图。应当理解，在不脱离如所附权利要求书中阐述的本发明的范围的情况下，可对示例性实施方案中描述的元件的功能和布置进行各种改变。

Claims (10)

1.一种用于在发动机健康监测系统中自生成特定于发动机的模型的方法，所述方法包括：
识别运载工具中的发动机的配置，所述识别包括识别所述发动机中的发动机部件；
使用处理器生成通用发动机模型，所述通用发动机模型包括所述特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；
在一个或多个预先计划的训练任务期间，使用飞机传感器捕获所述多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及
使用处理器并使用在所述一个或多个预先计划的训练任务期间捕获的所述多个观测到的发动机部件参数和所述多个环境参数来训练特定于发动机的模型，所述特定于发动机的模型包括所述特定发动机中的所述多个发动机部件中的每一个的特定于发动机的基于物理学的模型；
其中发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由所述运载工具执行的操作任务期间使用飞机传感器捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数；并且
其中所述发动机健康监测系统被配置为当与特定发动机部件相关并且在所述操作任务期间使用飞机传感器捕获的第二多个观测到的发动机部件参数中的一个或多个在所述操作任务期间偏离所述特定发动机部件的预测的发动机部件参数达预定量时，识别所述特定发动机部件以执行维护动作。
2.根据权利要求1所述的方法，其中所述识别发动机的配置包括识别所述运载工具中的所述发动机部件的数量、类型、尺寸和布局。
3.根据权利要求2所述的方法，其中所述识别发动机的所述配置包括确定齿轮箱、压缩机级、燃烧室、排放口和涡轮级的数量以及可用的仪表水平。
4.根据权利要求1所述的方法，其中所述特定发动机中的多个发动机部件中的每一个的所述基于物理学的通用模型包括用于模拟发动机部件操作的性能标测图，所述性能标测图基于所述多个发动机部件的性能标测图的系统的状态来生成关键参数。
5.根据权利要求4所述的方法，其中所述性能标测图包括用基于理论或基于经验的部件气动热设计工具而不采用与所述发动机相关的实验或测试数据生成的非线性非经验部件模型。
6.根据权利要求1所述的方法，其中所述训练包括通过使用所观测到的所述特定部件的发动机部件参数和所捕获的环境参数来调整所述特定部件的所述基于物理学的通用模型，从而生成所述特定发动机中的每个特定部件的特定于发动机的基于物理学的部件模型，所述调整包括为所述部件标测图生成多组标量。
7.根据权利要求6所述的方法，其中所述训练包括使用人工智能或机器学习技术来生成每个特定部件的特定于发动机的基于物理学的部件模型。
8.根据权利要求1所述的方法，还包括在由所述运载工具执行的操作任务期间捕获第二多个观测到的发动机部件参数和第二多个观测到的环境参数；以及使用所述第二多个观测到的环境参数和所述特定发动机中的所述特定部件的所述特定于发动机的基于物理学的部件模型来预测多个发动机部件参数。
9.根据权利要求8所述的方法，还包括将所预测的发动机部件参数与所述第二多个观测到的发动机部件参数进行比较；以及当与特定部件相关的所述第二多个观测到的发动机部件参数中的一个或多个偏离所述特定部件的预测的发动机部件参数达预定量时，识别所述特定部件以执行维护动作。
10.一种用于在发动机健康监测系统中自生成特定于发动机的模型的系统，所述系统包括：
通用发动机模型生成器，所述通用发动机模型生成器包括由计算机可读介质上的编程指令配置的一个或多个处理器，所述通用发动机模型生成器被配置为生成通用发动机模型，所述通用发动机模型包括运载工具中的特定发动机中的多个发动机部件中的每一个的基于物理学的通用模型；和
特定发动机模型生成器，所述特定发动机模型生成器包括由计算机可读介质上的编程指令配置的一个或多个处理器，所述特定发动机模型生成器被配置为：
接收在一个或多个预先计划的训练任务期间捕获的所述多个发动机部件中的每一个的多个观测到的发动机部件参数和多个观测到的环境参数；以及
使用在所述一个或多个预先计划的训练任务期间捕获的所述多个观测到的发动机部件参数和所述多个环境参数来训练特定于发动机的模型，所述特定于发动机的模型包括所述特定发动机中的所述多个发动机部件中的每一个的特定于发动机的基于物理学的模型；
其中发动机部件的每个特定于发动机的基于物理学的模型被配置用于使用在由所述运载工具执行的操作任务期间捕获的第二多个观测到的环境参数来预测一个或多个发动机部件参数；并且
其中所述发动机健康监测系统被配置为当与特定发动机部件相关并且在所述操作任务期间捕获的第二多个观测到的发动机部件参数中的一个或多个在所述操作任务期间偏离所述特定发动机部件的预测的发动机部件参数达预定量时，识别所述特定发动机部件以执行维护动作。
CN201911162708.6A 2018-11-28 2019-11-25 从通用模型库自生成特定于发动机的健康监测模型 Pending CN111240235A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/202,142 US11300069B2 (en) 2018-11-28 2018-11-28 Self-generating engine-specific health monitoring model from generic model base
US16/202,142 2018-11-28

