CN113168313A - 用于监控飞行器发动机的计算环境系统 - Google Patents
用于监控飞行器发动机的计算环境系统 Download PDFInfo
- Publication number
- CN113168313A CN113168313A CN201980081084.7A CN201980081084A CN113168313A CN 113168313 A CN113168313 A CN 113168313A CN 201980081084 A CN201980081084 A CN 201980081084A CN 113168313 A CN113168313 A CN 113168313A
- Authority
- CN
- China
- Prior art keywords
- indicators
- data
- aircraft
- cluster
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 230000006870 function Effects 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000002123 temporal effect Effects 0.000 claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 35
- 230000036541 health Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 9
- 238000012800 visualization Methods 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000003044 adaptive effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 230000007246 mechanism Effects 0.000 claims description 4
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 3
- 230000010006 flight Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000013500 data storage Methods 0.000 description 6
- 239000000446 fuel Substances 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 241001522296 Erithacus rubecula Species 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000008571 general function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/003—Flight plan management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F8/00—Arrangements for software engineering
- G06F8/60—Software deployment
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G5/00—Traffic control systems for aircraft, e.g. air-traffic control [ATC]
- G08G5/0004—Transmission of traffic-related information to or from an aircraft
- G08G5/0008—Transmission of traffic-related information to or from an aircraft with other aircraft
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Combined Controls Of Internal Combustion Engines (AREA)
Abstract
本发明涉及一种用于监控飞行器发动机的计算环境系统，所述系统连接到服务器集群，所述系统包括：‑应用接口(13)，被配置成接收独立于分布式部署系统开发的用户代码(19)，用户代码指定与部署在飞行器发动机群(12)上的飞行器发动机(3)相关的一组指示符的计算；‑提取模块(15)，被配置成通过对时间飞行数据进行并行计算来提取所述指示符，时间飞行数据来自飞行器发动机群以及存储在分布在所述服务器(7)集群(5)上的数据库(9)中；‑学习模块(17)，被配置成使用所述指示符以根据所述指示符不受监督地构造监控模型(21)，监控模型通过实施预定学习功能来表示指示符。
Description
技术领域
本发明涉及监控飞行器发动机的领域。具体地，本发明涉及一种用于监控飞行器发动机的计算环境系统。
背景技术
对发动机的每个操作领域比较专业的航空工程师开发了用于在发动机操作时监控发动机的算法。这些算法使用发动机操作的精确知识，并使得能够预测在故障发生之前的事件。该过程被称为“预测和健康监控”。
实际上，在每次飞行过程中，飞行器继续从与发动机和飞行器的其它系统相关联的传感器和计算机记录飞行、环境和操作数据。该数据提供关于飞行的适当展现的重要信息，且可用于检测可能的异常。
然而，现在必须监控的发动机群对于每个操作员的特定分析来说太大。因此，来自不同飞行器的飞行数据被系统性地下载并存储在分布式计算支持(例如，Hadoop类型)上，在分布式计算支持(例如，Hadoop类型)中监控代码可被系统性地并行执行。
