CN111664009B - 机器学习在处理涡轮发动机的高频传感器信号中的应用 - Google Patents

机器学习在处理涡轮发动机的高频传感器信号中的应用 Download PDF

Info

Publication number
CN111664009B
CN111664009B CN202010141280.3A CN202010141280A CN111664009B CN 111664009 B CN111664009 B CN 111664009B CN 202010141280 A CN202010141280 A CN 202010141280A CN 111664009 B CN111664009 B CN 111664009B
Authority
CN
China
Prior art keywords
compressor element
engine
machine learning
stall margin
data
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
CN202010141280.3A
Other languages
English (en)
Other versions
CN111664009A (zh
Inventor
詹姆斯·赖安·里普迈耶
约翰·迈克尔·赖曼
加甘·阿迪巴特拉
埃文·纳撒尼尔·巴伯
斯蒂芬·约瑟夫·卡法洛
拉希姆·潘瓦尼
弗雷德里克·约翰·门蒂托三世
艾伦·詹姆斯·施密茨
萨奇奥特·空苏姆布恩维奇
理查德·安东尼·泽林斯基
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 CN111664009A publication Critical patent/CN111664009A/zh
Application granted granted Critical
Publication of CN111664009B publication Critical patent/CN111664009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C9/00—Controlling gas-turbine plants; Controlling fuel supply in air- breathing jet-propulsion plants
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/001—Testing thereof; Determination or simulation of flow characteristics; Stall or surge detection, e.g. condition monitoring
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/02—Surge control
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/02—Surge control
    • F04D27/0207—Surge control by bleeding, bypassing or recycling fluids
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/02—Surge control
    • F04D27/0246—Surge control by varying geometry within the pumps, e.g. by adjusting vanes
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04D—NON-POSITIVE-DISPLACEMENT PUMPS
    • F04D27/00—Control, e.g. regulation, of pumps, pumping installations or pumping systems specially adapted for elastic fluids
    • F04D27/02—Surge control
    • F04D27/0253—Surge control by throttling
    • 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
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/01—Purpose of the control system
    • F05D2270/10—Purpose of the control system to cope with, or avoid, compressor flow instabilities
    • F05D2270/101—Compressor surge or stall
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2270/00—Control
    • F05D2270/70—Type of control algorithm
    • F05D2270/709—Type of control algorithm with neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Sustainable Development (AREA)
  • Control Of Positive-Displacement Air Blowers (AREA)

Abstract

提供一种用于涡轮发动机的压缩机元件的主动稳定性管理的控制系统。在一个示例方面，控制系统包括一个或多个计算装置，该一个或多个计算装置被构造为接收指示与压缩机元件相关联的操作特性的数据。例如，可以从可操作以感测压缩机元件处的压力的高频传感器接收数据。计算装置还被构造为至少部分地基于所接收的数据通过机器学习模型确定压缩机元件的失速裕度剩余。训练机器学习模型以识别所接收的数据的某些特性，并将该特性与压缩机元件的失速裕度剩余相关联。计算装置还被构造为至少部分地基于所确定的失速裕度剩余来引起一个或多个发动机系统的调节。

