CN111523197A - 用于预测部件上的故障的模型 - Google Patents

用于预测部件上的故障的模型 Download PDF

Info

Publication number
CN111523197A
CN111523197A CN201911357321.6A CN201911357321A CN111523197A CN 111523197 A CN111523197 A CN 111523197A CN 201911357321 A CN201911357321 A CN 201911357321A CN 111523197 A CN111523197 A CN 111523197A
Authority
CN
China
Prior art keywords
data
fault
physical component
predictive model
level
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201911357321.6A
Other languages
English (en)
Other versions
CN111523197B (zh
Inventor
斯里堪特·阿卡拉姆
卡兰·奥贝罗
万森斯·穆拉里达兰
迈克尔·霍华德·费希尔
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.)
General Electric Co
Original Assignee
General Electric Co
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 General Electric Co filed Critical General Electric Co
Publication of CN111523197A publication Critical patent/CN111523197A/zh
Application granted granted Critical
Publication of CN111523197B publication Critical patent/CN111523197B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B13/048—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 using a predictor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • B64F5/40—Maintaining or repairing 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]

Abstract

一种用于预测物理部件上的故障的设备和方法。该方法可以包括获得故障数据。故障数据可用于确定故障等级。故障等级可以与使用与物理部件有关的参数的内核提供的故障输出进行比较。比较可以导致物理部件的预测模型。