然而，计算机代码的并行执行需要分布式编程的特定技能和计算集群的操作的良好知识。然而，飞行器发动机工程师在热力学和力学方面通常是专家，并不具有留给分布式计算编程方面的专家的这种类型的技能。
存在诸如Datalku等可帮助开发新代码的通用平台。然而，这种类型的工具在监控飞行器发动机的处理方面不专业，不能产生操作解决方案，且这些工具是开发工具，而不是应用平台。
因此，本发明的目的是一种用于监控的方法和系统，其允许没有任何分布式计算知识的工程师利用他们掌握的针对小数据集的语言继续开发他们的代码，然后在所有飞行器和飞行上可操作地部署代码。
发明内容
本发明涉及一种用于监控飞行器发动机的计算环境系统，所述系统连接到服务器集群，所述系统包括：-应用接口，被配置成接收独立于分布式部署系统开发的用户代码，用户代码指定与部署在飞行器发动机群上的飞行器发动机相关的一组指示符的计算，-提取模块，被配置成通过对时间飞行数据进行并行计算来提取所述指示符，时间飞行数据来自飞行器发动机群以及存储在分布在所述服务器集群上的数据库中，-学习模块，被配置成使用所述指示符以根据所述指示符不受监督地构造监控模型，监控模型通过实施预定学习功能来表示指示符。
该系统允许工程师实现和使用他们自己的指示符提取算法，而不需要任何服务器集群的体系结构或分布式计算的知识。因此，系统使得能够并行地且以可缩放的方式处理非常大量的飞行和发动机数据，同时仍然使用已存在的通用函数和算法来计算指示符并构造表示模型，该表示模型使得能够识别趋势或者对发动机进行分级，以确定哪些发动机需要优先维护。因此，可监控飞行器发动机群，来以非常高的精度预测和调度维护操作。
有利地，提取模块包括排序机构，排序机构被配置成在提取特定于每次飞行和特定于每个发动机的指示符时实现任何重现。这使得能够重复使用已提取的指示符来以循环方式计算新的指示符。
根据本发明，所述指示符包括健康指示符和对应的环境指示符。有利地，提取模块被配置成通过实施回归技术来根据对应的环境指示符标准化所述健康指示符。健康指示符独立于环境被呈现，因此这使得不仅可以监控每个发动机中的变化而且可以比较健康指示符。
有利地，计算环境系统包括可视化模块，可视化模块包括图形工具，图形工具被配置成根据统计表示来表示监控模型。这使得能够分析结果并比较发动机或机群，或者观察机群上的个体趋势或平均趋势，或者对所监控的各个发动机进行分类。
有利地，用户代码包括待并行处理的输入数据和包括环境指示符和健康指示符的输出数据的规范，所述用户代码以从Spark类型的并行语言以及Scala、Python或R类型的商业语言中选择的任何语言来描述。
有利地，时间飞行数据是来自与飞行器发动机相关联的传感器和计算机的发动机连续操作数据以及来自飞行器的连续数据，所述时间飞行数据存储在分布在所述服务器集群上的文件系统中。这使得能够存储和处理非常大量的飞行数据。
有利地，计算环境系统包括第一预处理模块，第一预处理模块被配置成通过在每次飞行时聚合(aggregating)所述时间数据飞行来形成时间矢量。这使得能够减少行数，从而加速数据的处理。
有利地，由提取模块提取的指示符存储在部署在服务器集群上的数据结构中。这便于处理用于构造表示模型的指示符，同时仍然允许将指示符可视化并重复使用以计算新的指示符。
有利地，计算环境系统包括第二预处理模块，第二预处理模块被配置成将指示符的矢量格式转换成适于应用学习功能的矩阵格式。
有利地，预定学习功能包括来自以下算法的学习算法：Kohonen自适应映射算法、异常检测算法、趋势检测和跟踪算法、用于分析飞行器发动机的特定系统或一个设备的操作的算法、以及事件预期或预测算法。
本发明还涉及一种用于监控飞行器发动机的方法，该方法包括以下步骤：-接收用户代码，用户代码指定与部署在飞行器发动机群上的飞行器发动机相关的一组指示符的计算，-通过对时间飞行数据进行并行计算来提取所述指示符，时间飞行数据来自飞行器发动机群以及存储在分布在服务器集群上的数据库中，-使用所述指示符，以根据所述指示符不受监督地构造监控模型，监控模型通过实施预定学习功能来表示指示符。
本发明还涉及一种计算机程序，计算机程序包括代码指令，代码指令用于当计算机程序在根据上述任意特征的计算环境系统上运行时，实现上述用于监控的方法。
附图说明
当参考附图阅读为了信息的目的而不是以限制性方式在下文给出的描述时，根据本发明的设备和方法的其它特性和优点将更好地显现，其中：
[图1]示意性地示出了根据本发明的实施例的用于监控飞行器发动机的计算环境系统；
[图2]示意性地示出了根据本发明的优选实施例的计算环境系统；和
[图3]示意性地示出了根据图2的实施例的用于对接和提取指示符的系统。
具体实施方式
本发明的原理在于提出一种计算环境，该计算环境将封装由工程师开发的商业代码，以使商业代码在多个服务器上以分布式方式操作。
图1示意性地示出了根据本发明的实施例的用于监控飞行器发动机的计算环境系统。
当前，可获得由各个发动机和飞行器连续采集的非常大量的原始时间数据。实际上，在每次飞行期间，每个飞行器1继续记录关于其操作以及不同环境参数的信息。由机载计算机(例如，FADEC、ACMS)在各种支持上和以各种格式(DAR、QAR、CEOD等)记录的数据来自由集成到飞行器的发动机3以及飞行器1的其它系统中的探测器或传感器提供的测量。例如，FADEC(其控制发动机)记录由集成到发动机3中的传感器测量的数据，使得既能够控制发动机3又能够用作监控和预测维护的过程的基础。更具体地，在每次采集时，数据包括第一组数据和第二组数据，第一组数据涉及描述发动机3以及飞行器1的其它实体的行为的内生变量，第二组数据涉及描述采集环境的外生变量。
举例来说，内生变量可包括发动机3芯轴的转速N2、燃料的流速、在发动机不同位置(例如，在压缩之前和/或之后)的流体的温度和压力、排气温度(EGT)等。