Description

机器学习在处理涡轮发动机的高频传感器信号中的应用
技术领域
本公开的主题大体涉及用于燃气涡轮发动机的控制系统，并且更具体地涉及使用机器学习模型对燃气涡轮发动机的高频传感器数据进行实时处理。
背景技术
燃气涡轮发动机可以包括一个或多个压缩机。压缩机主动稳定性管理(CASM)系统可用于保护发动机避免压缩机失速。例如，CASM系统可以接收传感器数据并以某种方式解释传感器数据，以表示即将发生的失速或失速裕度剩余。然后，基于所解释的信号，CASM系统可以迅速切断到发动机的燃料和/或使可变几何形状部件运动以避免失速。但是，常规的CASM系统无法捕获可以指示降低失速裕度的传感器数据中的某些特征。此外，常规的CASM系统通常需要较长的处理时间来解释接收到的传感器数据。结果，失速裕度剩余生成得太慢或不够精确，以至于无法支持直接控制到指定可操作性裕度的主动CASM系统。
因此，具有解决上述挑战中的一个或多个的控制系统的发动机将是有用的。此外，用于控制解决上述挑战中的一个或多个的发动机的方法将是有益的。
发明内容
本发明的方面和优点将在下面的描述中部分地阐述，或者可以从描述中显而易见，或者可以通过实践本发明来学习。
在一方面，提供了一种用于具有压缩机元件的发动机的控制系统。该控制系统包括具有一个或多个存储器装置和一个或多个处理装置的一个或多个计算装置，一个或多个存储器装置存储可由一个或多个处理装置执行以施行操作的计算机可读指令。在施行操作时，一个或多个处理装置被构造为：接收指示与压缩机元件相关联的操作特性的数据；至少部分地基于所接收的数据，通过机器学习模型确定压缩机元件的失速裕度剩余(stallmargin remaining)。
在另一方面，提供了一种方法。该方法包括操作具有压缩机元件的发动机。此外，该方法包括通过一个或多个计算装置接收指示与发动机的压缩机元件相关联的操作特性的数据。该方法还包括至少部分地基于所接收的数据，通过一个或多个计算装置的机器学习模型确定压缩机元件的失速裕度剩余。
在另一方面，提供了一种用于控制涡轮发动机的方法。该方法包括：操作涡轮发动机；通过一个或多个计算装置设置与涡轮发动机相关联的目标信号；通过一个或多个计算装置接收指示与涡轮发动机相关联的操作特性的数据；至少部分地基于所接收的数据，通过一个或多个计算装置的机器学习模型预测信号；至少部分地基于所预测的信号和目标信号，通过一个或多个计算装置确定信号误差，并且，至少部分地基于所确定的信号误差，通过一个或多个计算装置引起涡轮发动机的一个或多个发动机系统的调节。
参考以下描述和所附权利要求，将更好地理解本发明的这些和其他特征，方面和优点。结合在本说明书中并构成本说明书一部分的附图示出了本发明的实施例，并且与说明书一起用于解释本发明的原理。
附图说明
在说明书中阐述了针对本领域的普通技术人员的本发明的完整且可行的公开，包括其最佳模式，其参考附图，其中：
图1提供了根据本主题的示例实施例的燃气涡轮发动机的示意性横截面视图；
图2提供了图1的燃气涡轮发动机的示意图，并描绘了其控制系统；
图3提供了图2的控制系统的示意图；
图4提供了根据本主题的示例实施例的描绘作为时间的函数的数据信号的图；
图5提供了根据本主题的示例实施例的描绘对于各种控制方案在瞬态事件期间压缩机元件的失速裕度剩余与时间的关系的图；
图6提供了根据本主题的示例实施例的用于压缩机元件的主动稳定性管理的示例控制回路的框图；
图7提供了根据本主题的示例实施例的描绘作为时间的函数的拼接的原始数据信号和对应的确定的失速裕度剩余信号的图；
图8提供了根据本主题的示例实施例的描绘作为时间的函数的拼接的原始数据信号和对应的确定的失速裕度剩余信号的另一图；
图9提供了根据本主题的示例实施例的描绘随时间彼此重叠的第一信号和第二信号的图；
图10提供了根据本主题的示例实施例的图，该图描述了由本公开的机器学习模型输出的失速裕度剩余与给定发动机动力设置的压缩机元件的实际失速裕度剩余的关系，以及由常规控制系统输出的失速裕度剩余与给定发动机动力设置的压缩机元件的实际失速裕度剩余的关系；
图11提供了根据本主题的示例实施例的示例性方法的流程图；
图12提供了根据本主题的示例实施例的另一示例性方法的流程图；和
图13提供了根据本主题的示例实施例的示例计算系统。
具体实施方式
现在将详细参考本发明的当前实施例，其一个或多个示例在附图中示出。详细描述使用数字和字母标记来指代附图中的特征。在附图和描述中相同或相似的标记已经用于指代本发明的相同或相似的部分。如本文所使用的，术语“第一”，“第二”和“第三”可以互换使用以将一个部件与另一个部件区分开，并且不旨在表示各个部件的位置或重要性。术语“上游”和“下游”是指相对于流体路径中的流体流动的相对流动方向。例如，“上游”是指流体从其流动的流动方向，而“下游”是指流体向其流动的流动方向。此外，如本文所用，术语“轴向”或“轴向地”是指沿着发动机的纵向轴线的尺寸。与“轴向”或“轴向地”结合使用的术语“前”是指朝向发动机入口的方向，或部件与另一部件相比相对更靠近发动机入口。与“轴向”或“轴向地”结合使用的术语“后”是指朝向发动机喷嘴的方向，或者部件与另一部件相比相对更靠近发动机喷嘴。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，如本文所用，除非另外说明，否则近似术语(例如“大约”，“基本上”或“约”)是指在百分之十五(15％)的误差范围内。此外，如本文所用，术语“实时”是指相关事件的发生时间，预定数据的测量和收集时间，处理数据时间以及响应于事件和环境的系统时间中的至少一个。在本文所述的实施例中，这些活动和事件基本上是瞬时发生的。
提供了一种用于涡轮发动机的控制系统。更特别地，提供了一种用于压缩机元件的主动稳定性管理的控制系统。在一个示例方面，控制系统包括具有一个或多个存储器装置和一个或多个处理装置的一个或多个计算装置。一个或多个存储器装置存储可由一个或多个处理装置执行以施行操作的计算机可读指令。在施行操作中，一个或多个处理装置被构造成接收指示与压缩机元件相关联的操作特性的数据。例如，可以从高频传感器接收数据，该高频传感器可操作以感测压缩机元件处的叶片尖端旋涡引起的压力波动。传感器读取与压缩机元件相关联的操作特性(例如，压缩机元件处的压力波动)的频率可以是一个或多个计算装置的更新速率的大约2000倍(2,000X)。
一个或多个处理装置还被构造为至少部分地基于所接收的数据通过机器学习模型实时地确定压缩机元件的失速裕度剩余。机器学习模型可以是神经网络，例如递归或卷积神经网络。可以训练机器学习模型以识别接收到的数据的某些特性。例如，可以训练机器学习模型以识别所接收的原始数据的AC分量的一个或多个特性，例如，数据的AC分量的频率特性，幅度特性和/或其他模式或特性。可以训练机器学习模型以将数据传感器的AC分量的频率特性，幅度特性和/或其他模式或特性与压缩机元件的失速裕度剩余相关联。在一些实施例中，训练机器学习模型以识别接收到的数据的DC分量的一个或多个特性，以增强所确定的失速裕度剩余信号的准确性。
一个或多个处理装置还被构造为至少部分地基于所确定的失速裕度剩余和目标失速裕度剩余来确定失速裕度误差。然后，一个或多个处理装置被构造为至少部分地基于所确定的失速裕度剩余，或更具体地，至少部分地基于失速裕度误差来引起一个或多个发动机系统的调节。一个或多个处理装置可以连续地引起发动机系统的调节，以将失速裕度误差驱动为零(0)。即，一个或多个处理装置可以连续地引起发动机系统的调节，以将预测失速裕度剩余(即，由机器学习模型输出的失速裕度剩余)驱动到目标失速裕度。还提供了用于使用这种控制系统控制涡轮发动机的方法。
本文所述的系统和方法可为涡轮发动机的控制系统及其计算技术提供许多技术效果，益处和改进。一方面，本公开的计算系统的机器学习模型可以实时产生高精确和高带宽失速裕度剩余信号，这使得能够使用主动稳定性管理系统。启用对压缩机失速裕度的主动实时控制需要鲁棒，精确和高带宽的失速裕度剩余信号。与由常规控制方案产生的失速裕度剩余信号相比，改进的失速裕度剩余信号使得下游控制逻辑能够将操作线推向更接近失速。这允许推力增长和/或改进的循环效率。另外，由本文所公开的机器学习模型生成的失速裕度剩余信号可以进一步用于协助预后健康管理(PHM)应用，包括增强的数字/嵌入式模型和压缩机健康监测。
另外，除其他益处外，在利用机器学习模型来生成失速裕度剩余信号时，可以显著减少计算机处理时间，并且处理资源可以用于其他核心处理功能。常规方法无法完全捕获可以指示降低失速裕度的传感器数据中的所有特征，并因此需要更长的处理时间段以产生精确的信号。结果是信号太慢而无法支持主动稳定性管理控制系统。本文所述的控制系统可操作以产生满足启用主动稳定性管理控制系统所需的标准的精确的失速裕度剩余信号。
图1提供了根据本公开的示例实施例的燃气涡轮发动机的示意性横截面视图。对于图1所示的实施例，燃气涡轮发动机是高旁路涡轮风扇喷气发动机10，在本文中称为“涡轮风扇发动机10”。涡轮风扇发动机10可被安装到飞行器，例如固定翼飞行器。如图1所示，涡轮风扇发动机10限定轴向方向A，径向方向R和周向方向。此外，涡轮风扇发动机10限定延伸穿过其以用于参考目的的轴向中心线或纵向轴线12。通常，纵向轴线12和轴向方向A彼此并行延伸，径向方向R正交于轴向方向A朝向纵向轴线12向内延伸并从纵向轴线12向外延伸，并且周向方向围绕纵向轴线12同心地延伸。
涡轮风扇发动机10包括风扇区段14和设置在风扇区段14下游的核心涡轮发动机16。核心涡轮发动机16包括限定环形核心入口20的基本上管状的外壳18。外壳18以串行流动关系包围：压缩机区段，其包括增压器或低压(LP)压缩机22和高压(HP)压缩机24；燃烧器区段，其包括燃烧器26；涡轮区段，其包括高压涡轮28和低压涡轮30；喷射排气喷嘴区段32。高压轴或线轴34将HP涡轮28驱动地连接到HP压缩机24。低压轴或线轴36将LP涡轮30驱动地连接到LP压缩机22。
每个压缩机22、24可包括多个压缩机元件。特别地，对于该实施例，涡轮风扇发动机10的每个压缩机22、24包括多个压缩机级，其中每个级都包括固定压缩机轮叶82的环形阵列和紧邻压缩机轮叶82的下游定位的旋转压缩机叶片84的环形阵列。另外，压缩机22、24可包括一个或多个可变几何形状部件86(图2)，包括入口导向轮叶(IGV)，出口导向轮叶(OGV)，可变定子轮叶等。此外，一个或多个引气阀88(图2)可沿着压缩机24和/或压缩机22定位，并且可操作以移动打开和关闭，使得加压空气可从涡轮风扇发动机10的核心发动机16的核心空气流动路径引出。通过引气阀88引出的引气可以被引导至其他发动机系统(例如HP涡轮28的主动间隙控制系统)，或被引导至发动机所附接的各种运载器系统(例如用于给飞行器机舱加压的机舱气压系统)。
对于所示的实施例，风扇区段14包括可变桨距(pitch)风扇38，该可变桨距风扇38具有以间隔开的方式联接至盘42的多个风扇叶片40。如图所示，风扇叶片40从盘42大致沿径向方向R向外延伸。借助于风扇叶片40可操作地联接到合适的致动构件44，每个风扇叶片40可相对于盘42绕桨距轴线P旋转，该致动构件44被构造为共同地一致改变风扇叶片40的桨距。风扇叶片40，盘42和致动构件44可通过LP轴36绕纵向轴线12一起旋转。
仍然参考图1的示例性实施例，盘42被可旋转的旋转器48覆盖，该旋转器48在空气动力学上成形为以促进气流通过多个风扇叶片40。另外，示例性风扇区段14包括环形风扇壳体或外机舱50，其周向围绕风扇38和/或核心涡轮发动机16的至少一部分。应当理解，机舱50可以构造成通过多个周向间隔开的出口导向轮叶52相对于核心涡轮发动机16被支撑。此外，机舱50的下游区段54可在核心涡轮发动机16的外部分上延伸，以便在它们之间限定旁路气流通道56。
在涡轮风扇发动机10的操作期间，一定量的空气58通过机舱50和/或风扇区段14的相关入口60进入涡轮风扇发动机10。当一定量的空气58穿过风扇叶片40时，如箭头62所示的空气58的第一部分被引导或导向到旁路气流通道56中，并且如箭头64所示的空气58的第二部分被引导或导向到LP压缩机22中。第一部分空气62和第二部分空气64之间的比通常被称为旁通比。然后，随着第二部分空气64被导向通过高压(HP)压缩机24并进入燃烧器26，第二部分空气64的压力增加，在燃烧器26中，第二部分空气64与燃料混合并燃烧以提供燃烧气体66。
燃烧气体66被导向通过HP涡轮28，在HP涡轮28中，经由联接到外壳18的HP涡轮定子轮叶68和联接到HP轴或线轴34的HP涡轮转子叶片70的连续级，从燃烧气体66提取一部分热能和/或动能，因此使HP轴或线轴34旋转，从而支持HP压缩机24的操作。然后，燃烧气体66被导向通过LP涡轮30，在LP涡轮30中，经由联接到外壳18的LP涡轮定子轮叶72和联接到LP轴或线轴36的LP涡轮转子叶片74的连续级，从燃烧气体66提取第二部分热能和动能，因此使LP轴或线轴36旋转，从而支持LP压缩机22的操作和/或风扇38的旋转。
随后，燃烧气体66被引导通过核心涡轮发动机16的喷射排气喷嘴区段32，以提供推进推力。同时，随着第一部分空气62在从涡轮风扇发动机10的风扇喷嘴排气区段76排出之前被引导通过旁路气流通道56，第一部分空气62的压力实质上增加，也提供推进推力。HP涡轮28，LP涡轮30和喷射排气喷嘴区段32至少部分地限定热气路径78，用于将燃烧气体66引导通过核心涡轮发动机16。