Publications (1)

Publication Number Publication Date
CN111240235A true CN111240235A (zh) 2020-06-05

Family

ID=69137218

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911162708.6A Pending CN111240235A (zh) 2018-11-28 2019-11-25 从通用模型库自生成特定于发动机的健康监测模型

Country Status (4)

Country Link
US (1) US11300069B2 (zh)
CN (1) CN111240235A (zh)
CA (1) CA3062503A1 (zh)
GB (1) GB2581004B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11254441B2 (en) * 2018-11-29 2022-02-22 Hamilton Sundstrand Corporation Aircraft controller including multiple core processor with wireless transmission prognostic/diagnostic data capability
US11867397B2 (en) * 2019-05-10 2024-01-09 Electric Power Research Institute, Inc. Gas turbine
DE102019218574A1 (de) * 2019-11-29 2021-06-02 Airbus Operations Gmbh Konfigurationsmanagement für avioniknetzwerk und verfahren zum überprüfen der konfiguration eines avioniknetzwerks
US11740157B1 (en) * 2020-12-29 2023-08-29 Uchicago Argonne, Llc Physics-constrained fault diagnosis framework for monitoring a multi-component thermal hydraulic system
EP4091945B1 (en) * 2021-05-18 2023-09-06 Leonardo S.p.a. Method and system for detecting anomalies relating to components of a transmission system of an aircraft, in particular a helicopter
US20230325292A1 (en) * 2022-04-06 2023-10-12 SparkCognition, Inc. Anomaly detection using multiple detection models
US20240043110A1 (en) * 2022-08-02 2024-02-08 Pratt & Whitney Canada Corp. System and method for addressing redundant sensor mismatch in an engine control system
US11840966B1 (en) 2022-11-18 2023-12-12 Rtx Corporation Tuning engine parameter estimator using gas path analysis data

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858826A (zh) * 2009-04-09 2010-10-13 通用电气公司 用于监测涡轮发动机的健康的系统和方法
EP2336918A1 (en) * 2009-12-21 2011-06-22 United Technologies Corporation Method and system for modeling the performance of a gas turbine engine
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
CN103728965A (zh) * 2012-10-15 2014-04-16 中航商用航空发动机有限责任公司 一种航空发动机的监视装置和方法、fadec 系统
US20140163838A1 (en) * 2012-12-06 2014-06-12 Honeywell International Inc. Operations support systems and methods for calculating and evaluating turbine temperatures and health
CN105488281A (zh) * 2015-12-01 2016-04-13 北京航空航天大学 一种基于飞行参数监控的飞机结构载荷识别方法
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
US20170259944A1 (en) * 2016-03-10 2017-09-14 General Electric Company Using aircraft data recorded during flight to predict aircraft engine behavior
CN107917811A (zh) * 2016-10-10 2018-04-17 通用电气公司 航空飞行器发动机健康预测
US20180268288A1 (en) * 2017-03-14 2018-09-20 General Electric Company Neural Network for Steady-State Performance Approximation
CN108571344A (zh) * 2017-03-09 2018-09-25 通用电气公司 自适应主动间隙控制逻辑
US20180307784A1 (en) * 2017-04-21 2018-10-25 General Electric Company Usage Based Lifing
CN108733867A (zh) * 2017-04-18 2018-11-02 通用电气公司 用以监测涡轮发动机的健康信息的方法和设备

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4275557A (en) * 1978-01-25 1981-06-30 General Electric Company Method and apparatus for controlling thrust in a gas turbine engine
US6907416B2 (en) 2001-06-04 2005-06-14 Honeywell International Inc. Adaptive knowledge management system for vehicle trend monitoring, health management and preventive maintenance
US7216071B2 (en) 2002-04-23 2007-05-08 United Technologies Corporation Hybrid gas turbine engine state variable model
US7505844B2 (en) * 2005-11-18 2009-03-17 General Electric Company Model-based iterative estimation of gas turbine engine component qualities
US8478473B2 (en) * 2008-07-28 2013-07-02 General Electric Company Method and systems for controlling gas turbine engine temperature
US8600917B1 (en) 2011-04-18 2013-12-03 The Boeing Company Coupling time evolution model with empirical regression model to estimate mechanical wear
US9376983B2 (en) 2012-11-30 2016-06-28 Honeywell International Inc. Operations support systems and methods with acoustics evaluation and control
WO2016025887A2 (en) 2014-08-14 2016-02-18 University Of North Dakota Flight parameter prediction using neural networks
GB201518641D0 (en) * 2015-10-21 2015-12-02 Rolls Royce Plc A system and method
US10234359B2 (en) 2016-05-23 2019-03-19 United Technologies Corporation Gas turbine engine with lifing calculations based upon actual usage
US20180137219A1 (en) * 2016-11-14 2018-05-17 General Electric Company Feature selection and feature synthesis methods for predictive modeling in a twinned physical system
US11199105B2 (en) * 2017-07-26 2021-12-14 General Electric Company Monitoring system for a gas turbine engine

