CN111566575B - 预测组件的一个或多个设备项工作异常的方法 - Google Patents

预测组件的一个或多个设备项工作异常的方法 Download PDF

Info

Publication number
CN111566575B
CN111566575B CN201880078634.5A CN201880078634A CN111566575B CN 111566575 B CN111566575 B CN 111566575B CN 201880078634 A CN201880078634 A CN 201880078634A CN 111566575 B CN111566575 B CN 111566575B
Authority
CN
China
Prior art keywords
equipment
item
operating
operating parameter
items
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201880078634.5A
Other languages
English (en)
Other versions
CN111566575A (zh
Inventor
D·佛图尼
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.)
Air France SA
Original Assignee
Air France SA
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 Air France SA filed Critical Air France SA
Publication of CN111566575A publication Critical patent/CN111566575A/zh
Application granted granted Critical
Publication of CN111566575B publication Critical patent/CN111566575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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]
    • 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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
    • 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
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • 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

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Emergency Protection Circuit Devices (AREA)
  • Electrotherapy Devices (AREA)
  • Selective Calling Equipment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种预测装置工作异常的方法，包括步骤：取并行且大体以相同方式工作的一第一和一第二装置，每一装置包括在第一装置和第二装置之间以相似方式随时间变化的工作参数；对第一和第二装置采集和记录参数的测量；通过在对第一装置的该参数的测量与对第二装置的相同参数的测量之间确定一判定系数，对所述采集的测量进行处理，以便检测其中一个装置可能的失灵；如果判定系数小于一阈值，指示其中一个装置失灵；如果后者等于或大于阈值，则指示其中一装置未失灵和/或根据判定系数调整阈值。