应当理解，尽管针对具有核心涡轮发动机16的涡轮风扇发动机10进行了描述，但是本主题可以适用于其他类型的涡轮机械。例如，本主题可以适合与涡轮螺旋桨发动机，涡轮轴发动机，涡轮喷气发动机，工业和船舶燃气涡轮发动机和/或辅助动力单元一起使用或在其中使用。
图2提供了图1的涡轮风扇发动机10的示意图，并且描绘了其控制系统100。对于该实施例，控制系统100可以是压缩机主动稳定性管理(CASM)系统。如图所示，控制系统100可以包括多个传感器，用于例如在发动机的操作期间感测发动机的各种操作特性。特别地，控制系统100包括传感器110，该传感器110可操作以感测与LP压缩机或增压器22的压缩机元件相关联的操作特性。对于该实施例，传感器110是压力传感器，该压力传感器可操作以感测增压器22的压缩机元件处的压力波动。因此，在该示例中，操作特性是压力或增压器22的压缩机元件处的压力。此外，对于该实施例，传感器110是高带宽压力传感器。然而，在替代实施例中，传感器110可以感测与增压器22的压缩机元件相关联的其他操作特性，例如温度。如本文所使用的，术语“压缩机元件”可以指在压缩机的特定级中的轮叶或叶片的阵列，压缩机级的单个轮叶或叶片，多级轮叶和叶片，和/或作为整体的压缩机。
控制系统100还包括传感器112，该传感器112可操作以感测与HP压缩机24的压缩机元件相关联的操作特性。对于该实施例，传感器112是压力传感器，该压力传感器可操作以感测HP压缩机24的压缩机元件处的压力波动。此外，传感器112是高带宽压力传感器。然而，在替代实施例中，传感器112可以感测HP压缩机24的其他操作特性，例如温度。控制系统100还包括传感器114，该传感器114可操作以感测与风扇38的压缩机元件相关联的操作特性。对于该实施例，传感器114是压力传感器，该压力传感器可操作以感测风扇38的压缩机元件处的压力波动，例如，风扇叶片40处的压力波动。此外，传感器114是高带宽压力传感器。然而，在替代实施例中，传感器114可以感测风扇38的其他操作特性，例如温度。
另外，涡轮风扇发动机10的控制系统100包括用于控制涡轮风扇发动机10的操作的一个或多个计算装置。特别地，对于该实施例，控制系统100包括控制器120，该控制器120被构造用于控制涡轮风扇发动机10的各个方面。具体地，控制器120被构造为执行一种或多种操作或功能，以用于涡轮风扇发动机10的压缩机22、24中的一个或两个的稳定性控制，并用于在发动机的生命周期期间提供改进的发动机性能。控制器120可包括一个或多个存储器装置和一个或多个处理装置。一个或多个存储器装置可以存储可由一个或多个处理装置执行以施行操作的计算机可读指令。特别地，控制器120可以以与以下参考图13描述的示例性计算系统500的计算装置中的一个基本相同的方式构造(并且可以被构造为施行本文描述的操作中的一个或多个，例如本文描述的方法(400)，(450)的操作中的一些或全部)。控制器120可以是控制器系统或单个控制器。在一些实施例中，控制器120可以是发动机控制器。控制器120可以是例如电子发动机控制器(EEC)或电子控制单元(ECU)。控制器120可以被操作为运载器(例如飞行器)的全权限数字发动机控制(FADEC)系统的控制装置。
如图2所示，控制器120与涡轮风扇发动机10的各个部件通信地联接(例如，经由一个或多个合适的有线和/或无线通信链路)。对于该实施例，控制器120与传感器110、112、114，燃料系统90的燃料计量装置92，LP压缩机22和HP压缩机24的可变几何形状部件86以及风扇38的致动构件44通信地联接。如将理解的是，控制器120可以与涡轮风扇发动机10的其他部件通信地联接，联接到安装有涡轮风扇发动机10的运载器的其他计算系统或部件，联接到各种远程计算系统200或部件(例如，地面系统，维护实体，分析实体等)以及其他部件或计算系统。
图3提供了控制系统100的示意图，并描绘了控制器120的各种模型和控制逻辑。如图所示，控制器120包括控制逻辑124，机器学习模型126和数据整合模型128。在一些实施例中，控制器120可以可选地不包括数据整合模型128。
通常，控制器120的机器学习模型126被构造为从高频传感器(例如传感器110、112、114中的一个或多个)接收原始数据130，并且以与常规方法相比信号精度和变化显著改进的方式实时地将高频传感器数据130转变或转换成压缩机元件的失速裕度剩余132(在图3中表示为“SMR”)。因此，在一些实施例中，机器学习模型126的至少一个输入是高频，高带宽传感器数据130，并且机器学习模型126的输出是压缩机元件的失速裕度剩余132。通过使用机器学习模型126实现的失速裕度剩余信号精度和处理速度的改进可以提供压缩机元件的增强的主动稳定性管理。
在一些实施例中，机器学习模型126是神经网络。例如，在一些实施例中，机器学习模型126是递归神经网络(RNN)，例如长短期记忆递归神经网络(LSTM)。在其他实施例中，机器学习模型126是卷积神经网络(CNN)。在一些进一步实施例中，机器学习模型可以是另一种类型的神经网络。此外，在一些实施例中，机器学习模型126可以是被构造为线性判别分析模型，偏最小二乘判别分析模型，支持向量机模型，随机树模型，逻辑回归模型，朴素贝叶斯模型，K最近邻模型，二次判别分析模型，异常检测模型，增强袋装决策树模型，C4.5模型和/或k均值模型中的一个的模型。
在一些实施例中，监督训练技术可以用于训练机器学习模型126。例如，可以在标记的训练数据集上使用监督训练技术来训练机器学习模型126。标记的训练数据集可以包括在已知的发动机操作状况下来自高频传感器的原始数据和与原始数据相对应的期望的失速裕度剩余计算。训练处理迭代，直到描述机器学习模型126的输出与期望的失速裕度剩余输出之间的差异的误差Δ在阈值百分比之内。以这种方式，对训练数据集在任意好的精度范围内构造机器学习模型。机器学习模型126可以使用标记的训练数据来训练，并且还可以经由验证数据集来验证。在其他实施例中，可以使用一种或多种无监督训练技术来训练机器学习模型126。如上所述，一旦被训练并且在一些情况下被验证，机器学习模型126就可操作以接收高带宽，高频传感器数据并以与常规方法相比信号精度和变化显著改进的方式预测压缩机元件失速裕度。
对于该实施例，控制器120还包括数据整合模型128。数据整合模型128可以是单个模型或多个模型。数据整合模型128可以包括基于物理的模型，数学模型，统计模型，其组合等。通常，控制器120的数据整合模型128被构造为从高频传感器(例如，传感器110、112、114中的一个或多个)接收原始数据130，并最终输出相关值134，在图3中表示为“CV”。相关值134可以被引导并输入到机器学习模型126中。因此，在一些实施例中，机器学习模型126是多输入机器学习模型。一般而言，相关值134可以提供与压缩机元件的物理性质或行为有关的洞察或信息。例如，作为一个示例，相关值可以表示来自发动机的一个旋转(revolution)的原始数据信号与来自发动机的后一或第二旋转的原始数据信号匹配的程度。例如，数据整合模型128可以使用一个或多个傅立叶变换来确定原始数据信号的各种特性，以便信号可以被更容易和精确地比较。通常，旋转之间的原始数据信号越具有可比性，压缩机元件就越健康；相反，从一个旋转到下一旋转的原始数据信号越不具有可比性，压缩机元件就越不健康。机器学习模型126除了可以使用其机器学习算法之外，还可以使用数据整合模型输出的相关值134来确定压缩机元件的失速裕度剩余132。除了其他益处和优点外，对压缩机元件的物理性质的洞察可以增强精确性。
此外，控制器120还包括控制逻辑124。如图所示，控制逻辑124接收所确定的失速裕度剩余132，并且可以至少部分地基于所确定的失速裕度剩余132来引起一个或多个发动机系统95的调节。例如，基于所确定的失速裕度剩余132，控制逻辑124可以生成一个或多个控制命令136，其指示用于调节发动机的发动机系统95中的一个或多个的指令。如图3所示，一个或多个发动机系统95可包括一个或多个可变几何形状部件86，燃料系统90的燃料计量装置92(图2)，风扇38和/或发动机的引气阀88。由于经由使用机器学习模型126以改进的速度和精度来处理失速裕度剩余信号132，控制逻辑124可以更精确地确定用于控制发动机系统95的最佳控制命令136，以最终提供改进的失速防止能力，和在给定的发动机速度下更接近失速线的操作。更积极的压缩机主动稳定性管理和控制逻辑124可以转换为增加的发动机推力。
大致参考图2和3，控制系统100可以以改进的性能控制涡轮风扇发动机10以更接近失速操作，从而在下面的示例方式中实现上述的益处和优点。如图所示，控制器120被构造成接收指示与发动机的压缩机元件相关联的操作特性的数据130。例如，控制器120可以从传感器110接收数据130，该数据130指示与增压器22的压缩机元件相关联的操作特性。附加地或替代地，控制器120可以从传感器112接收数据130，该数据130指示与HP压缩机24的压缩机元件相关联的操作特性。附加地或替代地，控制器120可以从传感器114接收数据130，该数据130指示与风扇38的压缩机元件相关联的操作特性。数据130可以经由合适的有线或无线通信链路从传感器110、112、114中的一个或多个路由到控制器120。原始数据130可以在涡轮风扇发动机10的操作期间连续地路由到控制器120。数据130可以作为模拟和/或数字信号被路由。例如，图4以图形方式描绘了可以由控制器120接收的作为时间的函数的原始数据信号130。图4中描绘的原始数据信号130是模拟信号。原始数据信号130可以指示与压缩机元件相关联的操作特性。
例如，在一些示例实施例中，与压缩机元件相关联的操作特性是压缩机元件处的压力和温度中的至少一个。如上所述，传感器110、112、114可以是高带宽，高频压力传感器。在替代实施例中，传感器110、112、114可以是高带宽，高频温度传感器。在一些示例实施例中，压缩机元件可以是压缩机22、24中的一个的压缩机叶片84的阵列(图1)，并且操作特性可以是压缩机叶片84的阵列处的压力。特别地，当阵列的叶片旋转经过传感器时，压力传感器可以可操作以感测由叶片尖端旋涡引起的压力波动。在又一个示例中，压缩机元件可以是压缩机22或压缩机24，并且操作特性可以是压缩机22或压缩机24处的压力。作为又一示例，压缩机元件可以是压缩机22、24中的一个的单个压缩机叶片84，并且操作特性可以是单个压缩机叶片84处的压力。在进一步示例中，压缩机元件可以是风扇38或风扇38的单个叶片40，并且操作特性可以是叶片40处的压力。
原始数据130可以直接路由到机器学习模型126，并且可选地，还可以直接路由到数据整合模型128。控制器120被构造为至少部分地基于接收的数据130通过机器学习模型126来确定压缩机元件的失速裕度剩余132。例如，机器学习模型126的机器学习算法可以接收原始数据130，并且可以生成或确定高精度和高带宽失速裕度剩余信号132。如上所述，机器学习模型126可以是RNN或CNN模型。在一些实施例中，训练机器学习模型126以识别所接收的原始数据130的AC分量的一个或多个特性。例如，机器学习模型126可以识别原始数据传感器信号的AC分量的频率特性，幅度特性和/或其他模式或特性。可以训练机器学习模型以将原始数据传感器信号的AC分量的频率特性，幅度特性和/或其他模式或特性与压缩机元件的失速裕度剩余相关联。在机器学习模型126是RNN的实施例中，RNN可以使用其内部状态或存储器来处理输入序列，以精确且快速地确定失速裕度剩余132。另外，在其他实施例中，训练机器学习模型126以识别所接收的原始数据信号130的DC分量的一个或多个特性，以增强所确定的失速裕度剩余信号132的精确性。所确定的失速裕度剩余信号132可以由模型以与用于确定失速裕度剩余的常规方法相比等于或大于约十倍(10X)的信号变化改进输出。
图5提供了描绘在各种控制方案的瞬态事件期间压缩机元件的失速裕度剩余与时间的关系的图。例如，瞬态事件可以是突发。如所描绘的，图5中描绘的控制方案包括“没有CASM”系统控制方案NO_CASM，常规CASM系统控制方案C_CASM，并且根据本公开的发明方面，包括机器学习CASM系统控制方案ML_CASM。
如图5所示，对于NO_CASM控制方案，没有CASM系统用于在瞬态事件期间防止失速。如图所示，在瞬态事件期间，压缩机元件的失速裕度剩余最初迅速减小，并最终稳定在所需裕度，表示为R_TSM。值得注意的是，在没有CASM系统的情况下，由于系统以相对高的所需裕度或R_TSM操作，因此可以防止失速。但是，由于系统稳定得与失速相对较远，因此瞬态事件期间的性能并不理想。
对于C_CASM控制方案，使用常规的CASM系统在瞬态事件期间防止失速，并将失速裕度剩余驱动到失速裕度剩余目标，表示为C_TSM。如图所示，在瞬态事件期间，压缩机元件的失速裕度剩余最初迅速减小并且略微低于目标失速裕度C_TSM。此后，常规系统C_CASM例如通过调节到发动机的燃料来主动将压缩机元件的失速裕度剩余驱动到目标失速裕度C_TSM。因此，对于该示例，利用常规系统C_CASM防止失速；但是，值得注意的是，某些可操作性裕度丢失了，如由C_CASM的失速裕度剩余与失速线之间的间距表示的。