Description

用于预测部件上的故障的模型
技术领域
本公开涉及一种用于通过确定部件的故障等级来预测物理部件上的故障，并使用该故障等级来生成预测模型的方法和设备。
背景技术
评估机器的物理零件的诊断和预测对于安排零件的维护或维修或更换是有用的，特别是零件在高应力环境中操作，诸如飞行器发动机的部件。在复杂系统中进行可靠的评估，允许操作员或维护人员能够可靠且可预测地检查和维修部件，并保持部件的高操作效率和质量。例如，对于飞行器发动机而言，早期检测到硬件故障对于防止飞行中停机，计划外的发动机拆卸或二次硬件损坏至关重要。借助更早的准确预测，系统规划人员可以更轻松地安排维护和更换硬件，而无需进行全面的系统大修。
发明内容
本公开涉及一种预测物理部件上的故障(distress)的方法，该方法包括：a.获得物理部件的第一组故障数据；b.基于第一组故障数据来确定物理部件的故障等级；c.获得与物理部件有关的一组环境数据和一组操作数据中的至少一组；d.使用该组环境数据和该组操作数据中的至少一组的参数以及与物理部件有关的累积损伤模型来制定内核；e.基于内核来生成提供与物理部件有关的故障输出的预测模型；f.将故障输出与故障等级进行比较；g.基于将所述故障输出与所述故障等级进行比较，通过调节所述内核的至少一个参数来调整所述预测模型，并生成更新的预测模型；h.重复步骤d-g，直到不能再有效地对至少一个参数进行调整；i.如果差异在阈值内，则将更新的预测模型应用于物理部件以预测物理部件上的故障，或者如果差异在阈值外，则在步骤a处重新开始该方法。
本公开涉及一种用于预测物理部件上的故障的系统，其中该系统包括：存储器，该存储器存储与物理部件有关的故障数据，环境数据和操作数据；故障等级模块，该故障等级模块耦接到存储器，构造成访问物理部件的第一组故障数据，并基于第一组故障数据来确定物理部件的故障等级；预测模块，该预测模块耦接到故障等级模块和存储器，被构造为：访问与物理部件有关的一组环境数据或一组操作数据中的至少一组，使用一组环境数据和一组操作数据中的至少一组的参数以及与物理部件有关的累积损伤模型来制定内核，并基于内核来生成提供与物理部件有关的故障输出的预测模型；控制器，该控制器耦接到存储器，故障等级模块和累积损伤模型，该控制器被构造为：将故障输出与故障等级进行比较；如果物理部件的故障输出与故障等级之间的差异超过预定阈值，通过调节内核的至少一个参数来调整预测模型并生成更新的预测模型；重复比较和调整，直到不能有效地再对至少一个参数进行调整；并且如果差异在阈值内，则将更新的预测模型应用于物理部件以预测物理部件上的故障。
附图说明
在附图中：
图1是飞行器和数据控制器的立体图
图2是可包括在图1的飞行器的飞行器发动机中的翼型件叶片的立体图。
图3是图1的数据控制器的示意图。
图4是示出用于预测故障的方法的流程图。
具体实施方式
本文描述的本公开的方面针对一种用于预测物理部件上的故障，以及检查和开发用于确定物理部件上的损坏的模型，并基于这种分析来预测故障的方法和设备。为了说明的目的，将针对用于飞行器涡轮发动机的部件来描述本公开。然而，将理解，本文描述的本公开的各方面不限于此，并且可以在发动机以及非飞行器应用(例如其他移动应用以及非移动工业，商业和住宅应用)中具有普遍适用性，而不必局限于飞行器或飞行器发动机领域。
将理解，阐述了可以实施本公开的各方面的环境的细节，以便提供对本文所述技术的透彻理解。然而，对于本领域的技术人员将显而易见的是，可以在没有这些特定细节的情况下实践本公开的各方面。附图示出了实施本文描述的模块或方法或计算机程序产品的本公开的特定方面的某些细节。但是，附图不应被解释为施加附图中可能存在的任何限制。可以在任何机器可读介质上提供该方法和计算机程序产品以完成其操作。本公开的各方面可以使用现有的计算机处理器，或通过为此目的或另一目的而结合的专用计算机处理器，或通过硬线系统来实施。
如本文中所使用的，术语“向前”或“上游”是指在朝向发动机入口的方向上移动，或与另一部件相比相对更靠近发动机入口的部件。与“向前”或“上游”结合使用的术语“向后”或“下游”是指朝向发动机的后部或出口的方向，或与另一部件相比相对更靠近发动机出口。另外，如本文中所使用的，术语“径向”或“径向地”是指在发动机的中心纵向轴线与外发动机周向之间延伸的尺寸。此外，如本文中所使用的，术语“组”或“一组”元件可以是任何数量的元件，包括仅一个。
所有方向参考(例如，径向，轴向，近端，远端，上，下，向上，向下，左，右，侧向，前，后，顶部，底部，上方，下方，竖直，水平，顺时针，逆时针，上游，下游，向前，向后等)仅用于识别目的，以帮助读者理解本公开，并且不产生限制，特别是关于本文所述的本公开的方面的位置，取向或用途的限制。除非另有说明，否则连接参考(例如，附接，联接，连接和接合)将被广义地解释，并且可包括元件集合之间的中间构件以及元件之间的相对移动。这样，连接参考不一定推断两个元件直接连接并且彼此固定的关系。示例性附图仅出于说明的目的，并且所附附图中反映的尺寸，位置，顺序和相对大小可以变化。
如本文中所使用，“系统”或“控制器模块”可包括至少一个处理器和存储器。存储器的非限制性示例可以包括随机存取存储器(RAM)，只读存储器(ROM)，闪存或一种或多种不同类型的便携式电子存储器(例如光盘，数字多功能光盘(DVD)，光盘只读存储器(CD-ROM)等)，或这些类型存储器的任何合适的组合。处理器可以被构造为运行被设计为执行各种方法，功能，处理任务，计算等的任何合适的程序或可执行指令，以实现或完成本文所述的技术操作。该程序可以包括计算机程序产品，该计算机程序产品可以包括机器可读介质，该机器可读介质用于承载或具有存储在其上的机器可执行指令或数据结构。这样的机器可读介质可以是任何可用的介质，其可以被通用或专用计算机或具有处理器的其他机器访问。通常，这样的计算机程序可以包括例程，程序，对象，部件，数据结构，算法等，其具有执行特定任务或实施特定抽象数据类型的技术效果。
在另一个非限制性示例中，控制模块可以包括将第一值与第二值进行比较，并且基于该比较的满足来操作或控制附加部件的操作。例如，当将感测，测量或提供的值与包括存储或预定值的另一个值进行比较时，该比较的满足可以导致可由控制器模块控制的动作，功能或操作。如所使用的，比较的术语“使满足”或“满足”在本文中用来表示第一值满足第二值，例如等于或小于第二值，或在第二值的值范围内。将理解的是，可以容易地改变这样的确定以通过正/负比较或真/假比较来满足。示例比较可以包括将感测或测量的值与阈值或阈值范围进行比较。
图1示意性地描绘了作为示例性环境的本公开的一个方面，在该示例性环境中，可以有效地使用本文所述的诊断和预测模型。示出了在维护操作期间将数据最终传输到数据操作中心26的飞行器10，该数据操作中心26将执行本公开的各方面，包括本文呈现的诊断和预测模型。飞行器10包括一个或多个复杂系统，该复杂系统包括其中的多个零件，该复杂系统涉及飞行器的各个方面。飞行器包括一个或多个推进发动机12，具有位于机身14中的驾驶舱16的机身14，其中一个或多个推进发动机12直接地或如图所示通过从机身14向外延伸的机翼组件18联接至机身14。应当理解，每个发动机12，包括驾驶舱16的机身14以及机翼组件18具有许多单独的物理部件，例如马达，风扇，导管，结构构件，线束，开关，继电器，电气接合点，传感器，显示器，面板等。尽管已经示出了商用飞行器，但是可以预期的是，本公开的各方面可以用于任何类型的复杂系统，包括例如发电厂，轮船，火车，建筑物，航天器和不同于呈现本公开的方面的飞行器，包括固定翼，旋转翼，火箭，个人飞行器等。