Description

预测组件的一个或多个设备项工作异常的方法
发明主题
本发明涉及一种预测组件的一个或多个设备项故障的方法，该设备项并行工作且应以相同的方式工作，特别地，设备项为旋转机器，即包括至少一个旋转质量的机器。
发明背景
多年以来，工业组件设备项的维修已是一个主要的经济问题，不管它涉及的是诸如用于制造产品或能量生产的生产工厂的固定设施，还是例如运输领域中的活动组件，特别是飞机，公共汽车，机车或轮船。由于一方面严格来讲的维修活动和另一方面由设备项所属的设施或组件的必要的完全停工及经常不可预见或不可预料的停工所表示的利用损失，实际上，设备维修是一笔重大的财务成本。
由于设备维修只发生在设备故障或失灵后，它通常被只起“治愈作用”。然而，就动员维修人员和备件的可用性和采购而言，这样的维修具有许多组织缺陷，这就消极地影响维修活动。
如果按照固定的日程表或按预定的操作间隔进行，设备项的维修可以起到“预防作用”维修可调整，因此可以起保护作用。正常工作的设备项可以不必要地更换，因此维修成本高。
然后，提出了所谓的“可预见性的”维修，以便能预见设备项的维修以及最佳地规划维修以使其对工业组件的工作产生的可能消极影响最小时进行维修。然而，该预见性维修要求故障或失灵在影响设备之前进行识别。
建议通过跟踪(通常是实时跟踪)这些工作参数的某些参数，这些参数的演进能随着时间的推移能揭示讨论中的设备项的工作恶化，以及由此引起的即时故障的迹象来监控该设备项。
例如，针对包括多个具有三相交流的电气牵引电机的铁路机车，文件AU 2015249207描述了一种预测即时机械故障的方法，该方法包括将一个电机随着时间的推移的电信号强度转化到频域以便形成电签名，这些电签名被计算平均值以便得到代表电机的签名，然后通过均方根误差计算依次转化为故障签名，用来确定电流故障测量的次数。针对正在评估的电机，计算除被评估的电机之外的电机的故障测量次数的平均值，然后与包括被评估电机在内的电机的故障测量次数的平均值进行比较，通过将这些平均值的差与一阈值进行比较来识别其故障或非故障。
然而，这些方案因为预期不足，不能完全受益，所以并不令人满意，有缺陷的设备项在缺陷被检测之前能较差地工作很长一段时间，包含该设备项的设施或设备不能最佳地工作。
为了提高故障预测，建议对不同工作参数之间相关性进行监测。例如，针对包括诸如用于实施一工业工序的涡轮机或电机等各种旋转设备项的工业设施，文件US2005197805描述了工业工序的几对参数的相关系数的确定和跟踪，该相关系数与该工序正常条件下确定的相关系数进行比较，如果确定有差异，则产生一个即时故障的通知。
通常，设施或工业组件包括和实施多个设备项，这些设备项可能互不相同或者相同，但是其中一些以大体相同的方式并行工作。建议对两台冗余设备项的工作进行跟踪来预测故障的发生。例如，针对用于吕电解的工业设施，文件FR2,981,474描述了通过根据一第二装置的第二参数的测量值预测一第一装置的一工作参数的值以及这些值与第一装置的工作参数的实际测量值比较来监测与第二装置的另一工作参数相关的第一装置的工作参数，以便检测到第一装置未来故障迹象的相关误差。
在航空领域也提出了预测方法，在该领域中，不可预见的故障的发生及其管理在后勤和成本上来讲更成问题，尤其是当故障发生在远端平台时。
例如，文件US 2013197721描述了一种用于生成与飞行器性能相关的特定消息的方法，对飞行器的主要工作参数进行识别，这些参数具有较高水平的相关性，在0.6与0.8之间，然后这些主要参数的值的变化与指示一故障事件的参数进行相关性计算。
文件FR 3,028,331描述了对一种飞行器发动机的监控，针对维修操作的计划，在考虑发动机一外生参数及发动机使用环境特有的至少一外生参数的同时对发动机的内生工作参数进行归一化，这样才可能对连续飞行的数据进行比较。
文件FR 3,016,710描述了一种预测飞行器设备项工作异常的方法，在飞行器维修阶段，运行测量和故障在电脑上恢复，以便形成一数据库，且在维修阶段，运行一数据分析程序以便在无故障的情况下确定与所有可用参数相互关联的参数对集合，并且在维修阶段，运行计算机程序以便计算相互关联的参数对的皮尔森相关性，针对给定的飞行，当某一参数对计算的相关值低于一预先确定的检测阈值时，发出信号告知失灵。该方法有许多缺点。首先，为了自动确定相互关联的参数，需要采集飞行器所有设备项的所有传感器的所有测量，这样会产生大量无法处理的数据。另外，该方法在故障预测方面不够灵敏和精确，因为有较高的虚警率或错误的故障申报率，导致在未失灵的情况下不必要的设备项更换。
发明目的
本发明的目的是提供一种解决方案，具体是一种预测无目前工艺缺陷的组件的一个或多个设备项故障的方法。
本发明的目的是提供一种更灵敏，更可靠因而性能更高的预测组件的一个或多个设备项故障的方法。
本发明的目的是提供一种预测组件的一个或多个设备项故障的方法，该方法降低了错误故障申报率。
发明概要
本发明涉及一种预测组件的一个或多个设备项工作异常的方法，包括以下步骤：取一组件，具有至少一个工作周期，包括一个或多个包括至少一第一和一第二设备项且均以大体相同的方式并行工作的设备项系列，每一设备项包括一第一工作参数或至少一第一，一第二和一第三工作参数，每个工作参数随时间推移在第一设备项和第二设备项之间以相似的方式进化；为所述第一设备项和所述第二设备项记录和存储一个或多个工作周期或周期的一个或多个部分内的所述第一参数或所述参数随着时间推移的测量；在一个或多个工作周期或所述周期的一个或多个部分完成过程中或之后采集所述测量；通过在所述第一设备项的第一参数的测量与所述第二设备项的第一参数的测量之间确定用于判定的一第一系数，对所述采集的测量进行处理，以便检测第一和/或第二设备项可能的失灵,如果在一个或多个工作周期或所述周期的一个或多个部分内所述第一判定系数小于一第一预定阈值，则发出指示所述第一和第二设备项失灵的通知和/或触发本发明的方法的另外步骤，优选地，如果所述第一判定系数大于或等于所述第一阈值，则发出指示所述第一和/或第二设备项未失灵的通知，且/或作为所述第一判定系数的函数来调整所述第一阈值。