对于ML_CASM控制方案，根据本公开的机器学习控制方案用于在瞬态事件期间防止失速，并将失速裕度剩余驱动到尽可能接近失速线，例如，以增加压缩机元件(更广泛地说，发动机)的可操作性裕度。特别地，控制器120(图3)可以将目标失速裕度设置得更接近由ML_TSM表示的失速。如图所示，在瞬态事件期间，压缩机元件的失速裕度剩余最初迅速减小，然后平稳地稳定在目标失速裕度ML_CASM。因此，对于该示例，在瞬态事件期间利用机器学习系统ML_CASM来防止失速，并且与C_CASM和NO_CASM系统控制方案相比，压缩机元件的可操作性裕度得到改进，如通过将ML_CASM系统实现的相对于失速的失速裕度剩余的接近度与常规C_CASM和NO_CASM系统实现的相对于失速的失速裕度剩余的接近度相比而突出显示的。
如将在下面解释的，压缩机元件的失速裕度剩余可以由控制器120至少部分地基于接收到的高频传感器数据通过机器学习模型126(图3)来确定或生成，控制器120可以监测失速裕度剩余，并主动将失速裕度剩余132驱动到失速线附近或距失速(例如ML_TSM)某个裕度或目标处。例如，控制器120可以至少部分地基于所确定的失速裕度剩余来引起一个或多个发动机系统95(图3)的调节。例如，控制器120可以引起发动机的一个或多个可变几何形状的调节以跟踪设置的目标失速裕度。附加地或替代地，可以改变(例如减少)流向发动机的燃料。附加地或替代地，可以利用改变通过压缩机的质量流的其他方法。
图6提供了根据本主题的示例实施例的用于压缩机元件的主动稳定性管理的示例控制回路的框图。如图6所示，随着发动机操作，传感器110、112、114中的一个或多个可以感测与发动机的压缩机元件相关联的操作特性。例如，操作特性可以是如前所述的压缩机元件处的压力。可以将指示压缩机元件的操作特性的高带宽，高频原始数据130路由到控制器120的机器学习模型126。如上所述，机器学习模型126可以将原始高频压力数据130转换为失速裕度剩余信号132。即，机器学习模型126可以至少部分地基于接收的数据130来预测失速裕度剩余132。然后，失速裕度剩余信号132被路由到求和块140。在求和块140处，控制器120可以至少部分地基于所确定的失速裕度剩余132和由控制器120例如自动地或经由用户输入设置的目标失速裕度134来确定失速裕度误差138。例如，失速裕度误差138可以被计算为确定的失速裕度剩余132与目标失速裕度134之间的差。失速裕度误差138可以表示失速裕度剩余信号和目标失速裕度之间的裕度。例如，参考图5，失速裕度误差可以表示ML_CASM线的失速裕度剩余与目标失速裕度ML_TSM之间的裕度或差。
然后，可以将确定的失速裕度误差138输入到控制逻辑124中。控制逻辑124可以至少部分地基于确定的失速裕度误差138来输出一个或多个控制命令136。例如，输出控制命令136可提供用于引起一个或多个发动机系统95的调节的指令，使得失速裕度误差138被驱动为零(0)，或尽可能接近零(0)。以这样的方式，例如在如图5所示的瞬态事件期间，可以将失速裕度剩余信号132驱动到目标失速裕度134。因此，控制器120的一个或多个处理装置被构造为至少部分地基于确定的失速裕度误差138来引起一个或多个发动机系统95的调节，这最终改变通过压缩机元件的质量流，并因此将失速裕度剩余信号132驱动到目标失速裕度134。
在一些实施例中，在至少部分地基于接收的数据130通过机器学习模型126确定压缩机元件的失速裕度剩余132时，控制器120的一个或多个处理装置被构造为将接收的数据130拼接成数据子集，该数据子集指示发动机的一个或多个旋转过程中压缩机元件的操作特性。在这样的实施例中，压缩机元件的失速裕度剩余132至少部分地基于指示发动机的一个或多个旋转过程中压缩机元件的操作特性的数据子集来确定。
作为示例，图7以图形方式描绘了通过发动机的旋转而被拼接成数据子集的原始数据信号130以及至少部分地基于所拼接的数据信号确定的失速裕度剩余信号132。如图7所示，控制器120的一个或多个处理装置可以通过发动机的旋转将接收的数据130拼接成数据子集。例如，数据130可以被拼接成发动机的第一旋转的第一数据子集DS1REV，随后的发动机的第二旋转的第二数据子集DS2REV，以及随后的发动机的第三旋转的第三数据子集DS3REV。也就是说，基于发动机围绕其旋转轴线旋转所花费的时间，将数据拼接成子集。以这样的方式，发动机的旋转和数据拼接是同步的。如果压缩机元件与HP轴34(图2)可操作地联接，则发动机的旋转可以视为发动机的核心速度(N2)，或者如果压缩机元件与LP轴36或风扇38可操作地联接，则发动机的旋转可以视为发动机的风扇速度(N1)。
对于与发动机的旋转相关联的每个数据子集DS1REV,DS2REV,DS3REV，通过机器学习模型126确定相应的失速裕度剩余数据点。对于该示例，可以至少部分地基于与第一旋转相关联的拼接的第一数据子集DS1REV来确定失速裕度剩余SM1，可以至少部分地基于与第二旋转相关联的拼接的第二数据子集DS2REV来确定失速裕度剩余SM2，并且可以至少部分地基于与第三旋转相关联的拼接的第三数据子集DS3REV来确定失速裕度剩余SM3。可以随时间绘制数据点SM1，SM2和SM3。所确定的失速裕度剩余数据点SM1，SM2和SM3在被确定时可以被路由到控制逻辑124(图3)，使得失速裕度剩余可以被主动驱动到失速裕度剩余目标134(例如，以便可以将失速裕度误差138驱动到零(0))。
在其他实施例中，在至少部分地基于接收的数据130通过机器学习模型126来确定压缩机元件的失速裕度剩余132时，控制器120的一个或多个处理装置被构造为将接收的数据130拼接成数据子集，该数据子集指示与一个或多个计算装置(或者在该示例中，控制器120和/或控制器120是其控制装置的FADEC系统)的更新速率同步的更新间隔上的压缩机元件的操作特性。例如，如果FADEC具有X毫秒的更新速率，则可以以X毫秒的间隔拼接原始数据130。在这样的实施例中，至少部分地基于数据子集来确定压缩机元件的失速裕度剩余132，该数据子集指示与一个或多个计算装置的更新速率同步的更新间隔上的压缩机元件的操作特性。
作为示例，图8以图形方式描绘了通过与一个或多个计算装置的更新速率同步的更新间隔拼接的作为时间函数的原始数据信号130，以及至少部分地基于拼接的数据信号确定的失速裕度剩余信号132。如图8所示，一个或多个计算装置可以通过与一个或多个计算装置的更新速率(例如，时间步长)同步的更新间隔将接收的数据130拼接成数据子集。例如，数据130可以被拼接成第一更新间隔的第一数据子集DS1T，随后的第二更新间隔(可以是与第一更新间隔相同或不同的时间量)的第二数据子集DS2T，以及随后的第三更新间隔(可以是与第一更新间隔和/或第二更新间隔相同或不同的时间量)的第三数据子集DS3T。即，基于一个或多个计算装置刷新或更新所花费的时间，将数据130拼接成子集。一个或多个计算装置的更新速率可以是固定的或可变的，因此，取决于更新速率更新间隔也可以是固定的或可变的。
如图8所示，对于与更新间隔相关联的每个数据子集DS1T,DS2T,DS3T，通过机器学习模型126确定对应的失速裕度剩余数据点。对于该示例，可以至少部分地基于与第一更新间隔或时间段相关联的拼接的第一数据子集DS1T来确定失速裕度剩余SM1，可以至少部分地基于与第二更新间隔相关联的拼接的第二数据子集DS2T来确定失速裕度剩余SM2，以及可以至少部分地基于与第三更新间隔相关联的拼接的第三数据子集DS3T来确定失速裕度剩余SM3。可以将数据点SM1，SM2和SM3绘制为时间的函数。所确定的失速裕度剩余数据点SM1，SM2和SM3在被确定时可以被路由到控制逻辑124(图3)，使得失速裕度剩余可以被主动驱动到失速裕度剩余目标134(例如，以便可以将失速裕度误差138驱动到零(0))。如前所述，通过更新间隔来拼接数据具有某些优势。
有利地，在控制器120的一个或多个处理装置被构造为将接收的数据130拼接成指示与一个或多个计算装置的更新速率同步的更新间隔上的压缩机元件的操作特性的数据子集的实施例中，将数据130拼接成数据子集与更新速率进行同步可以提供拼接数据的有效计算和可预测时序，从而可以提供更容易且更有效的机器学习模型126的训练。此外，在控制器120的一个或多个处理装置被构造为将接收的数据130拼接成指示发动机的一个或多个旋转过程中压缩机元件的操作特性的数据子集的实施例中，由于发动机的旋转可能会或可能不会与控制器120和/或控制器120是其控制装置的FADEC系统的更新速率同步，基于数据子集确定失速裕度剩余可能需要更多的处理资源(例如，比上面提到的同步方法更多)，但可以提供更精确的结果(即，较小的信号方差)。
此外，在一些实施例中，机器学习模型126是多输入机器学习模型。在这样的实施例中，如图3所示，控制器120的一个或多个处理装置被构造为至少部分地基于接收的数据130，通过数据整合模型128来确定相关值134。此后，机器学习模型126然后如图所示接收相关值134。在这样的实施例中，至少部分地基于相关值134，通过机器学习模型126确定压缩机元件的失速裕度剩余132。例如，如图3所示，机器学习模型126可以将机器学习算法应用于从一个或多个传感器(例如，传感器110、112、114)接收的原始数据130以及从数据整合模型128接收的相关值134。如前所述，相关值134可以提供与压缩机元件的物理性质有关的洞察或信息(如果仅在原始传感器数据130上确定失速裕度剩余，其将不可用)。
在一些实施例中，相关值134描述了指示发动机的一个或多个第一旋转过程中压缩机元件的操作特性的第一信号与指示发动机的一个或多个第二旋转过程中压缩机元件的操作特性的第二信号之间的相关性。作为示例，图9提供了描绘第一信号(Rev 1)和随时间重叠第一信号Rev 1的第二信号(Rev 2)的图。对于该示例，第一信号(Rev 1)指示发动机的第一旋转过程中压缩机元件的压力，并且第二信号(Rev 2)指示发动机的随后的第二旋转过程中压缩机元件的压力。如上所述，两个信号随时间彼此重叠。相关值134是计算的数学值，其表示两个数据阵列如何相似，例如，第一信号(Rev 1)和第二信号(Rev 2)的模式如何彼此相似。数据整合模型128可以使用一个或多个傅立叶变换来确定第一信号(Rev 1)和第二信号(Rev 2)的各种特性，以便可以更容易且精确地比较信号的模式。如前所述，信号的模式越具有可比性，压缩机元件就越健康；相反，信号的模式越不具有可比性，压缩机元件就越不健康。除其他的益处和优点外，对压缩机元件的物理性质的洞察可以增强机器学习模型的能力，以快速且精确地处理失速裕度剩余132。
在其他实施例中，相关值134描述了指示与一个或多个计算装置的更新速率同步的第一时间间隔上的压缩机元件的操作特性的第一信号和指示与一个或多个计算装置(或者在该示例中，控制器120和/或控制器120是其控制装置的FADEC系统)的更新速率同步的第二时间间隔上的压缩机元件的操作特性的第二信号之间的相关性。在这样的实施例中，第二时间间隔在时间上晚于第一时间间隔。通过数据整合模型128以这种方式计算的相关值提供了如上所述的相似优点。
与用于确定失速裕度剩余的常规方法相比，基于来自高频传感器的数据通过利用机器学习模型确定压缩机元件的失速裕度剩余可以实现信号精度和变化的显著改进。例如，图10提供的图描绘了由本公开的机器学习模型输出的失速裕度剩余与给定发动机动力设置的压缩机元件的实际失速裕度剩余的关系，并且还描绘了由常规控制系统输出的失速裕度剩余与相同的给定发动机动力设置的压缩机元件的实际失速裕度剩余的关系。
如图10中所示，相对于理想失速裕度剩余(表示为Ideal)，示出了使用本文所述的机器学习信号处理控制方案取得的失速裕度剩余的平均值，表示为ML_Mean。此外，如图所示，相对于平均值ML_Mean，示出了正2西格玛标准偏差，表示为ML_+2σ，以及负2西格玛标准偏差，表示为ML_-2σ。值得注意的是，平均值ML_Mean(例如，从机器学习模型126输出的失速裕度剩余)几乎覆盖了理想失速裕度剩余Ideal。实际上，机器学习模型126可以生成或输出非常精确的失速裕度剩余信号。此外，与常规法相比，机器学习模型126可以输出具有较小信号变化的失速裕度剩余。例如，如图10所示，正2西格玛标准偏差ML_+2σ和负2西格玛标准偏差ML_-2σ几乎覆盖了平均值ML_Mean，这表明由机器学习模型126输出的失速裕度剩余信号几乎没有变化。
相比之下，如图10进一步所示，常规控制方法没有产生具有相同精度水平的失速裕度剩余信号来用于主动压缩机稳定性管理，并且还需要太多处理时间。在图10中，与通过常规方法计算或预测的失速裕度剩余相关联的平均值表示为C_Mean，并相对于理想失速裕度剩余Ideal示出。此外，如图10所示，相对于平均值C_Mean示出了正2西格玛标准偏差，表示为C_+2σ，以及负2西格玛标准偏差，表示为C_-2σ。值得注意的是，预测/计算的失速裕度剩余(即，常规处理方案输出的失速裕度剩余)的平均值C_Mean与理想失速裕度剩余Ideal相差相当大的裕度。此外，如图10所示，在某些情况下，正2西格玛标准偏差C_+2σ和负2西格玛标准偏差C_-2σ与预测失速裕度剩余信号的平均值C_Mean接近±10pts，表明由常规处理方案输出的预测失速裕度剩余信号存在显著变化。如将通过图10的图所理解的是，与常规控制方案相比，通过利用本文所述的机器学习模型处理高频传感器数据以确定失速裕度剩余，可以实现信号精度和变化的显著改进。
图11提供了根据本主题的实施例的用于控制涡轮发动机的示例性方法(400)的流程图。例如，方法(400)可以被实施为控制图1和图2的涡轮风扇发动机10。然而，方法(400)可以被实施为控制也具有压缩机元件的其他发动机。方法(400)中的一些或全部可以由本文描述的控制系统100实施。另外，将理解的是，在不脱离本主题的范围的情况下，可以以各种方式修改，调整，扩展，重新布置和/或省略示例性方法(400)。
