CN113748066A - 用于监控飞行器发动机的系统和方法 - Google Patents
用于监控飞行器发动机的系统和方法 Download PDFInfo
- Publication number
- CN113748066A CN113748066A CN202080031237.XA CN202080031237A CN113748066A CN 113748066 A CN113748066 A CN 113748066A CN 202080031237 A CN202080031237 A CN 202080031237A CN 113748066 A CN113748066 A CN 113748066A
- Authority
- CN
- China
- Prior art keywords
- physical
- margin
- engine
- aircraft
- learning
- 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 36
- 238000000034 method Methods 0.000 title claims description 19
- 238000005259 measurement Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 230000006870 function Effects 0.000 claims abstract description 3
- 238000004088 simulation Methods 0.000 claims description 19
- 230000010006 flight Effects 0.000 claims description 14
- 230000001052 transient effect Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 239000000446 fuel Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000006641 stabilisation Effects 0.000 description 3
- 238000011105 stabilization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 206010000117 Abnormal behaviour Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/60—Testing or inspecting aircraft components or systems
-
- 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
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0841—Registering performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64C—AEROPLANES; HELICOPTERS
- B64C27/00—Rotorcraft; Rotors peculiar thereto
- B64C27/04—Helicopters
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
- B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
- B64F5/40—Maintaining or repairing aircraft
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Manufacturing & Machinery (AREA)
- Transportation (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Testing Of Engines (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种用于监控飞行器发动机的系统，包括：获取模块(3)，用于获取与飞行器发动机(15)相关的物理尺寸的当前测量值，物理尺寸被称为物理输入尺寸(ME)和物理输出尺寸(MS)；模块(5)，用于模拟飞行器发动机的物理行为，以根据输入物理尺寸(ME)的当前测量值来模拟输出物理尺寸(VS)；处理器，用于计算输出物理尺寸(VS)的模拟值和输出物理尺寸(MS)的所对应的当前测量值之间的物理裕度，物理裕度被称为实际无论裕度(MR)；用于预测裕度的学习模块(7)，所述裕度(MP)使用输入物理尺寸(ME)的当前测量值来预测，且处理器(9)配置成计算监控残差(R)，监控残差给出飞行器发动机的状态的指示。