根据本发明的优选实施例，本发明的方法包括至少以下一个特征或其合适的组合：
-该方法还包括事先选择组件的第一和第二设备项的一个或多个系列和/或所述第一或第二设备项的第一工作参数，
-该方法还包括确定一个或多个工作周期或所述周期的一个或多个部分内第一设备项的第一工作参数与第二设备项的第一工作参数之间的线性回归方程式，并且确定所述方程式常数的绝对值,如果所述绝对值小于或等于一预定的值，则为所述第一和/或第二设备项确定所述工作周期或所述周期部分内所述第一工作参数与第二工作参数之间的一第二判定系数，所述第一工作参数与第三工作参数之间的一第三判定系数，如果所述第二和第三判定系数分别大于或等于一第二阈值和一第三阈值，则发出指示未失灵的通知，且/或作为所述第二和第三判定系数的函数来调整所述第二和第三阈值,如果所述绝对值大于所述预定值，则评估第一和/或第二设备项的工作噪音，如果所述噪音大于一预定值范围，则发出所述设备项失灵的通知，如果所述噪音在所述预定范围内，在第一工作参数未出现峰值的情况下，发出指示未失灵的通知，且/或为所述工作噪音调整所述确定的范围，如果所述噪音包括在一预定值范围内，在第一工作参数出现峰值的情况下，发出指示所述设备项失灵的通知，
-确定第一和第二设备项的工作噪音的步骤通过确定第一工作参数的测量相对于一个或多个工作周期或所述周期的一个或多个部分内的所述测量的平均值的标准偏差和将该标准偏差与极限平均值的一预定范围相比较来完成，
-第二和第三参数从第一和第二设备项的不同于第一工作参数的其他工作参数，直接影响所述第一和/或第二设备项的一个或多个参数，组件的一个或多个其他设备项的一个或多个工作参数，或其组合中选择，
-第一判定系数的第一阈值是在组件的一个或多个工作周期或所述周期的部分内确定的，其中未检测到第一和/或第二设备项失灵，
-第二判定系数的第二阈值，和/或第三判定系数的第三阈值，和/或线性回归方程的常数的绝对值是在组件的一个或多个工作周期，或所述周期的一个或多个部分内确定的，其中未检测到第一和/或第二设备项失灵，
-第一参数的测量的标准偏差的极限平均值的预定范围是在组件的一个或多个工作周期，或所述周期的一个或多个部分内确定的，其中未检测到第二设备项失灵，
-该方法还包括第一和/或第二设备项的第一工作参数的测量和/或第一判定系数，或者所述第一判定系数和第二和/或第三参数和/或第一和/或第二和/或第三判定系数和/或所述第一参数的测量峰值所述第一工作参数作为工作周期或所述周期部分的函数的一种或多种图示法，
-组件选自飞行器，小汽车，公共汽车，货车，机车，船舶，舰艇或航天器，其可能是自动驾驶也可能不是，且第一和第二设备项为旋转机器，
-组件为飞行器，第一和第二设备项为一个或多个发动机的燃油增压泵，所述燃油增压泵的第一工作参数为每个燃油增压泵消耗的电流，第二参数为副油箱上测量的燃油平均数，第三参数为主油箱上测量的燃油平均数。
本发明还涉及一种组件的维修方法，包括一个或多个包含至少一第一和一第二设备项且均以大体相同的方式并行工作的设备项系列，执行本发明的方法。
附图说明
图1展示了在本发明的一特定实施例中在更换了有缺陷的设备项之前和之后为两冗余设备项的第一工作参数确定的判定系数作为工作周期数的函数的演进，其中组件为飞行器，工作周期为飞行器的飞行次数，第一参数为两燃油增压泵消耗的电流强度。
图2展示了在本发明的一特定实施例中在更换了有缺陷的设备项之前和之后在第一设备项的第一工作参数和第二设备项的第一工作参数之间为多个工作周期确定的回归方程的常数的值作为工作周期数函数的演进，其中包括冗余设备项的组件为飞行器，工作周期为飞行次数，第一参数为两燃油增压泵消耗的电流强度。
图3展示了一飞行器多次飞行的特定实施例中，更换了设备项之前和之后在两冗余设备项之一的第一工作参数与影响该设备项工作的一第二参数之间确定的第二判定系数作为周期数函数的演进，第一参数为一燃油增压泵消耗的电流，第二参数为副油箱上测的燃油平均数。
图4展示了一飞行器多次飞行的特定实施例中，更换了设备项之前和之后在两冗余设备项之一的第一工作参数与影响该设备项工作的一第三参数之间确定的第三判定系数作为周期数函数的演进，第一参数为一燃油增压泵消耗的电流，第二参数为主油箱上测的燃油平均数。
图5展示了一飞行器的多次分行的特定实施例中，更换了设备项之前和之后两设备项中的一个的工作噪音作为工作周期数函数的演进，第一参数为一燃油增压泵消耗的电流。
图6展示了一飞行器的多次分行的特定实施例中，更换了设备项之前和之后两设备项中的一个的第一工作参数的上升沿的幅度作为工作周期数函数的演进，第一参数为一燃油增压泵消耗的电流。
发明具体实施方式
根据本发明的方法为一种预测组件的一个或多个设备项的工作异常或故障的方法，该组件需要维修或提供改进的性能水平或更长的使用寿命，一旦该维修完成，组件包括一个或多个设备项系列，每个系列包括至少两冗余设备项，之所以称为冗余是因为他们大体上以相同的方式并行工作，每个设备项具有至少一在工作过程中随着时间推移在两设备项之间以相似方式演进的第一工作参数。
优选地，随着时间推移被监控的第一工作参数对两设备项来说至少是同一类型，有利的是为相同的工作参数，比如，为每个设备项的电量消耗值。
讨论的设备项可以为任意数据处理系统或机器，不管它们的机械和/或电和/或化学和/或电子性质及复杂度，优选地为旋转设备，设备项连续工作和/或间断工作且能在多个技术领域，比如，产品制造或转换，能量生产或转换，被实施。
优选地，组件可以是一更复杂工业系统的一部分。
优选地，本发明中讨论的组件用于电气，石油或天然气生产。
在本发明一特定的实施例中，组件用于电气生产，所述至少两设备项为燃气涡轮机。