外生变量可包括以下变量：外部温度、高度、飞行器重量、机翼除冰、短舱除冰、进气口、可变几何形状、VBV(可变排气阀)、VSV(可变定子阀)、LPTACC和HPTACC(低压/高压涡轮主动间隙控制)、HP压缩机开度、ECS进气(环境控制系统，空调)、风扇N1的所需转速(对应于发动机的期望推力)、TLA(推力操纵杆角度)、飞行器的速度(马赫数)等。内生变量(描述系统行为)和外生变量(描述采集环境)可以由用户根据由所计算的指示符监控的系统来选择。
所有这种内生和外生时间数据连续地记录在发动机的计算机或飞行器1的中央计算机上。然后，该时间数据被系统性地下载并存储在地面上的存储装置中，以构造关于发动机3的整个机群和所有飞行的数据库。
为了处理这种非常大量的数据，使用例如Hadoop类型的分布式存储系统，这使得能够通过在服务器7的集合5(称为“集群”)上执行并行数据处理来利用飞行器发动机群的所有时间飞行数据。
因此，由各个发动机3和航空器1采集的大量原始时间数据存储在分布在各个服务器7上的数据库9中。例如，该飞行数据系统性地存储在服务器7的集群5的分布式文件系统上。当该数据在时间过程中出现时，有利地建立优化采集的存储过程。该过程以高度冗余方式表示数据，但是例如通过使数据与以下值相关联来以非常通用的方式表示：天气、发动机的序列号、以及由机载计算机测量或计算的参数。为了使这种表示适合于分析处理，数据转换成矢量结构。该过程在服务器7上生成分布式表，但是其中，每个参数由用于每次飞行的时间矢量(即，曲线)表示。
为了使用和运行已存在于该大量数据上的用于监控飞行器发动机3的算法，本发明提出使用算法分配平台。该平台被称为计算环境系统11，连接到包括服务器7的集群5的分布式部署系统，在该分布式部署系统上以分布式方式存储关于飞行器1发动机3的机群12的时间飞行数据。服务器7的集群5可被分组为一组计算节点，每个计算节点能够由大量服务器7构成，可根据需要调整计算节点的大小。
根据本发明，计算环境系统11包括应用接口13、提取模块15和学习模块17。
应用接口13被配置成接收独立于分布式部署系统开发的用户代码19，用户代码19指定与飞行器发动机相关的一组指示符的计算。这些用户代码19(可以是由没有分布式计算知识的工程师实现的Scala或Python或R类型的商业代码)被部署，以使用户代码19针对飞行器1发动机3的整个机群12的数据以分布式方式操作。
实际上，提取模块15被配置成通过在服务器的集群5中针对时间飞行数据(更具体地，飞行矢量)进行并行计算来提取指示符，时间飞行数据(更具体地，飞行矢量)来自飞行器发动机的整个机群12、存储在分布在服务器7的集群5上的数据库9中。
此外，学习模块17被配置成使用由提取模块15提取的指示符，以不受监督地构造监控模型21，监控模型21通过实施预定学习功能例如Kohonen自适应映射功能来表示这些指示符，以构造监控模型。例如该监控模型使得能够识别趋势或对发动机进行分级。
计算环境系统11使得能够摄取由工程师开发的特定代码19，而工程师不必关心服务器7和数据的分布。因此，航空工程师可继续提出这样的工具：在将小数据集注入计算环境系统11之前，工具将对小数据集进行测试，以将小数据集分发到所有发动机3和飞行。此外，该系统11使得能够封装用户代码以使用户代码以分布式方式操作，而不需要计算专家修改用户代码。
图2示意性地示出了根据本发明的优选实施例的计算环境系统。如上所述，计算环境系统11连接到服务器7的集群5，服务器7的集群5包括所分布的数据库9，数据库9上存储飞行器1发动机3的机群12的时间飞行数据。根据该实施例，计算环境系统11包括第一预处理模块23、应用接口13、提取模块15、数据存储结构25a，25b、第二预处理模块26、学习模块17和可视化模块27。
监控飞行器发动机3的第一步是确定表示发动机3或发动机子系统的健康状态(例如，油位、燃料消耗、控制系统等)的一组指示符。这样的指示符可以与飞行的特定时刻的参数值一样简单，但是也可以是由专家设计的更复杂的功能。
指示符的计算可针对不同的飞行并行进行，并因此每次可处理一次飞行。还可以每次针对一组飞行(例如，发动机的所有飞行，或在发动机的最后N次飞行的时间窗口内等)处理指示符的计算。
应注意，为了提取指示符而执行的计算将必须使飞行参数的时间序列作为整体来处理。实际上，待并行处理的最小实体是整个飞行期间的参数。因此，不必在每个时间“步”具有一行。
因此，第一预处理模块23被配置成通过在时间维度上聚合飞行数据的时间序列来对飞行数据的时间序列进行预处理，以形成时间矢量。这种预处理可通过使用Spark SQL语言的“收集列表”聚合操作来执行。这使得能够显著减少数据行的数量(例如，从大约5千亿行到仅500万行)。有利地，该操作可以在每次飞行时针对新的进入数据仅执行一次。
应用接口13被配置成接收用户代码19，用户代码19包括待并行处理的输入数据和包括环境指示符和健康指示符的输出数据的规范。
此外，提取模块15(被表示为包括在应用接口13中)被配置成通过对时间矢量执行并行计算来提取指示符，时间矢量来自分布在服务器7的集群5上的数据库9中存储的数据。
由提取模块15提取的、表示发动机的各个飞行的指示符存储在数据存储结构25a中，数据存储结构25a也可以部署在服务器7的集群5上。
此外，提取模块15包括排序机构，该排序机构被配置成在提取特定于每次飞行和特定于每个发动机的指示符时实现任何重现。该机构由提取模块15和数据存储结构25a之间的循环(箭头F1和F2)表示。
实际上，指示符可以分两个步骤计算，原因是这样更容易，或者原因是需要中间结果。还可能的是，在之前的飞行期间，指示符取决于该指示符所具有的值，或者其它指示符所具有的值。
应注意，由提取模块15提取的指示符包括健康指示符和对应的采集环境指示符。有利地，提取模块15被配置成根据对应的环境指示符来标准化健康指示符。这种标准化通过使用回归技术来实现，该回归技术利用学习工具，该学习工具使用特定于发动机3和飞行器1的数据集。
更具体地，可根据回归模型在由环境指示符的分析组合生成的环境变量的空间上标准化健康指示符。该处理包括使用关于附加环境变量的回归模型，该附加环境变量例如由初始环境指示符的多项式、指数和对数或其它变换构造，使得能够有效地抑制采集环境(即，环境影响和设定点)对描述发动机3的状态的健康指示符的影响。