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跟踪发动机的状态以预测维护操作的监控方法和系统。
术语“飞行器发动机”指的是安装在飞行的飞行器尤其是直升机和飞机上的所有涡轮发动机。
背景技术
目前，通过在被称为发动机功率检查(EPC)的特定机动过程中计算裕度或指标，来跟踪飞行器发动机特别是直升机发动机的状态。使用模拟发动机的热力学行为的物理模型来计算裕度。更具体地，模型接收与发动机和飞行条件相关的数据作为输入，并根据输入数据输出估计数据。输出数据中的变量还由传感器实时记录，使得通过从对应于相同变量的记录中减去估计值来计算裕度。随后根据飞行日期显示这些裕度，允许通过视觉或统计技术对裕度进行分析，以检测裕度的异常和趋势。
然而，在启动自动数据分析程序之前，要求飞行员首先将飞行器置于稳定阶段的特定飞行条件下。这个问题通过专利FR3003032中描述的、用于执行这些稳定阶段的自动检测的方法来解决。该方法包括在计算裕度之前，检测验证了热力学模型的有效性限制的条件。
然而，这些裕度仅在物理模型保持有效的那些部分上保持有效，因此受到监控操作范围的限制。此外，由于稳定阶段的数据量较小，使得有时需要飞行员执行完全专用于计算裕度的飞行，这表示额外的工作量和成本。
因此，本发明的目的是提供一种用于监控和跟踪飞行器发动机的系统，该系统弥补了上述缺点，特别是通过最佳地利用在飞行期间测量的数据来确定发动机健康状态的准确指标，而弥补了上述缺点。
发明内容
本发明涉及一种适于监控飞行器发动机的监控系统，所述系统包括：
-获取模块，获取模块配置成在飞行器的飞行时间期间，获取与飞行器发动机及其环境相关的物理量的当前测量值，该物理量被称为物理输入量和物理输出量，
-用于模拟所述飞行器发动机的物理行为的模块，该模块配置成根据物理输入量的所述当前测量值来模拟物理输出量的值，
-处理器，处理器配置成计算物理输出量的所述模拟值和物理输出量的所对应的当前测量值之间的物理裕度，物理裕度被称为实际裕度，
-学习模块，学习模块配置成根据物理输入量的当前测量值来预测裕度，该裕度被称为预测裕度，且所述处理器还配置成计算所述实际裕度和所述预测裕度之间的监控残差，所述监控残差给出飞行器发动机的状态的指示。
该系统由模拟模块和学习模块之间的混合组合(而不是简单的并置)组成，从而产生协同作用，使得当然除了允许物理模型在其通常的操作模式下使用之外，还允许物理模型在其正常操作模式之外使用。这使得可以更好地利用模拟模块所使用的物理模型的有效性空间中的数据，还可获得该有效性空间之外的信息。还应当注意，如果学习模块单独使用，则学习模块需要考虑大量物理变量。这可使对学习的理解变得非常复杂，因为连接这些变量的物理定律可能不是线性的，因此对初始条件非常敏感，使得微小的差异可能导致非常不同的结果，致使预测非常嘈杂。
有利地，在所述飞行器的飞行的稳定阶段和瞬态阶段期间获取物理输入量和物理输出量的所述当前测量值。
通过考虑瞬态阶段或不稳定阶段，获得更多的残差点，因此，结果的噪声小得多，以允许自动执行更好的趋势跟踪，从而允许在异常情况下做出更快的反应。这还使得可以监控不稳定阶段或瞬态阶段(例如，在起飞和着陆时)。点越少，确定趋势就越困难。
有利地，系统包括用于查看所述监控残差的图形表示的交互和/或显示界面。
这提供了与飞行器发动机相关的趋势、异常或故障信息。
有利地，学习模块基于在预定数量的学习飞行期间通过使用参考飞行器发动机预先构建的学习模型，与参考发动机相关的物理输入量的测量值以及由模拟模块生成的实际裕度在每次学习飞行期间被注入到学习模块中，使得学习模块能够构建学习模型。
因此，通过在相同的环境中使用参考飞行器发动机，学习模块可学习准确地预测裕度。
有利地，选择所述学习飞行的数量，以在学习模型的准确性和稳定性之间提供折衷，且仅考虑一系列飞行中的第一元素。这在保持高的准确性的同时提高了学习效率。
应当注意，不选择任何数量的学习飞行，而是选择一系列飞行中的第一元素。实际上，如果这些飞行不在发动机使用的第一批飞行之中，则要学习的关系(物理模型/实际系统裕度)变化太大，导致无法学习。建模误差不再是恒定的，而是与时间相关的，因此不再是可学习的。
根据一个实施例，根据线性回归、神经网络或随机森林的统计技术来构建所述学习模型。
物理输入量包括与飞行器发动机和/或飞行器的飞行条件相关的至少一个输入参数，至少一个输入参数包括从发动机的转速、外部温度、外部压力、燃料流速、从发动机获取的空气流速、从发动机抽取的电能、叶片位置、飞行高度、过滤器的存在与否中选择的至少一个参数，且物理输出量包括表示飞行器发动机的运行状态的至少一个输出参数，至少一个输出参数包括从发动机的内部温度和发动机的轴的扭矩中选择的至少一个参数。
有利地，监控残差被聚合成用于合成表示的平均值或模式。
根据本发明的一个实施例，飞行器发动机是直升机涡轮发动机。