在(402)处，方法(400)包括操作具有压缩机元件的发动机。例如，发动机可以是燃气涡轮发动机，例如图1和图2的涡轮风扇发动机10。此外，燃气涡轮发动机可以是另一种合适类型的燃气涡轮发动机，例如涡轮螺旋桨发动机，涡轮轴发动机，喷气发动机，航改燃气涡轮发动机，船用燃气涡轮发动机等。在其他实施例中，发动机可以是不同类型的涡轮发动机，例如蒸汽涡轮发动机。压缩机元件可以是任何合适的可旋转压缩机。例如，压缩机元件可以是图1和图2的涡轮风扇发动机10的增压器22，HP压缩机24和/或风扇38。在一些实施方式中，压缩机元件可以是压缩机叶片或定子轮叶的环形阵列。在其他实施例中，压缩机元件可以是环形阵列的单个叶片或轮叶。
在(404)处，方法(400)包括通过一个或多个计算装置接收指示与发动机的压缩机元件相关联的操作特性的数据。例如，一个或多个计算装置可以是本文描述的发动机控制器120。此外，指示与发动机的压缩机元件相关联的操作特性的数据可以是压缩机元件处的压力和压缩机元件处的温度中的至少一个。可以从定位在压缩机元件处或附近的一个或多个传感器路由数据。例如，一个或多个传感器可以是高带宽压力传感器。例如，参考图2，传感器可以包括沿着涡轮风扇发动机10的增压器22定位的传感器110，沿着HP压缩机24定位的传感器112，和/或沿着风扇38定位的传感器114。数据可以作为模拟信号被接收，例如，如图4所示。传感器读取与压缩机元件相关联的操作特性(例如，压缩机元件处的压力波动)的频率可以约为一个或多个计算装置(例如，FADEC的控制器120)的更新速率的两千倍(2,000X)。
在(406)处，方法(400)包括至少部分地基于接收的数据，通过一个或多个计算装置的机器学习模型确定压缩机元件的失速裕度剩余。例如，一个或多个计算装置的机器学习模型126可以将指示与压缩机元件相关联的操作特性的原始传感器数据转换为压缩机元件的失速裕度剩余，例如，如图5中的ML_CASM线所示。与例如图10所示的常规处理方案相比，机器学习模型126的机器学习算法可以确定高度准确和高带宽失速裕度剩余信号132。
在一些实施方式中，机器学习模型126是神经网络。例如，在一些实施方式中，机器学习模型126是递归神经网络(RNN)和卷积神经网络(CNN)中的一个。在一些实施方式中，训练机器学习模型126以识别所接收的原始数据130的AC分量的一个或多个特性。例如，机器学习模型126可以识别原始数据传感器信号的AC分量的频率特性，幅度特性和/或其他模式或特性。可以训练机器学习模型以将原始数据传感器信号的AC分量的频率特性，幅度特性和/或其他模式或特性与压缩机元件的失速裕度剩余相关联。另外，在其他实施方式中，训练机器学习模型126以识别所接收的原始数据信号130的DC分量的一个或多个特性，以增强所确定的失速裕度剩余信号132的精确性。所确定的失速裕量剩余信号132可以由模型以与用于确定失速裕量剩余的常规方法相比等于或大于约十倍(10X)的信号变化改进输出。
在一些实施方式中，方法(400)包括将接收的数据拼接成数据子集，该数据子集各自指示发动机的旋转过程中压缩机元件的操作特性。在这样的实施方式中，至少部分地基于各自指示发动机的旋转过程中压缩机元件的操作特性的数据子集，通过一个或多个计算装置的机器学习模型确定压缩机元件的失速裕度剩余。如图7所示，一个或多个计算装置可以通过发动机的旋转将接收的数据130拼接成数据子集。例如，数据130可以拼接成发动机的第一旋转的第一数据子集DS1REV，发动机的随后的第二旋转的第二数据子集DS2REV，以及发动机的随后的第三旋转的第三数据子集DS3REV。也就是说，可以基于发动机围绕其旋转轴线旋转所花费的时间将数据拼接成子集。因此，在一些实施方式中，数据的拼接是与发动机的旋转同步。
如前所述，对于与发动机的旋转相关联的每个数据子集DS1REV,DS2REV,DS3REV，通过机器学习模型126确定相应的失速裕量剩余数据点。对于该示例，可以至少部分地基于与第一旋转相关联的拼接的第一数据子集DS1REV来确定失速裕度剩余SM1，可以至少部分地基于与第二旋转相关联的拼接的第二数据子集DS2REV来确定失速裕度剩余SM2，以及可以至少部分地基于与第三旋转相关联的拼接的第三数据子集DS3REV来确定失速裕度剩余SM3。可以将数据点SM1，SM2和SM3绘制为时间的函数。所确定的失速裕度剩余数据点SM1，SM2和SM3可以在确定时被路由到控制逻辑124(图3)，使得可以将失速裕度剩余主动驱动到失速裕度剩余目标134。如先前所解释的，如果压缩机元件与HP轴34(图2)可操作地联接，则发动机的旋转可以基于发动机的核心速度(N2)，或者如果压缩机元件与LP轴36或风扇38可操作地联接，则发动机的旋转可以基于发动机的风扇速度(N1)。如前所述，通过发动机的旋转来拼接数据具有某些优点。
在其他实施方式中，方法(400)包括将接收的数据拼接成数据子集，该数据子集各自指示与一个或多个计算装置的更新速率同步的更新间隔上的压缩机元件的操作特性。在这样的实施方式中，至少部分地基于各自指示与一个或多个计算装置的更新速率同步的更新间隔上的压缩机元件的操作特性的数据子集，通过一个或多个计算装置的机器学习模型来确定压缩机元件的失速裕度剩余。如图8所示，一个或多个计算装置可以通过与一个或多个计算装置的更新速率同步的更新间隔将接收的数据130拼接成数据子集。例如，数据130可以拼接成第一更新间隔的第一数据子集DS1T，随后的第二更新间隔(其可以是与第一更新间隔相同或不同的时间量)的第二数据子集DS2T，以及随后的第三更新间隔(其可以是与第一更新间隔和/或第二更新间隔相同或不同的时间量)的第三数据子集DS3T。一个或多个计算装置的更新速率可以是固定的或可变的，因此，取决于更新速率更新间隔也可以是固定的或可变的。
如图8所示，对于与更新间隔相关联的每个数据子集DS1T，DS2T，DS3T，通过机器学习模型126确定对应的失速裕度剩余数据点。对于该示例，可以至少部分地基于与第一更新间隔相关联的拼接的第一数据子集DS1T来确定失速裕度剩余SM1，可以至少部分地基于与第二更新间隔相关联的拼接的第二数据子集DS2T来确定失速裕量剩余SM2，并且可以至少部分地基于与第三更新间隔相关联的拼接的第三数据子集DS3T来确定失速裕度剩余SM3。可以将数据点SM1，SM2和SM3绘制为时间的函数。确定的失速裕度剩余数据点SM1，SM2和SM3可以在确定时被路由到控制逻辑124(图3)，使得可以将失速裕度剩余主动驱动到失速裕度剩余目标134。如前所述，通过更新间隔来拼接数据具有某些优点。
在进一步实施方式中，方法(400)包括至少部分地基于所接收的数据，通过一个或多个计算装置的数据整合模型来确定相关值，其中，相关值描述了指示第一时间段上的压缩机元件的操作特性的第一信号与指示第二时间段上的压缩机元件的操作特性的第二信号之间的相关性，第二时间段在时间上晚于第一时间段。方法(400)还可包括通过一个或多个计算装置的机器学习模型接收相关值。在这样的实施方式中，至少部分地基于相关值，通过机器学习模型来确定压缩机元件的失速裕度剩余。
例如，在一些实施方式中，机器学习模型126是多输入机器学习模型。在这样的实施方式中，如图3所示，控制器120的一个或多个处理装置被构造为至少部分地基于所接收的数据130，通过数据整合模型128来确定相关值134。此后，机器学习模型126可以接收相关值134。在这样的实施方式中，至少部分地基于相关值134，通过机器学习模型126来确定压缩机元件的失速裕度剩余132。例如，如图3所示，机器学习模型126可以将机器学习算法应用于从一个或多个传感器(例如，传感器110、112、114)接收的原始数据130以及从数据整合模型128接收的相关值134。相关值134可以提供与压缩机元件的物理性质有关的洞察或信息。
在一些实施方式中，相关值134描述指示第一时间段上的压缩机元件的操作特性的第一信号与指示第二时间段上的压缩机元件的操作特性的第二信号之间的相关性，第二时间段在时间上晚于第一时间段。例如，在一些实施方式中，第一时间段可以与发动机的第一旋转相关联，并且第二时间段可以与发动机的第二旋转相关联。第二旋转可以是第一旋转的随后旋转。因此，在这样的实施方式中，第一信号可以指示发动机的第一旋转过程中压缩机元件的操作特性，第二信号可以指示发动机的随后的第二旋转过程中压缩机元件的操作特性。
在一些实施方式中，相关值表示两个数据阵列如何相似，例如，第一信号和第二信号的模式彼此如何相似。例如，参考图9，第一信号(Rev 1)和第二信号(Rev 2)被示出为随时间彼此重叠。对于该示例，第一信号(Rev 1)指示发动机的第一旋转过程中压缩机元件的压力，第二信号(Rev 2)指示发动机的随后的第二旋转过程中压缩机元件的压力。数据整合模型128可以使用一个或多个傅立叶变换来确定第一信号(Rev 1)和第二信号(Rev 2)的各种特性，以便可以更容易且更精确地比较信号的模式或特性。信号的模式越具有可比性，压缩机元件就越健康；相反，信号的模式越不具有可比性，压缩机元件就越不健康。除其他的益处和优点外，对压缩机元件的物理性质的洞察可以增强机器学习模型快速且精确地处理失速裕度剩余132的能力。
在一些其他实施方式中，第一时间段可以与第一固定间隔相关联，第二时间段可以与第二固定间隔相关联。第二固定间隔可以是第一固定间隔的后续间隔。因此，在这样的实施方式中，第一信号可以指示第一固定间隔上的压缩机元件的操作特性，并且第二信号可以指示第二固定间隔上的压缩机元件的操作特性。
在(408)处，方法(400)包括至少部分地基于所确定的失速裕度剩余，通过一个或多个计算装置引起发动机的一个或多个发动机系统的调节。例如，可以调节一个或多个发动机系统，使得可以改变通过或穿过压缩机元件的质量流。这样，可以避免压缩机失速。
例如，在一些实施方式中，一个或多个发动机系统可包括一个或多个可变几何形状部件。因此，在这样的实施方式中，在(408)处至少部分地基于确定的失速裕度剩余，通过一个或多个计算装置引起发动机的一个或多个发动机系统的调节包括至少部分地基于所确定的失速裕度剩余，通过一个或多个计算装置引起一个或多个可变几何形状部件的调节。例如，可变几何形状部件可以包括图2中描绘的可变几何形状部件86。
在其他实施方式中，一个或多个发动机系统可以包括燃料系统，并且更具体地，燃料系统的燃料计量装置。因此，在这样的实施方式中，在(408)处至少部分地基于确定的失速裕度剩余，通过一个或多个计算装置引起发动机的一个或多个发动机系统的调节包括至少部分地基于所确定的失速裕度剩余，通过一个或多个计算装置引起燃料计量装置的调节。例如，燃料计量装置可以包括图2所示的燃料计量装置92。当调节燃料计量装置时，对于特定的动力设置，可以改变到燃烧器26的燃料质量流。
在其他实施方式中，一个或多个发动机系统可包括发动机的风扇或可操作地连接至其的螺旋桨。在这样的实施方式中，在(408)处至少部分地基于确定的失速裕度剩余，通过一个或多个计算装置引起发动机的一个或多个发动机系统的调节包括至少部分地基于所确定的失速裕度剩余，通过一个或多个计算装置引起发动机的风扇的调节。例如，风扇可以是图2中描绘的风扇38。在其他实施方式中，风扇可以是与发动机可操作地联接的螺旋桨。在一些实施方式中，风扇的调节可以是给定动力设置的风扇速度的调节。附加地或替代地，在一些实施方式中，风扇或螺旋桨的调节可以是风扇或螺旋桨叶片绕其各自轴线的桨距的调节。
在一些进一步实施方式中，一个或多个发动机系统可包括例如沿发动机的核心空气流动路径定位的一个或多个引气阀。在这样的实施方式中，在(408)处至少部分地基于确定的失速裕度剩余，通过一个或多个计算装置引起发动机的一个或多个发动机系统的调节包括至少部分地基于所确定的失速裕度剩余，通过一个或多个计算装置引起发动机的引气阀的调节。例如，引气阀可以是图2所示的引气阀88。引气阀的调节可以改变通过发动机的核心空气流动路径的质量流，并且因此改变通过压缩机元件的质量流。
在一些实施方式中，方法(400)包括通过一个或多个计算装置设置与压缩机元件相关联的目标失速裕度剩余。控制器120可以自动地或基于例如来自飞行员的用户输入来设置失速裕度目标。失速裕度目标被设置在比失速更高的裕度并且偏离失速，以便在发动机的操作线和失速之间有足够的裕度。例如，如图5所示，控制器120可以设置目标失速裕度ML_TSM，使得其偏移失速期望的裕度。
此外，在一些实施方式中，方法(400)包括至少部分地基于所确定的失速裕度剩余和目标失速裕度剩余来确定失速裕度误差。在这样的实施方式中，一个或多个计算装置至少部分地基于所确定的失速裕度误差引起一个或多个发动机系统的调节。例如，如图6所示，机器学习模型126可以输出失速裕度剩余132。在求和块140处，可以确定输出失速裕度剩余132与目标失速裕度之间的差。该差是失速裕度误差138。失速裕度误差138可以被路由到控制逻辑124，使得可以至少部分地基于所确定的失速裕度误差138来确定用于调节一个或多个发动机系统95的指令。控制逻辑124可以至少部分地基于失速裕度误差138来生成指示用于调节一个或多个发动机系统95的指令的一个或多个命令。控制命令136可以被路由到发动机系统95，例如，使得发动机系统95可以改变通过压缩机元件的质量流，使得失速裕度误差138最终被驱动到零(0)。换句话说，基于控制命令136调节发动机系统95，使得失速裕度剩余被驱动到目标失速裕度134。