飞行器中的复杂系统可以包括使飞行器10能够正常运行的多个飞行器子系统20，并且可以包括一个或多个计算机或控制器22，其可以可操作地耦接到多个飞行器子系统20以控制它们的操作。尽管仅示出了单个控制器22，但是可以预期，飞行器10中可以包括任何数量的控制器22。在这种情况下，控制器22也可以与飞行器10的其他控制器连接。控制器22可以包括或与任何合适数量的单个微处理器，电源，存储装置，接口卡，自动飞行系统，飞行管理计算机和其他标准部件相关联。除了用于飞行器的适当操作的部件之外，飞行器子系统20还可以包括传感器部件，用于观察，收集和传输与系统零件的操作寿命有关的数据。然后可以将传输的数据传递到一个或多个控制器22。
传感器部件将接近或以某种方式联接到任何飞行器零件，以观察并产生要传输到一个或多个控制器22的数据。该数据可以包括例如操作测量，环境测量，飞行路径，高度或给定飞行器零件经受各种压力，温度或应力的时间量或循环次数。这样的数据可以被称为与飞行器的给定部件有关的“操作数据”。
控制器22可以可通信地耦接到一个或多个通信链路，以将数据传输到飞行器10并且从飞行器10传输数据。可以预期，通信链路可以是无线通信链路，并且可以是能够与其他系统和装置无线链接的任何种类的通信机制，并且可以包括但不限于分组无线电，卫星上行链路和/或下行链路，无线保真(WiFi)，WiMax，蓝牙，ZigBee，3G无线信号，码分多址(CDMA)无线信号，全球移动通信系统(GSM)，4G无线信号，5G无线信号，长期演进(LTE)信号，以太网，或其任何组合。也将理解，无线通信的特定类型或模式对于本公开的方面不是关键的，并且肯定会考虑到以后开发的无线网络在本公开的范围内。此外，通信链路可以包括一个或多个无线电，包括语音，飞行器通信寻址和报告系统(ACARS)-模拟，ACARS-数字，卫星通信(SATCOM)，蜂窝等。通信链路可以允许经由例如维护车辆24，地面控制器或地面站处的数据操作中心26与维护人员进行通信，或与非地面站(诸如卫星(未示出))进行通信。
此外，尽管已经示出了从飞行器10传输的数据经由维护车辆24通信到数据操作中心26，但是应当理解，飞行器10可以利用通信链路直接与数据操作中心26进行通信。在数据操作中心26处，数据控制器28可以接收，存储或处理从飞行器10传输的数据。尽管飞行器10传输的数据将包括来自与被监视零件邻近或联接的传感器的操作数据，但是该数据还将包括环境数据(例如天气数据)，地理位置，卫星图像，以及关于零件已经在其中操作的环境的任何其他数据或信息或知识。这样的数据可以被称为与飞行器的给定部件有关的“环境数据”。
除上述之外，从飞行器10传输的操作或环境数据可以是推断数据，或者可以不是直接测量的，但是可以结合理解部件或系统的物理原理，使用一个或多个测量数据来推断的数据。在一个非限制性示例中，不能直接测量发动机内部的某些温度，而是可以通过了解发动机循环物理原理和其他直接测量的参数来推断，直接测量的参数可以包括环境参数，发动机传感器参数或设计特定参数。
作为非限制性示例，考虑到可能希望预测位于飞行器的一个或多个推进发动机12内的翼型件叶片30的操作寿命。将理解的是，将由数据操作中心26收集多个飞行器中的翼型件叶片30的操作数据和环境数据。
除了操作和环境数据之外，例如在日常维护操作期间，还将对多个飞行器中的翼型件叶片30进行定期的目视检查。目视检查可以包括检查员的视力观察，以及借助电光设备(例如管道镜)或借助放射或光谱系统以及图像采集器进行的仪器观察。可以使用图像增强和完善的预测算法来增强此类观察数据。利用诸如有限元分析提供的处理密集型例程对观察数据进行建模可以进一步增强观察数据。
如图2所示，作为示例，考虑包括冷却孔32的翼型件叶片30的目视检查。在目视检查期间可以观察到翼型件叶片30中的裂纹34。裂纹34可具有裂纹长度36，其通过非限制性示例示出了裂纹34的一维测量。可以将裂纹长度36测量为将裂纹的一端连接到另一端的相对线性线的长度。还可以预期，裂纹长度36可以是从一端到另一端遵循裂纹轮廓的非线性线的长度。进一步考虑到，裂纹长度36可以被测量为受裂纹34影响的冷却孔32的数量。
替代地，可以预期，可以使用已知方法来计算裂纹长度36，例如但不限于，使用遵循裂纹34的形状或周长的多维方法来确定裂纹长度36。
还可以在翼型件叶片30上观察到具有长度42和宽度44的热障涂层损失区域40。长度42可以是最大延伸尺寸的测量，宽度44可以正交于长度42，代表第二尺寸中的最大延伸。替代地，热障涂层损失区域40可以被测量为多个像素，或者可以使用其他已知的区域尺寸估计技术来计算。
作为进一步的非限制性示例，在翼型件叶片30上可以存在氧化区域46。无论如何测量，裂纹长度36，热障涂层损失区域40或氧化区域46都是在翼型件叶片30的物理检查期间获得的观察数据的非限制性示例。来自物理检查的观察数据将被传递到数据操作中心26。将理解的是，物理检查可以包括目视检查，并且对于翼型件叶片30将存在单个飞行器以及多个飞行器的多个物理或目视检查。数据由此可以被称为“观察到的故障数据”。
图3示出了数据控制器28，该数据控制器28可用于实现预测示例性翼型件叶片30的故障的模型或方法。数据控制器28可以提供有存储器50，故障等级模块52，预测模块54和比较模块56。数据控制器28可以耦接到用户接口58。用户接口58可以用于将数据输入到数据控制器28中，或者根据请求或响应于输入的数据将信息提供给用户。关于图4进一步讨论了可以经由用户接口58提供的信息。可以包括与用户接口58通信或联接到用户接口58的显示屏59。显示屏59可以是任何合适的显示屏，例如液晶显示屏(LCD)屏，等离子屏，智能玻璃屏或可以在其上显示信息的任何其他类型的屏或介质。
可选地，数据控制器28可以耦接到一个或多个无线通信装置62，以用于发送和接收信息，例如但不限于数据操作中心26中的操作数据，环境数据和/或观察到的故障数据。可以预期，一个或多个无线通信装置62能够与飞行器10，维护车辆或能够传递信息的其他装置建立通信链路。无线通信链接可以是能够与其他系统和装置无线链接的任何各种通信机制，并且可以包括但不限于分组无线电，卫星上行链路和/或下行链路，无线保真(WiFi)，WiMax，蓝牙ZigBee，3G无线信号，码分多址(CDMA)无线信号，全球移动通信系统(GSM)，4G无线信号，5G无线信号，长期演进(LTE)信号，以太网或其任意组合。也将理解，无线通信的特定类型或模式对于本公开的方面不是关键的，并且肯定会考虑到以后开发的无线网络在本公开的范围内。