本发明还涉及一种用于监控飞行器发动机的方法，该方法包括如下步骤：
-在飞行器的飞行时间期间，获取与所述飞行器发动机及其环境相关的物理量的当前测量值，该物理量被称为物理输入量和物理输出量，
-根据物理输入量的所述当前测量值来模拟物理输出量的值，
-计算物理输出量的所述模拟值和物理输出量的所对应的当前测量值之间的物理裕度，物理裕度被称为实际裕度，
-根据物理输入量的当前测量值来预测裕度，该裕度被称为预测裕度，以及
-计算所述实际裕度和所述预测裕度之间的监控残差，所述监控残差给出飞行器发动机的状态的指示。
应当注意，根据本发明，第一(物理)模型用于构建更好的(经验+物理)模型。
还应当注意，在本发明中，在使用数据的同时定义预测裕度。此外，术语“预测”在此处是在统计学习的意义上使用，因此是在针对输入数据的经验模型的输出的意义上使用。
还应当注意，在本发明中，监控残差被定义在实际裕度和预测裕度之间。因此，监控残差不同于本领域技术人员通常使用的“裕度”。
此外，应当注意，根据本发明的学习模块不预测系统的状态，而是预测物理模型和系统之间的残差。因此，本发明涉及两个级联模型的使用：第一(物理)模型给出裕度，第二(经验/学习)模型预测物理模型和实际系统之间的通常偏差。应当注意，根据物理理论，在物理模型无效的区域中使用物理模型，并不是显而易见的。然而，通过构造，根据本申请的系统学习纠正这些错误。
附图说明
通过阅读参考附图描述的本发明的优选实施例，本发明的进一步特征和优点将变得显而易见，其中：
[图1]示意性地示出了根据本发明的一个实施例的用于监控飞行器发动机的系统；
[图2]示意性地示出了根据本发明的一个实施例的用于监控飞行器发动机的方法；
[图3A]示意性地示出了根据本发明的一个实施例的学习模块的初步学习阶段；
[图3B]示意性地示出了根据本发明的一个实施例的操作阶段；以及
[图4]示出了根据本发明的一个实施例的表示监控裕度和残差的曲线图。
具体实施方式
本发明的原理在于将飞行器发动机的行为的物理模型与学习模型相结合，使得对在飞行期间获得的测量值的使用最大化，从而允许对发动机的完全和最佳跟踪。
图1示意性地示出了根据本发明的一个实施例的用于监控飞行器发动机的系统。
监控系统1包括获取模块3、模拟模块5、学习模块7和处理器9。
监控系统1可完全包括在飞行器11中，或者在飞行器11和维护中心13之间共享。
飞行器11(在此处由直升机表示，但是可以是飞机)包括发动机15、机载计算机17和传感器19。
传感器19测量与飞行器发动机15及其环境相关的物理量，该物理量被称为物理输入量和物理输出量。
举例来说，物理输入量可包括与飞行器发动机15和/或飞行器11的飞行条件相关的至少一个输入参数，至少一个输入参数包括从发动机15的转速、外部温度、外部压力、燃料流速、从发动机15获取的空气流速、从发动机15抽取的电能、叶片位置、飞行高度、过滤器的存在与否中选择的至少一个参数。物理输出量可包括表示飞行器发动机的运行状态的至少一个输出参数，至少一个输出参数包括从发动机15的内部温度和发动机15的轴的扭矩中选择的至少一个参数。
车载计算机17包括处理器9、获取模块3、模拟模块5和学习模块7以及记录存储器21和界面23。应当注意，维护中心13还包括计算机117，计算机117可包括与车载计算机17相同的元件(即，处理器109和获取模块103、模拟模块105和模块学习107、存储器121和界面123)。
存储器21(和/或121)形成可由处理器9(和/或109)读取的记录介质，且在存储器21(和/或121)上记录有一个或多个计算机程序，一个或多个计算机程序包括用于执行下面参考图2描述的监控方法的指令代码。
实际上，图2示意性地示出了根据本发明的一个实施例的用于监控飞行器发动机的方法。
在步骤E1，获取模块3(和/或103)配置成在飞行器11的飞行时间期间获取物理输入量ME的当前测量值和物理输出量MS的当前测量值。
在步骤E2，模拟模块5(和/或105)适于模拟飞行器发动机15的物理行为。实际上，模拟模块5包括与发动机15相关的物理量之间的关系的热力学模型，并用作根据输入数据计算输出数据的求解器。因此，模拟模块5配置成根据从获取模块3取得的物理输入量ME的当前测量值，模拟物理输出量VS的值。因此，根据实时观察到的输入值来模拟物理输出量VS的值。
在步骤E3，处理器9(和/或109)配置成计算物理输出量VS的模拟值和物理输出量MS的所对应的当前测量值之间的物理裕度，物理裕度被称为实际裕度。实际裕度表示实时观察到的发动机的实际数据和由模拟模块计算的输出之间的差异。换言之，实际裕度定义了物理模型和观察到的物理量之间的实际误差。
有利地，在飞行器11的飞行的稳定阶段和瞬态阶段期间，由获取模块3获取物理输入量ME的当前测量值和物理输出量MS的当前测量值。
实际上，物理模型具有特定的有效性域，但是在该有效性域之外，建模可被认为是发动机15的行为的合理近似，且可用作学习模块7的支持。然而，应当注意，这个近似值不够好，不能单独使用。