有利地，在标准化之后，可通过使用平滑工具和用于检测突然变化的工具来过滤和清洁已标准化的健康指示符上的噪声。因此，健康指示符独立于环境被呈现，因此使得能够针对不同的飞行和发动机比较健康指示符，并因此还监控每个发动机3中的变化。
图3示意性地示出了根据图2的实施例的用于对接和提取指示符的系统。该用于对接和提取的系统包括表示图2的应用接口13和提取模块15的应用编程接口33API。应用编程接口33API可处理多种类型的用户代码19。用户代码19可以用Spark类型的并行语言19a来描述。Spark代码是一种本机语言，使得能够优化分布式计算的性能。此外，熟悉在Spark中编程的用户可编写个性化Spark功能。
有利地，用户代码19可以用Scala、Python或R类型的本地对象语言19b(即，非分布式)来开发，使得能够执行分析处理。用于分析数据和自动学习的数字库可用于通过这些商业语言定义任何类型的算法。应用编程接口API还可处理被格式化成Python模块类型的模块的代码。
然而，可在服务器7的集群5的多个计算节点上同时调用这些代码。因此，应用编程接口33被配置成封装这些代码，允许这些代码在不同的数据域中相同地操作。
更具体地，应用编程接口33API被配置成在服务器7的所有计算节点上自动部署用户代码19，服务器7的所有计算节点管理所有飞行数据，使得这些用户代码19将在各个服务器7上以分布式方式运行。在应用接口33的输出处的结果35根据被称为V1,...VN的不同飞行组来分布。然后，这些结果35被交叉引用以形成用于每个飞行的指示符Vi(Vi:I1-IM；...；VN:I1-IM)的矢量37。
因此，应用编程接口33使得能够以分布式方式并根据并行的数据提取指示符，这使得能够并行地处理大量的飞行和发动机3。此外，应用编程接口33允许使用已存在的通用函数和算法来计算这些指示符。因此，工程师能够实现和使用他们自己的指示符提取算法，而不需要例如Hadoop类型的集群5体系结构或Spark类型的分布式语言的任何知识。
此外，计算环境系统11的第二预处理模块26被配置成将指示符I1-IM的矢量格式37转换成适于应用学习功能的矩阵格式标准。矩阵格式的指示符存储在数据存储结构25b中，数据存储结构25b还可安装在集群5上。
然后，学习模块17检索矩阵格式的指示符，以不受监督地构造监控模型21，监控模型21通过使用预定学习功能来表示这些指示符。
高度代表性的监控模型21是由发动机状态的映射算法执行的监控模型。在申请人的专利申请EP2676176中详细描述了该算法。根据该算法，在起飞期间提取健康指示符和环境指示符。在通过采集环境标准化健康指示符之后，指示符被过滤并在Kohonen自适应地图(自组织地图)上分级。这使得能够监控发动机的“性能状态”(还称为“数字孪生”)的轨迹，研究发动机相对于彼此的趋势和位置，以更好地计划维护操作，且更好地评估发动机的衰退和潜在故障，使得例如能够知道首先要维护哪些发动机。因此，这种算法使得能够独立于环境来映射与发动机的状态相关的数据，根据类似的行为对发动机进行分级，且统计分析已在发动机上发生的事件。
除了Kohonen自适应映射算法之外，预定学习功能可包括但不是穷举：“得分”异常检测算法、趋势检测和跟踪算法、用于分析飞行器发动机的特定系统或设备的操作的算法(例如，分析油量或燃料消耗，点火分析等)、事件预期或预测算法。这些算法在申请人的以下专利或专利申请：WO2017046530,EP2912526,EP3039497,EP3025205和EP2817688中进行描述。
应注意，这些学习算法通常利用存储器中的观察表示。然而，由于在集群5类型的一组服务器中这种观察的数量非常大，因此，为了使这些算法适应计算环境系统11，重写这些算法，使得编码利用并行或迭代模式，而不是全局处理。具体地，通常用于表示发动机3的状态的、维度和分类减少的回归工具被转换成分布式数据的大小尺度。
最后，可视化模块27包括图形工具，图形工具被配置成根据统计表示来表示监控模型21。可视化模块27允许在用户的偏移屏幕上显示。
此外，如箭头F3所示，健康指示符还可直接由可视化模块27表示。
模型和/或健康指示符的可视化使得能够例如通过统计图来分析结果和比较发动机或机群。还可以使用曲线来观察机群12上的个体趋势或平均趋势。还可以对由类别列表或地图监控的各个发动机进行分类。
因此，计算环境系统11负责提供接口，该接口使得能够记录各种代码，对排序和数据选择进行编程以用于学习，并选择用于可视化结果的模式。因此，用户可将他们自己的结果与来自根据本发明的计算环境系统的更加精确的结果进行比较。
本发明还涉及一种计算机程序，计算机程序包括适于实现如上文所述的、根据本发明的实施例的监控飞行器发动机的代码指令。
Claims (12)
1.一种用于监控飞行器发动机的计算环境系统，所述系统连接到服务器集群，其特征在于，所述系统包括：-应用接口(13)，被配置成接收用户代码(19)，所述用户代码指定与部署在飞行器发动机群(12)上的飞行器发动机(3)相关的一组指示符的计算，-提取模块(15)，被配置成通过对时间飞行数据进行并行计算来提取所述指示符，所述时间飞行数据来自所述飞行器发动机群以及存储在分布在所述服务器(7)集群(5)上的数据库(9)中，-学习模块(17)，被配置成使用所述指示符以根据所述指示符不受监督地构造监控模型(21)，所述监控模型通过实施预定学习功能来表示所述指示符。
2.根据权利要求1所述的系统，其特征在于，所述提取模块(15)包括排序机构，所述排序机构被配置成在提取所述指示符时实现任何重现。
3.根据权利要求1或2所述的系统，其特征在于，所述指示符包括健康指示符和对应的环境指示符，且所述提取模块(15)被配置成通过实施回归技术来根据对应的环境指示符标准化所述健康指示符。
4.根据前述权利要求中任一项所述的系统，其特征在于，所述系统包括可视化模块(27)，所述可视化模块包括图形工具，所述图形工具被配置成根据统计表示来表示所述监控模型。
5.根据前述权利要求中任一项所述的系统，其特征在于，所述用户代码(9)包括待并行处理的输入数据和包括环境指示符和健康指示符的输出数据的规范，所述用户代码以从Spark类型的并行语言以及Scala、Python或R类型的商业语言中选择的任何语言来描述。