存储器50可以包括数据库60或与数据库60通信。例如，数据库60可以存储从数据操作中心26接收的一组操作数据，环境数据，设计特定数据和/或观察到的故障数据。数据库60可以是数据控制器28可访问的或与数据控制器28通信的大于一个的数据库。作为非限制性示例，设计特定数据可以包括与制造位置，时间，材料或技术有关的信息。
故障等级模块52使用一组观察到的故障数据来确定故障等级输出，在本图示中，该故障等级输出将是与翼型件叶片30有关的故障等级输出。预测模块54获得一组环境数据或一组操作数据，或者与物理部件(在这种情况下是翼型件叶片30)有关。它使用环境数据和/或操作数据的参数以及与物理部件相关的累积损伤模型(CDM)来制定内核。它还基于内核来生成提供与物理部件(在这种情况下是翼型件叶片30)有关的故障输出的预测模型。可以预期，当确定物理部件的故障等级输出或故障输出时，故障等级模块52或预测模块54可以与数据库60通信以获得附加信息。
比较模块56与故障等级模块52和预测模块54通信，以获得物理部件的故障等级输出和故障输出。比较模块56将故障等级输出的值与故障输出的值进行比较，并将任何差异传递回预测模块54。附加地或替代地，比较模块56可以将任何差异传递到故障等级模块52或用户接口58。
可以预期，数据控制器28实际上可以在分布式计算环境中，在该分布式计算环境中，任务由通过通信网络链接(通过硬线链接，无线链接或通过硬线或无线链接的组合)的本地和远程处理装置执行。在分布式计算环境中，程序模块可以位于本地和远程存储器存储装置中。
图4示出了使用控制器28进行的预测任何物理部件上的故障的方法100。在方法100的步骤102处，获得物理部件的第一组故障数据。第一组故障数据将优选地包括20个数据点或更多。在步骤104处，基于第一组故障数据确定物理部件的故障等级。故障等级模块52可以将故障等级输出到比较模块56。
在步骤106处，例如，从数据库60或直接从数据操作中心26获得与物理部件有关的一组环境数据或与物理部件有关的一组操作数据，或两者。
在步骤108处可以使用来自与物理部件有关的该组环境数据，该组操作数据的参数或累积损伤模型来制定内核。预测模块54可以使用来自数据库60的附加信息来制定内核。例如，与物理部件有关的该组设计特定数据可以被包括为制定内核中的参数。例如，可以从数据库60获得该组设计特定参数。可以预期，可以使用与物理部件有关的各种参数来制定内核。
在步骤110处，基于内核生成提供与物理部件有关的故障输出的预测模型。故障输出被传输到比较模块56。
在步骤112处，将故障输出与故障等级进行比较。比较模块56可以将故障输出与故障等级进行比较以输出差异。
在步骤114处，如果对参数的调节可用，则在步骤116处通过调节内核的至少一个参数来调整预测模型，然后在步骤108处重新制定内核，在步骤110处生成更新的预测模型。然后在步骤112处再次将更新的预测模型的故障输出与故障等级进行比较。如果进一步的调节可用，则进行进一步的调整，重复步骤108-116，直到参数调节不再可用或不再需要将差异置于阈值内。在步骤118处，如果差异在阈值内或满足阈值，则可以在步骤120处将更新的预测模型应用于物理部件以预测物理部件上的故障。然而，在118处，如果差异保持在阈值之外或不满足阈值，则方法100可以在步骤102以不同或更大组故障数据和/或不同或更大组环境或操作数据重新开始。不同或更大组故障数据的示例可以包括第二组故障数据，其中调整预测模型可以基于第一组故障数据，第二组故障数据或第一和第二组故障数据的组合。作为非限制性示例，第二组故障数据可以包括5个数据点或更多。可以预期，可以使用任何数量组故障数据来调整预测模型。进一步预期，来自一个或多个组故障数据的故障数据的任何组合可以用于调整预测模型。可选地，当方法100在102处重新开始时，可以使用参数的不同组合或不同CDM模型来重新制定内核。
可以使用各种已知方法来确定阈值，并且通常包括可以在对象之间变化的专门开发的算法。作为非限制性示例，阈值可以是最小确定系数或“R平方”值。
预期阈值可以是0.6或更大的“R平方”值。将来自更新的预测模型的故障输出视为可以应用于来自故障等级模块52的一个或多个故障等级输出的图形模型。使用已知方法，可以计算“R平方”值，指示图形模型与一个或多个故障等级输出之间的比较。可以将计算的“R平方”值与阈值进行比较。在118处，如果“R平方”值大于或等于0.6，则可以在步骤120处将更新的预测模型应用于物理部件。然而，在118处，如果“R平方”小于0.6，则方法100可以在步骤102处重新开始。进一步预期，在方法100在102处重新开始之前，可以执行附加算法以帮助确定可以调节数据，参数或模型的哪些方面。
现在考虑物理部件为上述翼型件叶片30。故障数据将包括有关裂纹长度36和热障涂层损失区域40的观察和数据。另外，可以从多个飞行器获得故障数据。
物理部件的故障等级在本领域中是已知的，并且通常包括可以在对象之间变化的专门开发的算法，也可以在算法中使用观察到的故障数据。进一步预期的是，在计算对象的故障等级时，故障等级模块52可以从数据库60获得关于对象或先前观察数据的附加信息，例如但不限于先前修理或更换的位置，一个或多个对象的年龄，或从相似对象收集的趋势数据。但是，出于说明目的，我们将基于裂纹长度和热障涂层损失区域，将故障等级视为因果关系。
考虑裂纹34的裂纹长度36为2.25英寸长，并且热障涂层损失区域40的长度42为3.00英寸，宽度44为3.25英寸。因此，热障涂层损失区域40为9.75平方英寸。
作为非限制性示例，在步骤102处，故障等级模块52可以获得包括经历热障涂层损失的9.75平方英寸尺寸的故障数据，并且例如指定故障等级为2。故障等级模块52还考虑包括2.25英寸裂纹尺寸的故障数据，并且例如指定等级为4。故障等级模块52然后可以将它们组合以确定翼型件叶片30的故障等级输出6。如果从多个飞行器获得了故障数据，则可以将其中收集数据的每个翼型件叶片的故障等级输出作为一组故障数据传递到故障等级模块52。
使等级2和等级4的组合为故障等级6，从而在步骤104处导致来自故障等级模块52的故障等级输出6。替代地，如果将权重分配给不同的观察到的故障数据，则等级2和等级4的组合可以导致具有不同值的故障等级输出。但是，出于说明目的，使故障等级6为比较模块56的输出。
在步骤106处，与翼型件叶片30相关的该组环境数据，该组操作数据或该组设计特定数据可以由预测模块54使用从飞行器10传输的数据或来自数据库60的附加信息而获得。通过预测模块54可以将该组环境数据，该组操作数据或该组设计特定数据布置或组织为参数。如果故障数据是从多个飞行器获得的，则步骤106可以获得与每个翼型件叶片相关的该组环境数据，该组操作数据或该组设计特定数据。
此外，从飞行器10传输到预测模块54的数据的至少一部分可以用于开发与翼型件叶片30相关的累积损伤模型(CDM)。CDM可以使用与翼型件叶片30的生命周期相关的基于物理的模型来有助于确定翼型件叶片30的物理现象驱动故障。CDM也可以用作参数。
在步骤108处，可以由预测模块54制定与翼型件叶片30有关的内核。可以使用参数来制定内核，该参数可以包括该组环境数据，该组操作数据，该组设计特定数据或CDM。