不受限制地，可以为运输领域的另一实施例来描述本发明，其中组件为飞行器，比如飞机或无人机，设备项为发动机的燃油增压泵，第一工作参数为每个增压泵消耗的电流；然而，讨论中的设备项可以是飞行器的其它嵌入式设备，优选地，为其它旋转机器，而非燃油泵。然而，该方法可以在比如汽车，公共汽车或货车，机车，轮船或航天器等运输领域更普遍地实施，也可以在比如自动化机器人等机器人领域实施。
该方法包括记录和存储冗余设备项的随时间推移因而随其演进的一个或多个工作参数的测量的第一步，根据其参数可以预测故障，对每个设备项而言，参数将随时间推移大体以相同的方式演进。优选地，除了冗余设备项的参数外，随时间推移也可以对其它一个或多个参数的测量进行记录和存储，这些参数可以任意为组件其它设备项或装置的工作参数，该设备项或装置优选地也相互冗余，且优选地直接与两被监控的冗余设备项的工作相关。例如，对一飞行器的发动机的燃油增压泵而言，副油箱中的煤油数量和主油箱中的煤油数量也可以被测量，记录和存储以进行后续处理。
不管讨论中的工作参数是什么，测量的记录和存储可以通过设备项本身来完成，或通过讨论中的组件的一个装置，或通过讨论中的组件之外一装置或系统来完成。
优选地，该方法包括一个采集与参数测量相对应的数据的步骤。该采集可以在与所讨论的组件分隔开且远离该组件的一个装置或系统上或使用该装置或系统来完成，可以在所讨论组件的几个周期完成之后，或单个工作周期之后，或随时间推移不断地完成，优选地，在与所讨论的组件的一个工作周期的一个或几个部分相对应一时间段后来完成。
“工作周期”是指所讨论的组件及组件的设备项在工作，因而处于开启状态的时间段。因此，该时间段是将所讨论的组件或所考虑的设备项的启动与停止分隔开的时间段。一个工作工作周期的部分是包括在设备项工作周期内的时间段。周期的这些部分可以是设备项相互以相同的方式工作的时间段，或者相互以相同的方式工作但相对其工作周期的另一部分以不同方式工作的时间段。
例如，对飞行器而言，如果一个工作周期被认为是从离港机场到一目的地机场的一次飞行，两设备项的参数的连续记录和存储是从设备项的启动到停止来完成，和/或针对各周期部分，即包括滑行，起飞，上升，巡航，下降，着陆和滑行到停机场的不同飞行阶段来完成。该记录和存储由飞行数据记录器或飞机状态监控系统(ACMS)完成，该飞行数据记录器或飞机状态监控系统生成叫快照的报告或叫智能飞机状态监控系统记录器(SAR)的更大文件，表示了参数随时间推移的值。飞行过程中，报告可以通过飞机通信寻址与报告系统(ACARS)按预定的时间间隔传送，SAR文件可以在该飞行或一系列多次连续飞行结束后传送到一可以采集该文件进行处理的第三方装置或系统。
根据本发明的方法如果预先选择要监控的冗余设备项和可选地选择要跟踪的工作参数，则特别有利。优选地，该方法跟踪至少两预定的冗余设备项的至少一个工作参数，因此该设备项相同且并行工作，可选地，该方法也可跟踪组件的其工作直接与两冗余设备项的工作相关的一个或多个装置或设备项的一个或多个其它工作参数。这具有只针对预定设备项采集与预定参数相对应的数据，无需采集和处理所讨论的组件的所有设备项的所有数据和所有工作参数的优势，特别是它涉及飞行器时。
根据本发明的方法还包括一个处理采集的数据的步骤。
对所讨论的组件的第一工作周期或第一工作周期中的时间段，例如，飞行器的一次飞行或不同的飞行阶段，在第一设备项的第一工作参数随时间推移的值与第二设备项的相同工作参数的值之间确定一线性回归方程。事实上，两设备项并行工作且打算大体相同地这样工作下去。因此在为两冗余设备项测的第一参数的值之间存在线性关系。
然后为第一工作周期或第一工作周期的部分计算一第一判定系数。
与能确定两数值之间可能存在的关联强度的相关系数相反，判定系数，对线性回归来说是相关系数的平方，具有在某一点确定的回归系数适合描述测量值的分布的优势。此外，关于相关系数，后者只能用于系列可交换值，也就是说，一第一设备项的第一系列测量值可以与一第二设备项的第二系列值交换，然而，判定系数能识别数值之间存在的关系，不论后者在两系列测量值之间能否交换，一设备项的测量与另一设备项的测量相关联，不能交换。
因此，判定系数“1”意味着回归线的方程能确定值的100％的分布，显示了较强的预测能力，然而，判定系数“0”意味着回归线绝对不能说明值的分布且值是分散的，这指示一种低预测能力。
接着，针对其它工作周期或其它工作周期的时间间隔，在第一设备项的第一工作参数的随时间推移的值和第二设备项的相同工作参数的值之间确定大量的线性回归和计算大量的判定系数以便对第一判定系数确定基于大量周期或大量周期部分的值集合，其它工作周期可以在第一工作周期之前和/或之后。
优选地，考虑的工作周期数在2和200或更大数之间，工作周期数大约为40时比较有利，该周期数表示了待处理的测量数量和根据本发明的方法的可靠性之间的较好的折中。
在本发明中，针对某一给定的工作周期或一系列的工作周期，如果第一判定系数的某一值，优选地，多个值等于或位于一第一预定阈值之上，或位于该第一阈值和1之间，这就意味着为第一设备项的第一参数测得的值接近为第二设备项测得的值，故这两设备项以对称或大体对称的方式并行工作。相反地，如果第一判定系数的某一值，优选地，多个值低于一第一预定阈值，则两冗余设备项并不对称工作。因此，可能发出第一通知指示设备项失灵或工作正常并触发或不触发对冗余设备项进行检查，维修或更换的请求，或并且优选地触发另外步骤以便改善根据本发明的方法。
该第一预定阈值是被跟踪的冗余设备项的一个函数。优选地，该阈值是基于两冗余设备项未经历失灵或故障的一个或多个工作周期而确定的。优选地，该第一预定阈值作为无故障工作周期确定的第一判定系数的函数而被持续更新。
在测量飞行器发动机的燃油增压泵消耗的电流的例子中，等于0.6或在0.6和1之间，优选地，在0.65和0.7之间的第一判定系数意味着燃油增压泵对称或大体对称地工作，而小于0.6第一阈值意味着泵非对称地工作(见图1)。
为了减少或者甚至消除虚警或错误的故障申报，根据本发明的方法包括一个或多个另外的步骤，这些步骤的实施优选地通过其中一个或两个设备项的失灵来完成，优选地在发送报告该失灵的通知之后完成。