图12提供了根据本主题的实施例的用于控制涡轮发动机的示例性方法(450)的流程图。例如，方法(450)可以被实施以控制图1和图2的涡轮风扇发动机10。然而，方法(450)也可以被实施以控制其他类型和构造的涡轮发动机。方法(450)中的一些或全部可以由本文描述的控制系统100实施。另外，将理解的是，在不脱离本主题的范围的情况下，可以以各种方式修改，调整，扩展，重新布置和/或省略示例性方法(450)。
在(452)处，方法(450)包括操作涡轮发动机。例如，发动机可以是燃气涡轮发动机，例如图1和图2的涡轮风扇发动机10。此外，燃气涡轮发动机可以是另一种合适类型的燃气涡轮发动机，例如涡轮螺旋桨发动机，涡轮轴发动机，喷气发动机，航改燃气涡轮发动机，船用燃气涡轮发动机等。在其他实施例中，发动机可以是不同类型的涡轮发动机，例如蒸汽涡轮发动机。
在(454)处，方法(450)包括通过一个或多个计算装置设置与涡轮发动机相关联的目标信号。例如，目标信号可以是目标失速裕度，例如如图5所示。在其他实施方式中，目标信号可以是例如旨在改进发动机性能，效率，推力等的发动机的任何其他目标，阈值或操作线。
在(456)处，方法(450)包括通过一个或多个计算装置接收指示与涡轮发动机相关联的操作特性的数据。例如，数据可以是从高带宽，高频传感器接收的高频数据。操作特性可以是指示涡轮发动机的操作状况(例如压力，温度等)的任何合适的特性。数据可以作为模拟信号被接收，例如如图4所示。传感器读取与涡轮发动机相关联的操作特性的频率可以是一个或多个计算装置(例如，FADEC系统的控制器120)的更新速率的大约2000倍(2,000X)。
在(458)处，方法(450)包括至少部分地基于接收的数据，通过一个或多个计算装置的机器学习模型来预测信号。例如，机器学习模型可以预测可用于控制发动机的信号(例如，失速裕度剩余)。机器学习模型可以基于本文所述的任何技术或方法来预测信号。此外，可以训练在控制处理器上(例如，在FADEC系统的一个或多个计算装置上)运行的机器学习模型来实时解释传感器数据，以预测，转换或以其他方式确定与但不限于以下内容有关的信号：部件可操作性或失速裕度(如上所述的)，部件健康状况(例如，劣化，管道破裂，管线泄漏等)，振动信号处理和/或传感器故障检测。
在(460)处，方法(450)包括至少部分地基于预测的信号和目标信号，通过一个或多个计算装置来确定信号误差。例如，可以将信号误差计算为预测信号与目标信号之间的差。
在(462)处，方法(450)包括至少部分地基于所确定的信号误差，通过一个或多个计算装置引起涡轮发动机的一个或多个发动机系统的调节。一个或多个计算装置可引起发动机系统的调节，以将信号误差驱动到零(0)，或者换句话说，一个或多个计算装置可引起发动机系统的调节，以将预测信号驱动到目标信号。这样，可以实现发动机的期望性能，效率等。在其他实施方式(例如目标信号和预测信号与部件健康有关的实施方式)中，在(462)处，一个或多个计算装置可以引起发动机系统的调节来以不同方式使用或操作特定部件(例如，不健康部件)，例如，以延长发动机的飞行时间(time-on-wing)。在进一步实施方式(例如目标信号和预测信号与振动信号处理有关的实施方式)中，在(462)处，一个或多个计算装置可以引起发动机系统的调节，例如以总体上减小发动机的振动或减小特定的发动机部件遭受不希望的振动量。
图13提供了根据本公开的示例实施例的示例计算系统500。例如，本文描述的控制器120可以包括各种部件并且执行以下描述的计算系统500的各种功能。
如图13所示，计算系统500可以包括一个或多个计算装置510。计算装置510可以包括一个或多个处理器510A和一个或多个存储器装置510B。一个或多个处理器510A可以包括任何合适的处理装置，例如微处理器，微控制器，集成电路，逻辑装置和/或其他合适的处理装置。一个或多个存储器装置510B可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质，RAM，ROM，硬盘驱动器，闪存驱动器和/或其他存储器装置。
一个或多个存储器装置510B可以存储可由一个或多个处理器510A访问的信息，包括可以由一个或多个处理器510A执行的计算机可读指令510C。指令510C可以是在由一个或多个处理器510A执行时使一个或多个处理器510A施行操作的任何指令集。在一些实施例中，指令510C可以由一个或多个处理器510A执行以使一个或多个处理器510A施行诸如计算系统500和/或计算装置510被构造用于的操作和功能中的任何一个的操作，例如，用于控制如本文所述的发动机的操作。例如，方法(400)，(450)可以全部或部分地通过计算系统500实施。因此，方法(400)，(450)可以至少部分地是计算机实施的方法，使得方法(400)，(450)中的至少一些步骤通过一个或多个计算装置(例如计算系统500的示例性计算装置510)施行。指令510C可以是以任何合适的编程语言编写或者可以在硬件中实施的软件。附加地和/或替代地，指令510C可以在处理器510A上的逻辑和/或虚拟分离线程中执行。存储器装置510B可以进一步存储可以由处理器510A访问的数据510D。例如，数据510D可以包括模型，数据库等。
计算装置510还可以包括网络接口510E，该网络接口510E用于例如与系统500的其他部件进行通信(例如，经由网络)。网络接口510E可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射机，接收机，端口，控制器，天线和/或其他合适的部件。一个或多个外部装置(例如远程计算系统200(图2))可以被构造为从计算装置510接收一个或多个命令或数据，或向计算装置510提供一个或多个命令或数据。
本文讨论的技术参考了基于计算机的系统以及由基于计算机的系统采取的动作，以及发送到基于计算机的系统的信息和来自基于计算机的系统的信息。本领域的普通技术人员将认识到，基于计算机的系统的固有灵活性允许部件之间和部件之中的任务和功能的多种可能的构造，组合和划分。例如，可以使用单个计算装置或组合工作的多个计算装置来实施本文讨论的处理。数据库，存储器，指令和应用可以在单个系统上实施，或跨多个系统分布。分布式部件可以顺序或并行操作。
尽管可以在一些附图中而不是在其他附图中示出各种实施例的特定特征，但这仅是为了方便。根据本公开的原理，可以结合任何其他附图的任何特征来参考和/或要求保护附图的任何特征。
该书面描述使用示例来公开本发明，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发明，包括制造和使用任何装置或系统以及施行任何结合的方法。本发明的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包括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通过以下条项的主题提供：
1.一种用于具有压缩机元件的发动机的控制系统，所述控制系统包括：一个或多个计算装置，所述一个或多个计算装置具有一个或多个存储器装置和一个或多个处理装置，所述一个或多个存储器装置存储能够由所述一个或多个处理装置执行以施行操作的计算机可读指令，在施行所述操作时，所述一个或多个处理装置被构造为：接收指示与所述压缩机元件相关联的操作特性的数据；至少部分地基于所接收的数据通过机器学习模型确定所述压缩机元件的失速裕度剩余。
2.根据任何在前条项的控制系统，其中，所述一个或多个处理装置进一步被构造为：至少部分地基于所确定的失速裕度剩余来引起一个或多个发动机系统的调节。
3.根据任何在前条项的控制系统，其中，所述一个或多个处理装置进一步被构造为：至少部分地基于所确定的失速裕度剩余和目标失速裕度剩余来确定失速裕度误差，并且其中，所述一个或多个处理装置被构造为至少部分地基于所确定的失速裕度误差来引起所述一个或多个发动机系统的调节。
4.根据任何在前条项的控制系统，其中，所述机器学习模型是神经网络。
5.根据任何在前条项的控制系统，其中，所述神经网络是递归神经网络和卷积神经网络中的至少一个。
6.根据任何在前条项的控制系统，其中，所述一个或多个处理装置被构造为从高频传感器接收指示与所述压缩机元件相关联的所述操作特性的所述数据。
7.根据任何在前条项的控制系统，其中，在至少部分地基于所接收的数据通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余时，所述一个或多个处理装置被构造为：将所接收的数据拼接成数据子集，所述数据子集指示所述发动机的一个或多个旋转过程中所述压缩机元件的所述操作特性，并且其中，至少部分地基于所述数据子集确定所述压缩机元件的所述失速裕度剩余。
8.根据任何在前条项的控制系统，其中，在至少部分地基于所接收的数据通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余时，所述一个或多个处理装置被构造为：将所接收的数据拼接成数据子集，所述数据子集指示与所述一个或多个计算装置的更新速率同步的更新间隔上的所述压缩机元件的所述操作特性，并且其中，至少部分地基于所述数据子集确定所述压缩机元件的所述失速裕度剩余。
9.根据任何在前条项的控制系统，其中，所述机器学习模型是多输入机器学习模型，并且其中，所述一个或多个处理装置进一步被构造为：至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示所述发动机的一个或多个第一旋转过程中所述压缩机元件的所述操作特性的第一信号与指示所述发动机的一个或多个第二旋转过程中所述压缩机元件的所述操作特性的第二信号之间的相关性；通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且其中，至少部分地基于所述相关值，通过所述机器学习模型来确定所述压缩机元件的所述失速裕度剩余。
10.根据任何在前条项的控制系统，其中，在至少部分地基于所接收的数据通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余时，所述一个或多个处理装置被构造为：以固定间隔将所接收的数据拼接成指示所述压缩机元件的所述操作特性的数据子集，并且其中，至少部分地基于所述数据子集确定所述压缩机元件的所述失速裕度剩余。
11.根据任何在前条项的控制系统，其中，训练所述机器学习模型，以识别指示与所述压缩机元件相关联的所述操作特性的所接收的数据的AC分量的一个或多个特性。
12.根据任何在前条项的控制系统，其中，训练所述机器学习模型，以识别指示与所述压缩机元件相关联的所述操作特性的所接收的数据的DC分量的一个或多个特性。
13.一种方法，包括：操作具有压缩机元件的发动机；通过一个或多个计算装置接收指示与所述发动机的所述压缩机元件相关联的操作特性的数据；至少部分地基于所接收的数据，通过所述一个或多个计算装置的机器学习模型确定所述压缩机元件的失速裕度剩余。
14.根据任何在前条项的方法，进一步包括：通过所述一个或多个计算装置设置与所述压缩机元件相关联的目标失速裕度剩余。
15.根据任何在前条项的方法，进一步包括：至少部分地基于所确定的失速裕度剩余和所述目标失速裕度剩余来确定失速裕度误差；和至少部分地基于所确定的失速裕度误差，通过所述一个或多个计算装置引起所述发动机的一个或多个发动机系统的调节。
16.根据任何在前条项的方法，其中，所述机器学习模型是神经网络，并且其中，所述神经网络是递归神经网络和卷积神经网络中的一个。
17.根据任何在前条项的方法，进一步包括：将所接收的数据拼接成各自指示所述发动机的旋转过程中所述压缩机元件的所述操作特性的数据子集，并且其中，至少部分地基于各自指示所述发动机的旋转过程中所述压缩机元件的所述操作特性的所述数据子集，通过所述一个或多个计算装置的所述机器学习模型确定所述压缩机元件的所述失速裕度剩余。
18.根据任何在前条项的方法，进一步包括：将所接收的数据拼接成各自指示与所述一个或多个计算装置的更新速率同步的更新间隔上的所述压缩机元件的所述操作特性的数据子集，并且其中，至少部分地基于各自指示与所述一个或多个计算装置的更新速率同步的更新间隔上的所述压缩机元件的所述操作特性的所述数据子集，通过所述一个或多个计算装置的所述机器学习模型确定所述压缩机元件的所述失速裕度剩余。
19.根据任何在前条项的方法，进一步包括：至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示第一时间段上的所述压缩机元件的所述操作特性的第一信号与指示第二时间段上的所述压缩机元件的所述操作特性的第二信号之间的相关性，所述第二时间段在时间上晚于所述第一时间段；和通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且其中，至少部分地基于所述相关值通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余。
20.一种用于控制涡轮发动机的方法，所述方法包括：操作所述涡轮发动机；通过一个或多个计算装置设置与所述涡轮发动机相关联的目标信号；通过所述一个或多个计算装置接收指示与所述涡轮发动机相关联的操作特性的数据；至少部分地基于所接收的数据，通过所述一个或多个计算装置的机器学习模型预测信号；至少部分地基于所预测的信号和所述目标信号，通过所述一个或多个计算装置确定信号误差，以及至少部分地基于所确定的信号误差，通过所述一个或多个计算装置引起所述涡轮发动机的一个或多个发动机系统的调节。