6.根据前述权利要求中任一项所述的系统，其特征在于，所述时间飞行数据是来自与所述飞行器发动机相关联的传感器和计算机的发动机连续操作数据以及来自飞行器的连续数据，所述时间飞行数据存储在分布在所述服务器集群(5)上的文件系统中。
7.根据前述权利要求中任一项所述的系统，其特征在于，所述系统包括第一预处理模块(23)，所述第一预处理模块被配置成通过聚合所述时间飞行数据来形成时间矢量。
8.根据前述权利要求中任一项所述的系统，其特征在于，由所述提取模块(15)提取的所述指示符存储在部署在所述服务器集群(5)上的数据结构(25a，25b)中。
9.根据前述权利要求中任一项所述的系统，其特征在于，所述系统包括第二预处理模块(27)，所述第二预处理模块(27)被配置成将所述指示符的矢量格式转换成适于应用学习功能的矩阵格式。
10.根据前述权利要求中任一项所述的系统，其特征在于，所述预定学习功能包括来自以下算法的学习算法：Kohonen自适应映射算法、异常检测算法、趋势检测和跟踪算法，用于分析飞行器发动机的特定系统或一个设备的操作的算法、事件预期或预测算法。
11.一种用于监控飞行器发动机的方法，其特征在于，所述方法包括以下步骤：-接收用户代码(9)，所述用户代码指定与部署在飞行器发动机群上的飞行器发动机相关的一组指示符的计算，-通过对时间飞行数据进行并行计算来提取所述指示符，所述时间飞行数据来自所述飞行器发动机群以及存储在分布在服务器集群上的数据库中，-使用所述指示符，以根据所述指示符不受监督地构造监控模型(21)，所述监控模型通过实施预定学习功能来表示所述指示符。
12.一种计算机程序，包括代码指令，所述代码指令用于当所述计算机程序在根据权利要求1至10中任一项所述的计算环境系统上运行时，实现根据权利要求11所述的用于监控的方法。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1872520A FR3089501B1 (fr) | 2018-12-07 | 2018-12-07 | Système d’environnement informatique pour la surveillance de moteurs d’aéronefs |
| FR1872520 | 2018-12-07 | ||
| PCT/FR2019/052935 WO2020115440A1 (fr) | 2018-12-07 | 2019-12-05 | Système d'environnement informatique pour la surveillance de moteurs d'aéronefs |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113168313A true CN113168313A (zh) | 2021-07-23 |
Family
ID=66530171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980081084.7A Pending CN113168313A (zh) | 2018-12-07 | 2019-12-05 | 用于监控飞行器发动机的计算环境系统 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US20220076581A1 (zh) |
| EP (1) | EP3871078A1 (zh) |
| CN (1) | CN113168313A (zh) |
| CA (1) | CA3121653A1 (zh) |
| FR (1) | FR3089501B1 (zh) |
| WO (1) | WO2020115440A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114545907A (zh) * | 2022-03-15 | 2022-05-27 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
| CN114595518A (zh) * | 2022-03-09 | 2022-06-07 | 中国民航大学 | 一种基于数字孪生的商业航天飞行与民航运行协作系统 |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3112122B1 (fr) * | 2020-07-06 | 2022-06-03 | Safran | Procédé d’évaluation de l’état relatif d’un moteur d’aéronef |
| CN113282438B (zh) * | 2021-04-19 | 2023-07-07 | 中国航发沈阳发动机研究所 | 一种航空发动机试车台软件远程维护方法及系统 |
| CN116880198B (zh) * | 2023-07-25 | 2024-03-12 | 杭州牧星科技有限公司 | 一种用于超声速无人机的动力装备自适应控制系统及其方法 |
| CN117991812B (zh) * | 2024-04-03 | 2024-06-07 | 国网江西省电力有限公司南昌供电分公司 | 基于北斗定位的集群无人机自主除架空线覆冰系统及方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2971595A1 (fr) * | 2011-02-15 | 2012-08-17 | Snecma | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
| US20130268501A1 (en) * | 2012-04-09 | 2013-10-10 | Mitek Analytics Llc | System and method for monitoring distributed asset data |