优选地，该方法实施评估线性回归直线方程Y＝aX+b的常数b的步骤，该方程是针对一个工作周期或该周期的部分，优选地，其它工作周期或其它工作周期的部分为第一设备项的第一工作参数和第二设备项的第一工作参数确定的。
该回归方程的常数b的绝对值使得估计两冗余设备项的第一工作参数之间的偏差，并因此估计两冗余设备项工作的偏差成为可能。如果b的值大于或等于一预定值，即作为被跟踪冗余设备项的函数的阈值，这就意味着两个被考虑的设备项中一个在一个工作周期内或工作周期部分内或不同工作周期之间不再线性工作(见图2)。在这种情况下，对设备项中的一个，优选地对两个冗余设备项，计算和/或评估一第二和第三判定系数，以便识别两设备项中的哪个没有正常工作。
优选地，“b”的预定值也是基于两冗余设备项未经历失灵或故障的一个或多个工作周期而确定的。优选地，该预定值作为无故障发生的工作周期确定的常数“b”的值的函数被持续更新，且使得调整作为阈值的该预定值成为可能。
对一个工作周期或所述周期的时间间隔，优选地，对大量的工作周期或所述周期的时间间隔计算一第二判定系数，该周期是第一判定系数在此期间完成的周期或周期部分。该判定系数在两冗余设备中的一个设备的第一参数与第二参数之间计算，第二参数是所讨论的装置的不同于第一个工作参数的另一工作参数，或直接影响被评估设备项的参数，或组件的一个或多个其它设备项或装置的一个工作参数，优选地，该参数与被评估的冗余设备项的工作直接相关。
对一个工作周期或所述周期的时间间隔，优选地，对大量的工作周期或所述周期的时间间隔，在两冗余装置中的一个的第一参数和一第三参数之间计算一第三判定系数，该第三参数可以是讨论的装置的一个或多个其它工作参数，或不同于第一和第二工作参数的一个参数，优选地，多个参数，或直接影响被评估设备项的一个参数，或与被评估冗余设备项的工作直接相关的组件的一个或多个其它设备项或装置的一个工作参数。
优选地，第二和第三参数互不相同。
如果第二判定系数大于或等于作为设备项的第一工作参数和第二个被考虑参数的函数的一第二阈值，且第三判定系数大于或等于作为设备项的第一工作参数和第三个被考虑参数的函数的一第三阈值，则被评估设备项工作正常。否则，被评估设备项失灵，且会发出通知来报告失灵以便完成检查，维修或更换。
第二和第三阈值是基于两冗余设备项都未经历了失灵或故障的一个或多个工作周期而确定的。优选地，第二和第三阈值持续被更新。
在飞行器的燃油增压泵的例子中，对小于或等于“3”的常数“b”值(见图2)，确定在一次或多次飞行中燃油增压泵中的一个的电流消耗量与副油箱中的煤油数量之间的一第二判定系数及被考虑的燃油增压泵的电流消耗量与主油箱中的煤油数量之间的一第三判定系数。如果第二判定系数大于或等于0.7且第三判定系数大于或等于0.6，则已做这些判断的燃油增压泵未失灵。否则，所讨论的泵故障并发出失灵通知(见图3和4)。
如果为第一设备项的第一工作参数和第二设备项的第一工作参数确定的回归直线的常数“b”的绝对值对一个工作周期或该周期的部分，或其它周期或该周期的部分而言大于该预定阈值，并不意味着两冗余设备项中的一个有缺陷。事实上，两冗余设备项可非对称或偏差工作，而并未失灵。为了对此进行评估，该方法包括对冗余设备项的噪音进行评估的一步骤。为此，在无失灵的情况下，确定一个或多个工作周期内第一参数的测量值的变化并与一预定平均值或预定的极限平均值范围进行比较；噪音用第一参数相对于测量平均值的标准偏差来表示。如果在一个或多个周期内设备项无失灵的情况下，一个或多个标准偏差大于预先确定的值或范围，则设备项被认为产生很大噪音且正遭受故障；发出指示所述设备项失灵的通知以便进行维修或更换。如果标准偏差小于该预定值或预定值范围，则在第一参数的测量值中检查上升沿及其编号和强度，以便识别第一工作参数测量值中的峰值和跳变。如果存在上升沿，被评估的设备项被认为正在经历失灵并以通知指示，以便进行维修或更换，如果没有上升沿，则设备项被认为工作正常并以警报指示。
在飞行器的一燃油增压泵的例子中，如果两冗余设备项的第一工作参数在一个工作周期或其周期部分，或多个工作周期或周期部分内的回归直线的常数“b”的值大于“3”，则被评估的设备项的工作噪音被确定(见图5)。如果第一工作参数的一个或多个值的标准偏差大于或等于0.1，则泵被指示有缺陷。如果后者在0.08和0.1之间，在未出现峰值的情况下，则泵工作正常且将被这样提及，而在出现峰值的情况下，例如，在20次飞行中电流大于150mA的强度峰值的出现密度大于1.6，则泵被指示有缺陷(见图6)。
优选地，根据本发明的方法的步骤将依次完成，即，第一判定系数的评估结果，特别是，提及失灵或无失灵的第一通知的发送触发或不触发另外不步骤的实施。然而，对预定工作周期数的每一个周期执行根据本发明的方法的每一步骤可能有利，如果对该大量的工作周期，例如，40或50，被评估设备项被认为过半的情况下有缺陷，则认为需要更换且将被更换。
优选地，冗余设备项的工作参数随时间，特别是一个或多个工作周期，或工作周期的部分推移的演进，和/或判定系数，可选地，不同的阈值和预定值或平均值可以以图形的形式展示。
通知可以是任何类型，视觉的和/或声音的。优选地，它们用于需要对包括冗余设备项的组件做决定和/或进行维修的第三方，但是，也可以想到所讨论的组件的操作员也能使用或接收这些通知。
根据本发明的方法由一个或多个装置或预测系统来实施来预测一个固定或活动组件的一个或多个设备项的工作异常，所述装置或系统可以是或者不是该固定或活动组件的一整体部分，且包括允许实施本发明方法的全部或部分步骤的硬件和/或软件装置。优选地，该方法包括远离所讨论的组件的一个装置或系统，它包括与两冗余设备项的组件进行通信的装置，可选地，也包括与需要对组件的设备项进行维修的实体进行通信的装置。优选地，它还包括用于采集被跟踪和记录的参数的测量值的装置，以及对组件的一个或多个工作周期的全部或部分显示不同判定系数的装置。