Claims (15)

1.一种用于具有压缩机元件的发动机的控制系统，其特征在于，所述控制系统包括：
一个或多个计算装置，所述一个或多个计算装置具有一个或多个存储器装置和一个或多个处理装置，所述一个或多个存储器装置存储能够由所述一个或多个处理装置执行以施行操作的计算机可读指令，在施行所述操作时，所述一个或多个处理装置被构造为：
接收指示与所述压缩机元件相关联的操作特性的数据；
将所接收的数据拼接成数据子集，所述数据子集指示所述压缩机元件的所述操作特性，其中所述压缩机元件的所述操作特性是与所述一个或多个计算装置的更新速率同步的更新间隔上的所述压缩机元件的所述操作特性；
至少部分地基于所述数据子集通过机器学习模型确定所述压缩机元件的失速裕度剩余；
其中，所述机器学习模型是多输入机器学习模型，并且其中，所述一个或多个处理装置进一步被构造为：
至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示所述发动机的一个或多个第一旋转过程中所述压缩机元件的所述操作特性的第一信号与指示所述发动机的一个或多个第二旋转过程中所述压缩机元件的所述操作特性的第二信号之间的相关性；
通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且
其中，至少部分地基于所述相关值，通过所述机器学习模型来确定所述压缩机元件的所述失速裕度剩余。
2.根据权利要求1所述的控制系统，其特征在于，其中，所述一个或多个处理装置进一步被构造为：
至少部分地基于所确定的失速裕度剩余来引起一个或多个发动机系统的调节。
3.根据权利要求2所述的控制系统，其特征在于，其中，所述一个或多个处理装置进一步被构造为：
至少部分地基于所确定的失速裕度剩余和目标失速裕度剩余来确定失速裕度误差，并且
其中，所述一个或多个处理装置被构造为至少部分地基于所确定的失速裕度误差来引起所述一个或多个发动机系统的调节。
4.根据权利要求1所述的控制系统，其特征在于，其中，所述机器学习模型是神经网络。
5.根据权利要求4所述的控制系统，其特征在于，其中，所述神经网络是递归神经网络和卷积神经网络中的至少一个。
6.根据权利要求1所述的控制系统，其特征在于，其中，所述一个或多个处理装置被构造为从高频传感器接收指示与所述压缩机元件相关联的所述操作特性的所述数据。
7.根据权利要求1所述的控制系统，其特征在于，其中，在至少部分地基于所接收的数据通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余时，所述一个或多个处理装置被构造为：
以固定间隔将所接收的数据拼接成指示所述压缩机元件的所述操作特性的数据子集，并且
其中，至少部分地基于所述数据子集确定所述压缩机元件的所述失速裕度剩余。
8.根据权利要求1所述的控制系统，其特征在于，其中，训练所述机器学习模型，以识别指示与所述压缩机元件相关联的所述操作特性的所接收的数据的AC分量的一个或多个特性。
9.根据权利要求8所述的控制系统，其特征在于，其中，训练所述机器学习模型，以识别指示与所述压缩机元件相关联的所述操作特性的所接收的数据的DC分量的一个或多个特性。
10.一种用于控制发动机的方法，其特征在于，包括：
操作具有压缩机元件的发动机；
通过一个或多个计算装置接收指示与所述发动机的所述压缩机元件相关联的操作特性的数据；
将所接收的数据拼接成各自指示所述压缩机元件的所述操作特性的数据子集，其中所述压缩机元件的所述操作特性是与所述一个或多个计算装置的更新速率同步的更新间隔上的所述压缩机元件的所述操作特性；
至少部分地基于各自指示所述压缩机元件的所述操作特性的所述数据子集，通过所述一个或多个计算装置的机器学习模型确定所述压缩机元件的失速裕度剩余；
其中，所述一个或多个计算装置具有一个或多个存储器装置和一个或多个处理装置，所述机器学习模型是多输入机器学习模型，并且其中，所述一个或多个处理装置进一步被构造为：
至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示所述发动机的一个或多个第一旋转过程中所述压缩机元件的所述操作特性的第一信号与指示所述发动机的一个或多个第二旋转过程中所述压缩机元件的所述操作特性的第二信号之间的相关性；
通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且
其中，至少部分地基于所述相关值，通过所述机器学习模型来确定所述压缩机元件的所述失速裕度剩余。
11.根据权利要求10所述的方法，其特征在于，进一步包括：
通过所述一个或多个计算装置设置与所述压缩机元件相关联的目标失速裕度剩余。
12.根据权利要求11所述的方法，其特征在于，进一步包括：
至少部分地基于所确定的失速裕度剩余和所述目标失速裕度剩余来确定失速裕度误差；和
至少部分地基于所确定的失速裕度误差，通过所述一个或多个计算装置引起所述发动机的一个或多个发动机系统的调节。
13.根据权利要求10所述的方法，其特征在于，其中，所述机器学习模型是神经网络，并且其中，所述神经网络是递归神经网络和卷积神经网络中的一个。
14.根据权利要求10所述的方法，其特征在于，进一步包括：
至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示第一时间段上的所述压缩机元件的所述操作特性的第一信号与指示第二时间段上的所述压缩机元件的所述操作特性的第二信号之间的相关性，所述第二时间段在时间上晚于所述第一时间段；和
通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且
其中，至少部分地基于所述相关值通过所述机器学习模型确定所述压缩机元件的所述失速裕度剩余。
15.一种用于控制涡轮发动机的方法，其特征在于，所述方法包括：
操作所述涡轮发动机；
通过一个或多个计算装置设置与所述涡轮发动机相关联的目标信号；
通过所述一个或多个计算装置接收指示与所述涡轮发动机相关联的操作特性的数据；
将所接收的数据拼接成指示所述涡轮发动机的所述操作特性的数据子集，其中所述涡轮发动机的所述操作特性是与所述一个或多个计算装置的更新速率同步的更新间隔上的所述涡轮发动机的所述操作特性；
至少部分地基于指示所述涡轮发动机的所述操作特性的所述数据子集，通过所述一个或多个计算装置的机器学习模型预测信号；
至少部分地基于所预测的信号和所述目标信号，通过所述一个或多个计算装置确定信号误差，以及
至少部分地基于所确定的信号误差，通过所述一个或多个计算装置引起所述涡轮发动机的一个或多个发动机系统的调节；
其中，所述一个或多个计算装置具有一个或多个存储器装置和一个或多个处理装置，所述机器学习模型是多输入机器学习模型，并且其中，所述一个或多个处理装置进一步被构造为：
至少部分地基于所接收的数据，通过所述一个或多个计算装置的数据整合模型确定相关值，其中，所述相关值描述指示所述发动机的一个或多个第一旋转过程中压缩机元件的所述操作特性的第一信号与指示所述发动机的一个或多个第二旋转过程中所述压缩机元件的所述操作特性的第二信号之间的相关性；
通过所述一个或多个计算装置的所述机器学习模型接收所述相关值，并且
其中，至少部分地基于所述相关值，通过所述机器学习模型来确定所述压缩机元件的失速裕度剩余。
CN202010141280.3A 2019-03-06 2020-03-04 机器学习在处理涡轮发动机的高频传感器信号中的应用 Active CN111664009B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US16/294,358 US11892003B2 (en) 2019-03-06 2019-03-06 Application of machine learning to process high-frequency sensor signals of a turbine engine
US16/294,358 2019-03-06