内核可用于生成可提供翼型件叶片30的故障输出的预测模型。可以预期，除了从飞行器10传输的数据之外，来自数据库60的附加数据也可以用于开发CDM或制定内核。
在步骤110处，与翼型件叶片有关的预测模型由预测模块54使用以将故障输出提供给比较模块56。对于我们的翼型件叶片30的示例，使输出到比较模块56的故障值是250。可选地，如果从多个翼型件叶片获得了故障数据，则预测模块54可以针对每个翼型件叶片将故障输出提供给比较模块56。
在步骤112处，比较模块56将故障输出值(此处为250)与故障等级值(此处为6)进行比较；计算差异。可以设想，在与故障等级比较之前，对故障输出进行缩放。作为非限制性示例，使比例为五十分之一。因此，值250可以缩放为故障输出5。然后比较模块56计算5与6之间的差异。如果从多个翼型件叶片获得了故障数据，则比较模块56可以将故障输出与每个翼型件叶片的故障等级进行比较。
在114和116处，出于说明性目的，考虑在调整期间对参数的调节是预测模型的内核中环境参数的权重的增加。翼型件叶片30的更新的预测模型提供了故障输出290；其转换为5.8。由于5.8比5更接近于6，因此添加到内核中的环境参数被保持。如果没有其他参数变化减小故障输出和故障等级之间的差异，则在118处评估该差异。使阈值之内的差异为0.2。更新的预测模型已准备好用于翼型件叶片30。
使用用户接口58上的显示屏59，预测模型可以准备示出翼型件叶片30(或其他物理部件)上的预测故障的显示。该显示可以包括图表，该图表可以例如示出损坏或故障等级与周期。损坏或故障等级与周期的图表可用于确定翼型件叶片30(或其他物理部件)的检查计划或维护计划。
可选地，更新的预测模型可以用于开发翼型件叶片30的设计变化。
本公开的各方面包括获得用于制定故障等级和预测模型的数据，其中可以使用故障数据来改善预测模型。技术效果是，本文所述的方面使得能够调整可应用于物理部件的预测模型。可以实现的一个优点是，与常规系统相比，物理部件具有更好的预测能力。更好的预测能力可以改善检查计划或维护计划。此外，更好的预测能力可以减少计划外的操作中断。
增加的预测能力的另一个优点是预测仍处于设计阶段的零件的故障和寿命的能力。这将改善将来的设计。
在尚未描述的范围内，各种实施例的不同特征和结构可根据需要组合使用或彼此替代。在所有实施例中未示出的一个特征并不意味着解释其不能这样示出，而是为了描述简洁。因此，不管是否明确地描述了新的实施例，不同实施例的各种特征可以根据需要被混合和匹配以形成新的实施例。本文所描述的特征的所有组合或置换都被本公开覆盖。
该书面描述使用示例来描述本文描述的本公开的各方面，包括最佳模式，并且还使本领域的任何技术人员能够实践本公开的各方面，包括制造和使用任何装置或系统以及执行任何结合的方法。本公开的各方面的可专利范围由权利要求书限定，并且可以包括本领域技术人员想到的其他示例。如果这样的其他示例具有与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件，则这些其他示例意图落入权利要求的范围内。
本发明的进一步方面由以下条项的主题提供：
1.一种预测物理部件上的故障的方法，该方法包括：a.获得物理部件的第一组故障数据；b.基于第一组故障数据来确定物理部件的故障等级；c.获得与物理部件有关的一组环境数据和一组操作数据中的至少一组；d.使用所述一组环境数据和所述一组操作数据中的至少一组的参数以及与所述物理部件有关的累积损伤模型来制定内核；e.基于内核生成提供与物理部件有关的故障输出的预测模型；f.将故障输出与故障等级进行比较，并且计算故障输出与故障等级之间的差异；g.基于将所述故障输出与所述故障等级进行比较，通过调节所述内核的至少一个参数来调整所述预测模型，并生成更新的预测模型；h.重复步骤d-g，直到不能有效地再对至少一个参数进行调整；i.如果差异在阈值内，则将更新的预测模型应用于物理部件以预测物理部件上的故障，或者如果差异在阈值外，则在步骤a处重新开始该方法。
2.根据条项1所述的方法，其中第一组故障数据包括20个数据点或更多。
3.根据前述条项中任一项所述的方法，进一步包括获得第二组故障数据，其中基于第一组故障数据或第二组故障数据中的一组来调整预测模型。
4.根据前述条项中任一项所述的方法，其中第二组故障数据包括5个数据点或更多。
5.根据前述条项中任一项所述的方法，进一步包括准备示出物理部件上的预测的故障的显示。
6.根据前述条项中任一项所述的方法，其中显示是图表。
7.根据前述条项中任一项所述的方法，其中物理部件是飞行器的部件。
8.根据前述条项中任一项所述的方法，其中内核的至少一个参数是物理部件的操作参数、特定于物理部件的设计特定参数或物理部件的环境参数中的一个。
9.根据前述条项中任一项所述的方法，其中第一组故障数据部分地基于物理部件的物理检查。
10.根据前述条项中任一项所述的方法，其中执行该方法是修改物理部件的设计变化的一部分。
11.根据前述条项中任一项所述的方法，其中执行该方法是制定物理部件的检查计划的一部分。
12.根据前述条项中任一项所述的方法，其中在步骤a处重新开始该方法包括获得第二组故障数据。
13.根据前述条项中任一项所述的方法，其中制定内核进一步包括使用与物理部件有关的一组设计特定数据作为参数。
14.根据前述条项中任一项所述的方法，其中调整预测模型包括重新制定内核。
15.根据前述条项中任一项所述的方法，其中在步骤a处重新开始该方法进一步包括基于不同的累积损伤模型来重新制定内核。
16.一种用于预测物理部件上的故障的系统，该系统包括：存储器，该存储器存储与物理部件有关的故障数据、环境数据和操作数据；故障等级模块，该故障等级模块耦接到存储器，构造成访问物理部件的第一组故障数据，并基于第一组故障数据来确定物理部件的故障等级；预测模块，所述预测模块耦接到所述故障等级模块和所述存储器，所述预测模块被构造为：访问与所述物理部件有关的一组环境数据或一组操作数据中的至少一组，使用一组环境数据和一组操作数据中的至少一组的参数以及与所述物理部件有关的累积损伤模型来制定内核，并基于所述内核来生成提供与所述物理部件有关的故障输出的预测模型；控制器，该控制器耦接到存储器、故障等级模块和累积损伤模型，控制器被构造为：将故障输出与故障等级进行比较；如果物理部件的故障输出与故障等级之间的差异超过预定阈值，通过调节内核的至少一个参数来调整预测模型并生成更新的预测模型；重复比较和调整直到不能有效地再对至少一个参数进行调整；并且如果差异在阈值内，则将更新的预测模型应用于物理部件以预测物理部件上的故障。
17.根据前述条项中任一项所述的系统，其中当故障输出与故障等级之间的差异不在阈值内时，预测模块能够进一步重新制定内核。
18.根据前述条项中任一项所述的系统，其中重新制定内核能够包括在不同的累积损伤模型上。
19.根据前述条项中任一项所述的系统，其中故障等级模块能够进一步从存储器访问物理部件的第二组故障数据，并且基于第一组故障数据或第二组故障数据来确定物理部件的故障等级。
20.根据前述条项中任一项所述的系统，其中控制器能够进一步将更新的预测模型应用于与物理部件有关的设计变化。