| US20170166328A1 (en) * | 2015-12-11 | 2017-06-15 | The Boeing Company | Predictive aircraft maintenance systems and methods incorporating classifier ensembles |
| US9686086B1 (en) * | 2014-12-01 | 2017-06-20 | Arimo, Inc. | Distributed data framework for data analytics |
| US20170177309A1 (en) * | 2015-12-22 | 2017-06-22 | Opera Solutions U.S.A., Llc | System and Method for Rapid Development and Deployment of Reusable Analytic Code for Use in Computerized Data Modeling and Analysis |
| CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
| US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
| US20180307784A1 (en) * | 2017-04-21 | 2018-10-25 | General Electric Company | Usage Based Lifing |
Family Cites Families (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7346469B2 (en) * | 2005-03-31 | 2008-03-18 | General Electric Company | System and method for sensor data validation |
| US7286923B2 (en) * | 2005-09-30 | 2007-10-23 | General Electric Company | System and method for estimating turbine engine deterioration rate with noisy data |
| US8036847B2 (en) * | 2008-09-25 | 2011-10-11 | Rockwell Automation Technologies, Inc. | Maximum information capture from energy constrained sensor nodes |
| FR2987443B1 (fr) | 2012-02-24 | 2014-03-07 | Snecma | Dispositif de detection d'anomalies par analyse acoustique d'une turbomachine d'aeronef |
| EP2862033B1 (en) * | 2012-06-19 | 2019-07-24 | GKN Aerospace Sweden AB | Method and system for determining life consumption of a mechanical part |
| FR2997451B1 (fr) | 2012-10-26 | 2015-01-16 | Snecma | Systeme de surveillance d'un ensemble de composants moteur |
| FR3009021B1 (fr) | 2013-07-23 | 2015-08-21 | Snecma | Procede d'estimation sur une courbe d'un point pertinent pour la detection d'anomalie d'un moteur et systeme de traitement de donnees pour sa mise en oeuvre |
| FR3011946B1 (fr) | 2013-10-11 | 2016-07-08 | Snecma | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
| US9734722B1 (en) * | 2013-12-23 | 2017-08-15 | Delta Air Lines, Inc. | Interactive flight status display |
| FR3041326B1 (fr) | 2015-09-18 | 2019-05-10 | Safran Aircraft Engines | Systeme et procede d'aide a la decision pour la maintenance d'une machine avec apprentissage d'un modele de decision supervise par avis d'experts |
| FR3052273B1 (fr) * | 2016-06-02 | 2018-07-06 | Airbus | Prediction de pannes dans un aeronef |
| US10380137B2 (en) * | 2016-10-11 | 2019-08-13 | International Business Machines Corporation | Technology for extensible in-memory computing |