Publications (2)

Publication Number Publication Date
CN111664009A CN111664009A (zh) 2020-09-15
CN111664009B true CN111664009B (zh) 2024-01-23

Family

ID=69770514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010141280.3A Active CN111664009B (zh) 2019-03-06 2020-03-04 机器学习在处理涡轮发动机的高频传感器信号中的应用

Country Status (3)

Country Link
US (1) US11892003B2 (zh)
EP (1) EP3705726B1 (zh)
CN (1) CN111664009B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201908494D0 (en) * 2019-06-13 2019-07-31 Rolls Royce Plc Computer-implemented methods for training a machine learning algorithm
US11725594B2 (en) 2020-08-31 2023-08-15 General Electric Company Hybrid electric engine speed regulation
CN112464563A (zh) * 2020-11-27 2021-03-09 河北建设投资集团有限责任公司 一种蒸汽涡轮机故障诊断的数据挖掘方法
EP4123120A1 (en) * 2021-07-19 2023-01-25 General Electric Company Method for balancing a rotating system
US11860060B2 (en) 2022-04-05 2024-01-02 Rtx Corporation Integrally bladed rotor analysis and repair systems and methods
US20230315951A1 (en) * 2022-04-05 2023-10-05 Raytheon Technologies Corporation Systems and methods for inspected bladed rotor analysis
CN115059634B (zh) * 2022-06-14 2023-04-18 重庆英科铸数网络科技有限公司 鼓风设备的故障诊断方法及装置、电子设备
US20240017823A1 (en) * 2022-07-18 2024-01-18 Textron Innovations Inc. Optimizing usage of supplemental engine power
US12006880B2 (en) 2022-09-12 2024-06-11 General Electric Company High bandwidth control of turbofan/turboprop thrust response using embedded electric machines

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000047986A (ko) * 1998-12-11 2000-07-25 레비스 스테픈 이 가스 터빈 엔진 제어 시스템
WO2014099071A2 (en) * 2012-09-28 2014-06-26 United Technologies Corporation Real time model based compressor control
CN106907345A (zh) * 2015-12-22 2017-06-30 通用电气公司 用于根据发动机健康的失速裕度调节的方法和系统

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6539783B1 (en) * 1998-12-28 2003-04-01 General Electric Co. Methods and apparatus for estimating engine health
US8539783B1 (en) 2004-02-11 2013-09-24 Supermarket Energy Technologies, LLC System for preventing condensation on refrigerator doors and frames
US7827803B1 (en) * 2006-09-27 2010-11-09 General Electric Company Method and apparatus for an aerodynamic stability management system
US7904282B2 (en) 2007-03-22 2011-03-08 General Electric Company Method and system for fault accommodation of machines
ES2356788B1 (es) 2007-12-18 2012-02-22 Airbus Operations, S.L. Método y sistema para un cálculo rápido de las fuerzas aerodinámicas en una aeronave.
US8322145B2 (en) 2009-04-23 2012-12-04 General Electric Company Systems and methods for providing surge protection to a turbine component
US8342794B2 (en) 2009-05-19 2013-01-01 General Electric Company Stall and surge detection system and method
US20120096961A1 (en) * 2010-10-21 2012-04-26 General Electric Company Probe holder for turbine engine sensor
JP5832644B2 (ja) * 2011-06-03 2015-12-16 シーメンス アクチエンゲゼルシヤフトＳｉｅｍｅｎｓ Ａｋｔｉｅｎｇｅｓｅｌｌｓｃｈａｆｔ 殊にガスタービンまたは風力タービンのような技術システムのデータドリブンモデルを計算機支援で形成する方法
AU2013359159B2 (en) 2012-12-12 2017-07-20 University Of North Dakota Analyzing flight data using predictive models
DE102013106120A1 (de) 2013-06-12 2014-12-31 Airbus Sas Verfahren und Vorrichtung zum Testen eines Bauteils eines Luftfahrzeugs
US20150184549A1 (en) 2013-12-31 2015-07-02 General Electric Company Methods and systems for enhancing control of power plant generating units
FR3025919B1 (fr) 2014-09-12 2021-03-19 Thales Sa Interface homme-machine pour la gestion de la trajectoire d'un aeronef
US9810229B2 (en) 2014-12-08 2017-11-07 Ford Global Technologies, Llc Methods and systems for detecting compressor recirculation valve faults
US9796479B2 (en) 2015-02-13 2017-10-24 Bell Helicopter Textron Inc. Self-referencing sensors for aircraft monitoring
US9765690B2 (en) 2015-09-30 2017-09-19 Deere & Company Variable geometry turbocharger prognostics
US20170218854A1 (en) 2016-02-02 2017-08-03 General Electric Company Controlling a Gas Turbine Engine to Account for Airflow Distortion
US20170283085A1 (en) 2016-04-04 2017-10-05 The Boeing Company On-board structural load assessment of an aircraft during flight events
US10294869B2 (en) 2016-06-14 2019-05-21 General Electric Company System and method to enhance corrosion turbine monitoring
US20170369190A1 (en) 2016-06-24 2017-12-28 The Boeing Company Performance prediction methods and systems for maintenance of aircraft flight control surface components

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20000047986A (ko) * 1998-12-11 2000-07-25 레비스 스테픈 이 가스 터빈 엔진 제어 시스템
US6164902A (en) * 1998-12-11 2000-12-26 United Technologies Corporation Controlling stall margin in a gas turbine engine during acceleration
WO2014099071A2 (en) * 2012-09-28 2014-06-26 United Technologies Corporation Real time model based compressor control
CN106907345A (zh) * 2015-12-22 2017-06-30 通用电气公司 用于根据发动机健康的失速裕度调节的方法和系统

Also Published As

Publication number Publication date
EP3705726A1 (en) 2020-09-09
US20200284265A1 (en) 2020-09-10
CN111664009A (zh) 2020-09-15
EP3705726B1 (en) 2024-04-24
US11892003B2 (en) 2024-02-06

Similar Documents

Publication Publication Date Title
CN111664009B (zh) 机器学习在处理涡轮发动机的高频传感器信号中的应用
CN108733867B (zh) 用以监测涡轮发动机的健康信息的方法和设备
US6466858B1 (en) Methods and apparatus for monitoring gas turbine engine operation
US6502085B1 (en) Methods and systems for estimating engine faults
US10815904B2 (en) Prognostic health management control for adaptive operability recovery for turbine engines
EP3168428B1 (en) A system and method of calibrating case cooling for a gas turbine engine
EP2149832A2 (en) Method and systems for monitoring gas turbine engine temperature
CN108223137B (zh) 用于确定燃气涡轮发动机机队性能劣化的系统和方法
US10801359B2 (en) Method and system for identifying rub events
CN110566289B (zh) 操作涡轮机械的方法
US20200263560A1 (en) Auxiliary power unit power compressor health state diagnostic system and method
CN111752257A (zh) 具有内置测试和控制保持故障响应的分布式控制模块
CN111665793B (zh) 具有累积命令参考的分布式控制模块
EP4239165A1 (en) A gas turbine engine active clearance control system and method
CN111720218B (zh) 涡轮发动机的信号响应监测
US20220163428A1 (en) Damper condition monitoring for a damper of a gas turbine engine
CN114202823A (zh) 预报用于预测分析的飞行器发动机操作数据的系统和方法
EP4123120A1 (en) Method for balancing a rotating system
US20230012799A1 (en) Vibration response reduction for aircraft engines
CA3209222A1 (en) Acoustical health monitoring of gas turbine engines
Kim et al. Fault diagnosis and prognosis for fuel supply system in gas turbine engines

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