Claims (10)

1.一种预测物理部件上的故障的方法，其特征在于，包括：
a.获得物理部件的第一组故障数据；
b.基于第一组故障数据来确定所述物理部件的故障等级；
c.获得与所述物理部件有关的一组环境数据和一组操作数据中的至少一组；
d.使用所述一组环境数据和所述一组操作数据中的至少一组的参数以及与所述物理部件有关的累积损伤模型来制定内核；
e.基于所述内核来生成提供与所述物理部件有关的故障输出的预测模型；
f.将所述故障输出与所述故障等级进行比较，并且计算所述故障输出与所述故障等级之间的差异；
g.基于将所述故障输出与所述故障等级进行比较，通过调节所述内核的至少一个参数来调整所述预测模型，并生成更新的预测模型；
h.重复步骤d-g，直到不能有效地再对所述至少一个参数进行调整；和
i.如果所述差异在阈值内，则将所述更新的预测模型应用于所述物理部件以预测所述物理部件上的故障，或者如果所述差异在所述阈值外，则在步骤a处重新开始所述方法。
2.根据权利要求1所述的方法，其特征在于，其中所述第一组故障数据包括20个数据点或更多。
3.根据权利要求1所述的方法，其特征在于，进一步包括获得第二组故障数据，其中基于所述第一组故障数据或所述第二组故障数据中的一组来调整所述预测模型。
4.根据权利要求3所述的方法，其特征在于，其中所述第二组故障数据包括5个数据点或更多。
5.根据权利要求1所述的方法，其特征在于，进一步包括准备示出所述物理部件上的预测的故障的显示。
6.根据权利要求5所述的方法，其特征在于，其中所述显示是图表。
7.根据权利要求1-6中任一项所述的方法，其特征在于，其中所述物理部件是飞行器的部件。
8.根据权利要求1-6中任一项所述的方法，其特征在于，其中所述内核的所述至少一个参数是所述物理部件的所述操作参数、特定于所述物理部件的设计特定参数或所述物理部件的环境参数中的一个。
9.根据权利要求1-6中任一项所述的方法，其特征在于，其中所述第一组故障数据部分地基于所述物理部件的物理检查。
10.根据权利要求1-6中任一项所述的方法，其特征在于，其中执行所述方法是修改所述物理部件的设计变化的一部分。
CN201911357321.6A 2018-12-26 2019-12-25 用于预测部件上的故障的模型 Active CN111523197B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/232,700 US11256245B2 (en) 2018-12-26 2018-12-26 Model for predicting distress on a component
US16/232,700 2018-12-26