| US10977880B2 (en) * | 2017-05-31 | 2021-04-13 | General Electric Company | Hover time remaining for an aircraft |
| US10432258B1 (en) * | 2018-09-28 | 2019-10-01 | The Boeing Company | Systems and methods for monitoring and analyzing broadband over power line data |
| FR3087901B1 (fr) * | 2018-10-29 | 2023-12-22 | Safran Electronics & Defense | Procede de transmission de donnees issues d’un objet embarque dans un aeronef a un reseau d’objets connectes |
| US11988105B2 (en) * | 2019-06-28 | 2024-05-21 | The Boeing Company | Acoustical health monitoring for turbomachinery |
| US11948466B2 (en) * | 2020-09-28 | 2024-04-02 | Rockwell Collins, Inc. | Mission reasoner system and method |
-
2018
- 2018-12-07 FR FR1872520A patent/FR3089501B1/fr active Active
-
2019
- 2019-12-05 CA CA3121653A patent/CA3121653A1/en active Pending
- 2019-12-05 EP EP19868212.2A patent/EP3871078A1/fr active Pending
- 2019-12-05 US US17/299,249 patent/US20220076581A1/en active Pending
- 2019-12-05 WO PCT/FR2019/052935 patent/WO2020115440A1/fr unknown
- 2019-12-05 CN CN201980081084.7A patent/CN113168313A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR2971595A1 (fr) * | 2011-02-15 | 2012-08-17 | Snecma | Surveillance d'un moteur d'aeronef pour anticiper les operations de maintenance |
| US20130325286A1 (en) * | 2011-02-15 | 2013-12-05 | Snecma | Monitoring of an aircraft engine for anticipating maintenance operations |
| US20130268501A1 (en) * | 2012-04-09 | 2013-10-10 | Mitek Analytics Llc | System and method for monitoring distributed asset data |
| US9686086B1 (en) * | 2014-12-01 | 2017-06-20 | Arimo, Inc. | Distributed data framework for data analytics |
| US20170166328A1 (en) * | 2015-12-11 | 2017-06-15 | The Boeing Company | Predictive aircraft maintenance systems and methods incorporating classifier ensembles |
| US20170177309A1 (en) * | 2015-12-22 | 2017-06-22 | Opera Solutions U.S.A., Llc | System and Method for Rapid Development and Deployment of Reusable Analytic Code for Use in Computerized Data Modeling and Analysis |
| US20180284737A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for detection in an industrial internet of things data collection environment with large data sets |
| CN107545095A (zh) * | 2016-06-24 | 2018-01-05 | 波音公司 | 用于飞行器大修期间的结构修理的预测方法和系统 |
| US20180307784A1 (en) * | 2017-04-21 | 2018-10-25 | General Electric Company | Usage Based Lifing |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114595518A (zh) * | 2022-03-09 | 2022-06-07 | 中国民航大学 | 一种基于数字孪生的商业航天飞行与民航运行协作系统 |
| CN114595518B (zh) * | 2022-03-09 | 2022-09-27 | 中国民航大学 | 一种基于数字孪生的商业航天飞行与民航运行协作系统 |