Claims (18)

1.一种预测组件的一个或多个设备项工作异常的方法，所述方法包括以下步骤：
-取一组件，具有至少一个工作周期，包括一个或多个包括至少一第一设备项和一第二设备项且均以相同的方式并行工作的设备项系列，每一设备项包括一第一工作参数或至少一第一工作参数，一第二工作参数和一第三工作参数，每个工作参数随时间推移在第一设备项和第二设备项之间以相同的方式进化，
-为所述第一设备项和所述第二设备项记录和存储一个或多个工作周期或周期的一个或多个部分内的所述第一工作参数或所述工作参数随着时间推移的测量，
-在一个或多个工作周期或所述周期的一个或多个部分完成过程中或之后采集所述测量，
-通过在所述第一设备项的第一工作参数的测量与所述第二设备项的第一工作参数的测量之间确定用于第一判定系数，对所述采集的测量进行处理，以便检测第一设备项和/或第二设备项可能的失灵，
-如果在一个或多个工作周期或所述周期的一个或多个部分内所述第一判定系数小于一第一预定阈值，则发出指示所述第一设备项和第二设备项失灵的通知，如果所述第一判定系数大于或等于所述第一预定阈值，则发出指示所述第一设备项和/或第二设备项未失灵的通知，且/或作为所述第一判定系数的函数来调整所述第一预定阈值。
2.根据权利要求1所述的方法，还包括事先选择组件的第一设备项和第二设备项的一个或多个系列和/或所述第一设备项或第二设备项的第一工作参数。
3.根据权利要求1所述的方法，还包括以下步骤：
-确定一个或多个工作周期或所述周期的一个或多个部分内第一设备项的第一工作参数与第二设备项的第一工作参数之间的线性回归方程式，并且确定所述线性回归方程式的常数的绝对值，
-如果所述绝对值小于或等于一预定值，则为所述第一设备项和/或第二设备项确定所述工作周期或所述周期部分内所述第一工作参数与第二工作参数之间的一第二判定系数，所述第一工作参数与第三工作参数之间的一第三判定系数，如果所述第二判定系数和第三判定系数分别大于或等于一第二阈值和一第三阈值，则发出指示未失灵的通知，且/或作为所述第二判定系数和第三判定系数的函数来调整所述第二阈值和第三阈值，
-如果所述绝对值大于所述预定值，则评估第一设备项和/或第二设备项的工作噪音，
-如果所述工作噪音大于一预定值范围，则发出所述设备项失灵的通知，
-如果所述工作噪音包括在所述预定值范围内，在第一工作参数未出现峰值的情况下，发出指示未失灵的通知，且/或为所述工作噪音调整所述预定值范围，
-如果所述工作噪音包括在一预定值范围内，在第一工作参数出现峰值的情况下，发出指示所述设备项失灵的通知。
4.根据权利要求3所述的方法，其中确定第一设备项和第二设备项的工作噪音的步骤通过确定第一工作参数的测量相对于一个或多个工作周期或所述周期的一个或多个部分内的所述测量的平均值的标准偏差和将该标准偏差与极限平均值的一预定范围相比较来完成。
5.根据权利要求3所述的方法，其中第二工作参数和第三工作参数从第一设备项和第二设备项的不同于第一工作参数的其他工作参数，直接影响所述第一设备项和/或第二设备项的一个或多个参数，组件的一个或多个其他设备项的一个或多个工作参数，或其组合中选择。
6.根据权利要求4所述的方法，其中第二工作参数和第三工作参数从第一设备项和第二设备项的不同于第一工作参数的其他工作参数，直接影响所述第一设备项和/或第二设备项的一个或多个参数，组件的一个或多个其他设备项的一个或多个工作参数，或其组合中选择。
7.根据权利要求1所述的方法，其中第一判定系数的第一阈值是在组件的一个或多个工作周期或所述周期的部分内确定的，其中未检测到第一设备项和/或第二设备项失灵。
8.根据权利要求2所述的方法，其中第一判定系数的第一阈值是在组件的一个或多个工作周期或所述周期的部分内确定的，其中未检测到第一设备项和/或第二设备项失灵。
9.根据权利要求3至8中任一项所述的方法，其中第二判定系数的第二阈值，和/或第三判定系数的第三阈值，和/或线性回归方程的常数的绝对值是在组件的一个或多个工作周期，或所述周期的一个或多个部分内确定的，其中未检测到第一设备项和/或第二设备项失灵。
10.根据权利要求4所述的方法，其中第一工作参数的测量的标准偏差的极限平均值的预定范围是在组件的一个或多个工作周期，或所述周期的一个或多个部分内确定的，其中未检测到第二设备项失灵。
11.根据权利要求1或3所述的方法，还包括第一设备项和/或第二设备项的第一工作参数的测量和/或第一判定系数，或者所述第一判定系数和第二工作参数和/或第三工作参数和/或第一判定系数和/或第二判定系数和/或第三判定系数和/或所述第一工作参数的测量峰值所述第一工作参数作为工作周期或所述周期部分的函数的一种或多种图示法。
12.根据权利要求1至8中任一项所述的方法，其中组件选自飞行器、小汽车、公共汽车、货车、机车、船舶、舰艇或航天器，其可能是自动驾驶也可能不是，且第一设备项和第二设备项为旋转机器。
13.根据权利要求9所述的方法，其中组件选自飞行器、小汽车、公共汽车、货车、机车、船舶、舰艇或航天器，其可能是自动驾驶也可能不是，且第一设备项和第二设备项为旋转机器。
14.根据权利要求10所述的方法，其中组件选自飞行器、小汽车、公共汽车、货车、机车、船舶、舰艇或航天器，其可能是自动驾驶也可能不是，且第一设备项和第二设备项为旋转机器。
15.根据权利要求11所述的方法，其中组件选自飞行器、小汽车、公共汽车、货车、机车、船舶、舰艇或航天器，其可能是自动驾驶也可能不是，且第一设备项和第二设备项为旋转机器。
16.根据权利要求12所述的方法，其中组件为飞行器，第一设备项和第二设备项为一个或多个发动机的燃油增压泵，所述燃油增压泵的第一工作参数为每个燃油增压泵消耗的电流，第二工作参数为副油箱上测量的燃油平均数，第三工作参数为主油箱上测量的燃油平均数。
17.根据权利要求13至15中任一项所述的方法，其中组件为飞行器，第一设备项和第二设备项为一个或多个发动机的燃油增压泵，所述燃油增压泵的第一工作参数为每个燃油增压泵消耗的电流，第二工作参数为副油箱上测量的燃油平均数，第三工作参数为主油箱上测量的燃油平均数。
18.一种组件的维修方法，包括一个或多个包含至少一第一设备项和一第二设备项且均以相同的方式并行工作的设备项系列，所述方法执行根据权利要求1至17中任一项所述的方法。
CN201880078634.5A 2017-12-04 2018-11-29 预测组件的一个或多个设备项工作异常的方法 Active CN111566575B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1761570A FR3074590B1 (fr) 2017-12-04 2017-12-04 Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble
FR1761570 2017-12-04
PCT/EP2018/082935 WO2019110396A1 (fr) 2017-12-04 2018-11-29 Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble

Publications (2)

Publication Number Publication Date
CN111566575A CN111566575A (zh) 2020-08-21
CN111566575B true CN111566575B (zh) 2023-08-15

Family

ID=62091954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880078634.5A Active CN111566575B (zh) 2017-12-04 2018-11-29 预测组件的一个或多个设备项工作异常的方法

Country Status (7)

Country Link
US (1) US11520325B2 (zh)
EP (1) EP3721307B1 (zh)
CN (1) CN111566575B (zh)
ES (1) ES2947015T3 (zh)
FR (1) FR3074590B1 (zh)
MA (2) MA50985A (zh)
WO (1) WO2019110396A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7345353B2 (ja) * 2019-10-25 2023-09-15 東京エレクトロン株式会社 故障検知システム及び故障検知方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000284828A (ja) * 1999-03-31 2000-10-13 Tokyo Gas Co Ltd 異常状態判定システム及び異常状態判定方法
CN101203443A (zh) * 2005-05-31 2008-06-18 法国航空公司 用于存储和运输雷达的容器
CN101465769A (zh) * 2009-01-16 2009-06-24 华中科技大学 双控制器磁盘阵列的动态故障检测系统
AU2015249207A1 (en) * 2011-07-06 2015-11-19 Ge Global Sourcing Llc System and method for predicting mechanical failure of a motor
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
CN106028932A (zh) * 2013-12-16 2016-10-12 美敦力迷你迈德公司 用于提高正交冗余传感器的可靠性的方法及系统
CN106843189A (zh) * 2015-10-14 2017-06-13 空中客车运营简化股份公司 振荡故障检测方法和装置、电子飞行控制系统和飞行器
JP2017156818A (ja) * 2016-02-29 2017-09-07 株式会社日立製作所 異常検知装置、異常検知システムおよびその方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7389204B2 (en) 2001-03-01 2008-06-17 Fisher-Rosemount Systems, Inc. Data presentation system for abnormal situation prevention in a process plant
US20030065409A1 (en) * 2001-09-28 2003-04-03 Raeth Peter G. Adaptively detecting an event of interest
FR2911972B1 (fr) * 2007-01-30 2009-03-27 Hispano Suiza Sa Procede de surveillance de moteurs d'avion
GB201011921D0 (en) * 2010-07-15 2010-09-01 Sutan Anwar Method for gas chromatography analysis and maintenance
CN102416821A (zh) 2011-07-27 2012-04-18 中国国际航空股份有限公司 飞机系统数据处理方法
FR2981474B1 (fr) * 2011-10-17 2013-12-27 Alstom Technology Ltd Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de detection preventive d'une panne d'un appareil
GB201315654D0 (en) * 2013-09-03 2013-10-16 Rolls Royce Plc Operating parameter monitoring method
FR3016710B1 (fr) * 2014-01-20 2016-01-08 Jean-Hugues Pettre Procede de prediction d'une anomalie de fonctionnement des equipements d'un aeronef ou d'une flotte d'aeronefs
FR3019295B1 (fr) * 2014-03-27 2016-03-18 Snecma Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef
FR3028331B1 (fr) * 2014-11-10 2016-12-30 Snecma Procede de surveillance d'un moteur d'aeronef en fonctionnement dans un environnement donne
US10719772B2 (en) * 2017-10-27 2020-07-21 The Boeing Company Unsupervised multivariate relational fault detection system for a vehicle and method therefor