Publications (2)

Publication Number Publication Date
CN111523197A true CN111523197A (zh) 2020-08-11
CN111523197B CN111523197B (zh) 2023-09-29

Family

ID=68887349

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911357321.6A Active CN111523197B (zh) 2018-12-26 2019-12-25 用于预测部件上的故障的模型

Country Status (3)

Country Link
US (1) US11256245B2 (zh)
EP (1) EP3674818A1 (zh)
CN (1) CN111523197B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10108190A (ja) * 1996-09-26 1998-04-24 Sharp Corp 画像の動き検出方法
US20040225474A1 (en) * 2003-01-23 2004-11-11 Jentek Sensors, Inc. Damage tolerance using adaptive model-based methods
CN1917399A (zh) * 2005-08-18 2007-02-21 北京泰美世纪科技有限公司 数字卫星广播系统及信息传输方法、纠错编码系统及方法
FR2960909A1 (fr) * 2010-06-04 2011-12-09 Peugeot Citroen Automobiles Sa Procede de determination du degre d'endommagement d'un element chauffant d'une bougie de prechauffage et procede de maintenance de la bougie ou de prevention de l'endommagement
CN102707708A (zh) * 2012-05-25 2012-10-03 清华大学 多模型飞行控制系统故障诊断方法及装置
CN104101798A (zh) * 2013-04-11 2014-10-15 通用电气航空系统有限责任公司 用于检测或预测电故障的方法
CN104108474A (zh) * 2013-04-16 2014-10-22 通用电气航空系统有限公司 用于预测放气系统故障的方法
CN104731664A (zh) * 2013-12-23 2015-06-24 伊姆西公司 用于故障处理的方法和装置
CN104809051A (zh) * 2014-01-28 2015-07-29 国际商业机器公司 用于预测计算机应用中的异常和故障的方法和装置
CN105938501A (zh) * 2015-03-02 2016-09-14 通用电气公司 评估部件的方法
JP2016173682A (ja) * 2015-03-16 2016-09-29 シャープ株式会社 異常判定装置および異常判定方法
CN106030429A (zh) * 2014-02-21 2016-10-12 特莱丽思环球有限合伙公司 用于预测航空器的空气调节组合件中故障的方法
US9552449B1 (en) * 2016-01-13 2017-01-24 International Business Machines Corporation Dynamic fault model generation for diagnostics simulation and pattern generation
US20180082002A1 (en) * 2016-09-19 2018-03-22 Exxonmobil Research And Engineering Company Systems and methods for online model validation
CN108216098A (zh) * 2016-12-22 2018-06-29 乐视汽车（北京）有限公司 车辆预警阈值更新方法、系统及其电子设备
WO2018228399A1 (zh) * 2017-06-13 2018-12-20 上海寒武纪信息科技有限公司 运算装置和方法
CN109144835A (zh) * 2018-08-02 2019-01-04 广东浪潮大数据研究有限公司 一种应用服务故障的自动预测方法、装置、设备及介质
CN109687577A (zh) * 2018-12-06 2019-04-26 安徽凯川电力保护设备有限公司 一种电力设备事故分级及故障自处理方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6799154B1 (en) 2000-05-25 2004-09-28 General Electric Comapny System and method for predicting the timing of future service events of a product
US6823675B2 (en) 2002-11-13 2004-11-30 General Electric Company Adaptive model-based control systems and methods for controlling a gas turbine
US7328128B2 (en) * 2006-02-22 2008-02-05 General Electric Company Method, system, and computer program product for performing prognosis and asset management services
US8078552B2 (en) * 2008-03-08 2011-12-13 Tokyo Electron Limited Autonomous adaptive system and method for improving semiconductor manufacturing quality
US9477224B2 (en) 2008-12-12 2016-10-25 General Electric Company Physics-based lifespan modeling
US8335601B2 (en) 2009-06-09 2012-12-18 Honeywell International Inc. System and method of automated fault analysis and diagnostic testing of an aircraft
US8452475B1 (en) 2009-10-02 2013-05-28 Rockwell Collins, Inc. Systems and methods for dynamic aircraft maintenance scheduling
GB201621623D0 (en) * 2016-12-19 2017-02-01 Palantir Technologies Inc Determining maintenance for a machine