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101858826A (zh) * 2009-04-09 2010-10-13 通用电气公司 用于监测涡轮发动机的健康的系统和方法
EP2336918A1 (en) * 2009-12-21 2011-06-22 United Technologies Corporation Method and system for modeling the performance of a gas turbine engine
US20130318018A1 (en) * 2012-05-23 2013-11-28 General Electric Company Neural network-based turbine monitoring system
CN103728965A (zh) * 2012-10-15 2014-04-16 中航商用航空发动机有限责任公司 一种航空发动机的监视装置和方法、fadec 系统
US20140163838A1 (en) * 2012-12-06 2014-06-12 Honeywell International Inc. Operations support systems and methods for calculating and evaluating turbine temperatures and health
CN105488281A (zh) * 2015-12-01 2016-04-13 北京航空航天大学 一种基于飞行参数监控的飞机结构载荷识别方法
US20170259944A1 (en) * 2016-03-10 2017-09-14 General Electric Company Using aircraft data recorded during flight to predict aircraft engine behavior
CN107917811A (zh) * 2016-10-10 2018-04-17 通用电气公司 航空飞行器发动机健康预测
CN106951695A (zh) * 2017-03-09 2017-07-14 杭州安脉盛智能技术有限公司 多工况下的机械设备剩余使用寿命计算方法及系统
CN108571344A (zh) * 2017-03-09 2018-09-25 通用电气公司 自适应主动间隙控制逻辑
US20180268288A1 (en) * 2017-03-14 2018-09-20 General Electric Company Neural Network for Steady-State Performance Approximation
CN108733867A (zh) * 2017-04-18 2018-11-02 通用电气公司 用以监测涡轮发动机的健康信息的方法和设备
US20180307784A1 (en) * 2017-04-21 2018-10-25 General Electric Company Usage Based Lifing
CN108733891A (zh) * 2017-04-21 2018-11-02 通用电气公司 用于预测使用寿命周期和低周期疲劳消耗的系统和方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李军亮等: "基于深度学习的军用飞机部件状态参数预测", 振动与冲击, vol. 37, no. 06, pages 61 - 67 *
陈希远: "飞机座舱环控事故分析与模拟仿真系统研究", 中国优秀硕士学位论文全文数据库, no. 03, pages 031 - 28 *

Also Published As

Publication number Publication date
GB2581004A (en) 2020-08-05
GB2581004B (en) 2023-04-19
US20200165995A1 (en) 2020-05-28
US11300069B2 (en) 2022-04-12
GB201917207D0 (en) 2020-01-08
CA3062503A1 (en) 2020-05-28

Similar Documents

Publication Publication Date Title
CN111240235A (zh) 从通用模型库自生成特定于发动机的健康监测模型
CN109765058B (zh) 用于涡轮发动机的设备和方法
US9317249B2 (en) Operations support systems and methods for calculating and evaluating turbine temperatures and health
US20170286572A1 (en) Digital twin of twinned physical system
US7395188B1 (en) System and method for equipment life estimation
JP6302544B2 (ja) 補助電源ユニット障害を診断するための方法
US9376983B2 (en) Operations support systems and methods with acoustics evaluation and control
EP2813686B1 (en) Operations support system for a gas tubine engine
US8321118B2 (en) Operations support systems and methods with power assurance
US9181878B2 (en) Operations support systems and methods for calculating and evaluating engine emissions
US7933754B2 (en) System and method for damage propagation estimation
US20090048730A1 (en) Method and system for planning repair of an engine
US10127257B2 (en) Methods of creating a database and of formulating a map of operating states of aircraft and a method of monitoring the operation of an associated aircraft
JP2001193477A (ja) エンジンの欠陥を推定する方法とシステム
US20220242592A1 (en) System and method for monitoring an aircraft engine
CN113168313A (zh) 用于监控飞行器发动机的计算环境系统
US10928811B2 (en) Method and system to model industrial assets using heterogenous data sources
Niculita et al. Design for diagnostics and prognostics: A physical-functional approach
Heier et al. The use of PHM for a dynamic reliability assessment
Aretakis et al. Turbofan engine health assessment from flight data
US20230415921A1 (en) Method for determining an efficiency fault of an aircraft turboshaft engine module
Mathioudakis et al. A possibility for on-board training for marine gas turbine performance monitoring and diagnostics

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
AD01 Patent right deemed abandoned

Effective date of abandoning: 20240419

AD01 Patent right deemed abandoned