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000284828A (ja) * 1999-03-31 2000-10-13 Tokyo Gas Co Ltd 異常状態判定システム及び異常状態判定方法
CN101203443A (zh) * 2005-05-31 2008-06-18 法国航空公司 用于存储和运输雷达的容器
CN101465769A (zh) * 2009-01-16 2009-06-24 华中科技大学 双控制器磁盘阵列的动态故障检测系统
AU2015249207A1 (en) * 2011-07-06 2015-11-19 Ge Global Sourcing Llc System and method for predicting mechanical failure of a motor
CN106028932A (zh) * 2013-12-16 2016-10-12 美敦力迷你迈德公司 用于提高正交冗余传感器的可靠性的方法及系统
CN106843189A (zh) * 2015-10-14 2017-06-13 空中客车运营简化股份公司 振荡故障检测方法和装置、电子飞行控制系统和飞行器
CN105719002A (zh) * 2016-01-18 2016-06-29 重庆大学 一种基于组合预测的风电机组状态参数异常辨识方法
JP2017156818A (ja) * 2016-02-29 2017-09-07 株式会社日立製作所 異常検知装置、異常検知システムおよびその方法

Also Published As

Publication number Publication date
EP3721307B1 (fr) 2023-04-05
MA50986A (fr) 2020-10-14
EP3721307A1 (fr) 2020-10-14
ES2947015T3 (es) 2023-07-31
US11520325B2 (en) 2022-12-06
US20210232133A1 (en) 2021-07-29
FR3074590A1 (fr) 2019-06-07
FR3074590B1 (fr) 2023-03-17
WO2019110396A1 (fr) 2019-06-13
CN111566575A (zh) 2020-08-21
MA50985A (fr) 2020-10-14

Similar Documents

Publication Publication Date Title
Khan et al. Recent trends and challenges in predictive maintenance of aircraft’s engine and hydraulic system
EP3689692B1 (en) Brake health indicator systems using input and output energy
Sun et al. Benefits and challenges of system prognostics
Liu et al. Industrial AI enabled prognostics for high-speed railway systems
CN111915027B (zh) 确定载具零件可靠性的方法和系统
EP3173762B1 (en) Systems and methods for fatigue monitoring
CN110582626B (zh) 用由磨损因子校正的异常检测来监视涡轮机的系统和方法
KR102102346B1 (ko) 함정설비의 상태기반 정비지원 시스템 및 방법
CN108928744A (zh) 一种基于大数据的集装箱起重机在线诊断及维护系统
Shimada et al. A statistical approach to reduce failure facilities based on predictive maintenance
Babbar et al. Advanced diagnostics and prognostics for engine health monitoring
Fei et al. Literature review: Framework of prognostic health management for airline predictive maintenance
CN111566575B (zh) 预测组件的一个或多个设备项工作异常的方法
Najjar et al. Predictive maintenance of Urban Metro Vehicles: Classification of air production unit failures using machine learning
Atmaji et al. Implementation of maintenance scenario for critical subsystem in aircraft engine: Case study NTP CT7 Engine
CN105138755A (zh) 一种液体火箭发动机试验台故障响应生成器的设计方法
Raptodimos et al. Collection and analysis of data for ship condition monitoring aiming at enhanced reliability & safety
Zhang et al. Prognostic and health management for safety barriers in infrastructures: Opportunities and challenges
Dersin et al. Prognostics and health management in railways
US20240228063A9 (en) Systems, Methods, and Apparatus For Fault Diagnosis Of Systems
Wang et al. Research on optimization method of aviation equipment spare parts ordering strategy based on PHM
Drummond et al. Reverse engineering costs: How much will a prognostic algorithm save
Pena et al. An Industrial IoT Approach to Enable Remote Asset Health Monitoring for Short Line Railroad Operators
Skaf Introduction to condition monitoring
Sanket et al. Study on State-of-the-Art Preventive Maintenance Techniques for ADS Vehicle Safety

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