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10108190A (ja) * 1996-09-26 1998-04-24 Sharp Corp 画像の動き検出方法
US20040225474A1 (en) * 2003-01-23 2004-11-11 Jentek Sensors, Inc. Damage tolerance using adaptive model-based methods
CN1917399A (zh) * 2005-08-18 2007-02-21 北京泰美世纪科技有限公司 数字卫星广播系统及信息传输方法、纠错编码系统及方法
FR2960909A1 (fr) * 2010-06-04 2011-12-09 Peugeot Citroen Automobiles Sa Procede de determination du degre d'endommagement d'un element chauffant d'une bougie de prechauffage et procede de maintenance de la bougie ou de prevention de l'endommagement
CN102707708A (zh) * 2012-05-25 2012-10-03 清华大学 多模型飞行控制系统故障诊断方法及装置
CN104101798A (zh) * 2013-04-11 2014-10-15 通用电气航空系统有限责任公司 用于检测或预测电故障的方法
CN104108474A (zh) * 2013-04-16 2014-10-22 通用电气航空系统有限公司 用于预测放气系统故障的方法
CN104731664A (zh) * 2013-12-23 2015-06-24 伊姆西公司 用于故障处理的方法和装置
CN104809051A (zh) * 2014-01-28 2015-07-29 国际商业机器公司 用于预测计算机应用中的异常和故障的方法和装置
CN106030429A (zh) * 2014-02-21 2016-10-12 特莱丽思环球有限合伙公司 用于预测航空器的空气调节组合件中故障的方法
CN105938501A (zh) * 2015-03-02 2016-09-14 通用电气公司 评估部件的方法
JP2016173682A (ja) * 2015-03-16 2016-09-29 シャープ株式会社 異常判定装置および異常判定方法
US9552449B1 (en) * 2016-01-13 2017-01-24 International Business Machines Corporation Dynamic fault model generation for diagnostics simulation and pattern generation
US20180082002A1 (en) * 2016-09-19 2018-03-22 Exxonmobil Research And Engineering Company Systems and methods for online model validation
CN108216098A (zh) * 2016-12-22 2018-06-29 乐视汽车（北京）有限公司 车辆预警阈值更新方法、系统及其电子设备
WO2018228399A1 (zh) * 2017-06-13 2018-12-20 上海寒武纪信息科技有限公司 运算装置和方法
CN109144835A (zh) * 2018-08-02 2019-01-04 广东浪潮大数据研究有限公司 一种应用服务故障的自动预测方法、装置、设备及介质
CN109687577A (zh) * 2018-12-06 2019-04-26 安徽凯川电力保护设备有限公司 一种电力设备事故分级及故障自处理方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
ARAFAT I. KHAN等: "Predicting Fatigue Damage of Composites Using Strength Degradation and Cumulative Damage Model", J. COMPOS. SCI, vol. 2, no. 9, pages 1 - 21 *
W. HWANG 等: "Cumulative Damage Models and Multi-Stress Fatigue Life Prediction. Journal of Composite Materials", JOURNAL OF COMPOSITE MATERIALS, vol. 20, no. 2, pages 125 *
徐建新;侯振华;: "基于集成ELM模型的航空发动机性能参数预测", 中国民航大学学报, vol. 35, no. 02, pages 20 - 23 *
王子玲;许爱强;杨智勇;: "装备故障诊断和预测技术综述", 火力与指挥控制, vol. 33, no. 2, pages 8 - 10 *
赵宁社;翟正军;王国庆;: "新一代航空电子综合化及预测与健康管理技术", 测控技术, vol. 30, no. 01, pages 1 - 5 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116825243A (zh) * 2023-05-09 2023-09-29 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统
CN116825243B (zh) * 2023-05-09 2024-01-16 安徽工程大学 一种基于多源数据的热障涂层服役寿命预测方法及系统

Also Published As

Publication number Publication date
CN111523197B (zh) 2023-09-29
US11256245B2 (en) 2022-02-22
EP3674818A1 (en) 2020-07-01
US20200209843A1 (en) 2020-07-02

Similar Documents

Publication Publication Date Title
US11334062B2 (en) Method of evaluating a part
EP3346345B1 (en) Diagnosis system for fouling prediction of aircraft aircondition systems
US20170286572A1 (en) Digital twin of twinned physical system
US11067592B2 (en) Methods and apparatus for prognostic health monitoring of a turbine engine
CN108284968B (zh) 用于ecs预测性维护的航空器维护系统和方法
EP2549415A1 (en) Forecasting engine degradation of gas turbines using a personalized model
US20130325286A1 (en) Monitoring of an aircraft engine for anticipating maintenance operations
US20180004197A1 (en) In-Situ Measurement Logging by Wireless Communication Unit for Communicating Engine Data
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
CN107807628B (zh) 民用飞机空调系统热交换器性能退化评估方法
US11687067B2 (en) Pattern classification system with smart data collection for environmental control system fault isolation
EP3460215B1 (en) Method and apparatus for predicting turbine outlet temperature in gas turbine
EP3040863A1 (en) Method of identifying faults in an aircraft
CN111240235A (zh) 从通用模型库自生成特定于发动机的健康监测模型
US20220185502A1 (en) Method for monitoring at least one aircraft engine
US20200380391A1 (en) Methods and systems for predicting electromechanical device failure
CN111523197B (zh) 用于预测部件上的故障的模型
Wang et al. Exhaust gas temperature sensing data anomaly detection for aircraft auxiliary power unit condition monitoring
US20220178272A1 (en) Method for detecting a possible fuel leak in an oil circuit of an aircraft engine
Li et al. Prognostics and health management techniques for integrated avionics systems
JP7031351B2 (ja) エンジン診断装置
Scott Historical Trends in Turboshaft Engine Procurement Cost

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