| CN114545907A (zh) * | 2022-03-15 | 2022-05-27 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
| CN114545907B (zh) * | 2022-03-15 | 2023-12-19 | 中南大学 | 一种基于滤波器的飞行控制系统的故障检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020115440A1 (fr) | 2020-06-11 |
| FR3089501A1 (fr) | 2020-06-12 |
| FR3089501B1 (fr) | 2021-09-17 |
| CA3121653A1 (en) | 2020-06-11 |
| US20220076581A1 (en) | 2022-03-10 |
| EP3871078A1 (fr) | 2021-09-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113168313A (zh) | 用于监控飞行器发动机的计算环境系统 | |
| CN109765058B (zh) | 用于涡轮发动机的设备和方法 | |
| CN108733891B (zh) | 用于预测使用寿命周期和低周期疲劳消耗的系统和方法 | |
| US7243048B2 (en) | Fault detection system and method using multiway principal component analysis | |
| WO2023123593A1 (zh) | 基于变分模态分解和残差网络的航空轴承故障诊断方法 | |
| US20170024649A1 (en) | Anomaly detection system and method for industrial asset | |
| CN109766566A (zh) | 用以改善涡轮发动机的操作的设备、方法和存储介质 | |
| CN109767012A (zh) | 用以生成资产工作范围运行的设备、存储介质和方法 | |
| CN103161580A (zh) | 计算和评估发动机排放的运行支持系统和方法 | |
| Ning et al. | Applications of deep learning in big data analytics for aircraft complex system anomaly detection | |
| CN111240235A (zh) | 从通用模型库自生成特定于发动机的健康监测模型 | |
| Balakrishnan et al. | Aero-engine health monitoring with real flight data using whale optimization algorithm based artificial neural network technique | |
| EP3596439A1 (en) | Fatigue crack growth prediction | |
| US20150106313A1 (en) | Predictive modeling of high-bypass turbofan engine deterioration | |
| Andrianantara et al. | Aircraft engine performance model identification using artificial neural networks | |
| Pan et al. | Analyzing the operation reliability of aeroengine using Quick Access Recorder flight data | |
| Volponi | Gas turbine engine health management: past, present and future trends | |
| Demirci et al. | Fuzzy logic‐based automated engine health monitoring for commercial aircraft | |
| US9482597B2 (en) | Method and a device for normalizing values of operating parameters of an aeroengine | |
| Zhou et al. | Fault diagnosis based on relevance vector machine for fuel regulator of aircraft engine | |
| Kilic et al. | Digital twin for Electronic Centralized Aircraft Monitoring by machine learning algorithms | |
| US20220068042A1 (en) | Automated prediction of repair based on sensor data | |
| RU2800105C2 (ru) | Система вычислительного окружения для мониторинга двигателей летательных аппаратов | |
| CN110657031B (zh) | 飞机发动机喘振识别方法 | |
| Florence et al. | Modeling and fault detection of a turbofan engine by deep-learning approach |
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 |