在步骤E4，学习模块7(和/或107)配置成根据物理输入量ME的当前测量值(即，观察到的输入值)来预测裕度，该裕度被称为预测裕度MP。学习模块7包括基于线性回归、神经网络或随机森林类型的已知技术的统计学习模型。
学习模块7基于先前构建的统计学习模型，以根据线性回归或随机森林类型的传统技术来学习裕度。该学习阶段随后参考图3进行描述。
因此，通过校正由模拟模块5在瞬态阶段生成的近似裕度，在模拟模块5和学习模块7之间构建耦合，以允许学习模块7学习根据模拟模块5生成的裕度来预测所有飞行阶段的精确裕度。这种耦合使得可更好地利用模拟模块5所使用的物理模型的有效性空间中的数据，此外，还可获得该有效性空间之外的信息。
在步骤E5，处理器9(和/或109)还配置成计算实际裕度和预测裕度之间的监控残差R。监控残差给出飞行器发动机15的状态的指示。跟踪监控残差改善了计算的裕度，并允许在物理模型的有效性范围之外获得准确的结果。
监控残差R可表示为散点图或曲线图，以用于在计算机17(或117)的交互和/或显示界面23(或123)上查看，从而提供与飞行器发动机相关的趋势、异常或故障信息。有利地，为了更好的可读性，监控残差被聚合成用于合成表示的平均值、模式或任何其他小型化技术。
有利地，在飞行结束时下载在飞行器的飞行期间收集的操作数据。维护中心13中的计算机117执行根据图2的步骤，并在界面123上显示结果。因此，维护专家可查看残差曲线，以在出现异常行为的情况下发出警报，无论是曲线断裂、异常趋势还是异常现象，均发出警报。
图3A和图3B示意性地示出了根据本发明的一个实施例的学习模块的初步学习阶段以及操作阶段。
更具体地，图3A表示学习阶段，在学习阶段期间，学习模块基于非常稳定的参考飞行器发动机115构建学习模型。
为了增加学习的准确性，有利地，在与要监控的发动机相同的环境中使用参考发动机115。还有利地，获取一系列记录飞行中的第一元素，而不是如在统计学习中通常做的那样，从数据库中随机选择飞行。
学习在一个时间窗口[t-k；t]内发生，时间窗口[t-k；t]被定义为与大约几个飞行小时到几十个飞行小时相关，从预定数量的学习飞行的第一次飞行中取得足够数量的示例。实际上，学习模型作用于裕度，而不是直接作用于输出变量。根据定义，裕度较小，因此较为嘈杂，这需要对学习部分进行良好控制，特别是对要使用的示例的数量进行良好控制。示例的数量越大，学习模型越准确。然而，如果示例的数量太大，则发动机会改变状态，模型就会丧失稳定性。因此，选择学习飞行的数量，以在学习模型的准确性和稳定性之间提供折衷，因此有利地选择合理的飞行数量。这个数量取决于学习技术，例如，可以在3到10次飞行之间。
有利地，从时间步长t-k到时间步长t，时间窗口包括与飞行器发动机和飞行器飞行条件相关的物理输入量，直到预测物理输出变量。
实际上，由于在物理模型的有效性区域之外，与发动机和外部条件相关的输入变量未处于稳定状态，所以根据本发明的学习技术考虑了特定时间窗口内的过去经历，以进一步降低噪声。换言之，不仅使用从t-k到t-1的先前时间步长，还使用在时间t处变量的值。应当注意，在传统的学习方法中，根据预测逻辑，仅考虑先前时间步长。
如同在操作阶段，参考发动机115的获取模块在每次学习飞行期间收集在飞行的稳定阶段和瞬态阶段期间与参考发动机115相关的物理输入量ME的当前测量值和物理输出量MS的当前测量值。
物理输入量ME被注入到模拟模块5中。模拟模块根据物理输入量ME的当前测量值来估计物理输出量VS的值。
然后，处理器计算物理输出变量VS的模拟值和物理输出量MS的所对应的当前测量值之间的差异。这些差异产生实际裕度MR。
然后，在数个时间步长内物理输入量ME(与参考发动机和外部条件相关)的测量值以及由模拟模块5生成的实际裕度MR被注入到学习模块7中，使得学习模块7能够构建学习模型。
因此，学习模块7借助于在数个时间步长内影响参考发动机的物理输入量，而不仅仅是瞬时值，来学习实际裕度MR和预测裕度MP之间的关系(即，由物理模型生成的裕度和由学习模型生成的裕度之间的差异)。
因此，通过吸收参数化数据的影响并填充大部分数据的物理模型，促进根据本发明的学习。更具体地，监控系统执行物理模型和学习模型之间的合并，其中，物理模型的结果由学习模型使用来预测裕度。此外，学习基于数据历史，并使用全部记录的时间序列(即，稳定和不稳定的时间序列)。
图3B示出了根据参考图2描述的步骤的操作阶段，包括预测所获得的裕度的值，并将这些裕度值与参考发动机实际输出的裕度进行比较。
更具体地，获取模块在每次操作飞行期间收集与在飞行的所有稳定阶段和瞬态阶段期间被监控的发动机15相关的物理输入量ME的当前测量值和物理输出量MS的当前测量值。
然后，模拟模块5根据物理输入量ME的当前测量值来估计物理输出量VS的值。然后，处理器通过区分物理输出量VS的模拟值和物理输出量MS的所对应的当前测量值之间的差别，来计算实际裕度MR。
然后，学习模块7根据物理输入量ME的当前测量值来确定预测裕度MP。最后，处理器计算实际裕度MR和预测裕度MP之间的监控残差R。
图4示出了根据本发明的一个实施例的表示裕度和监控残差的散点图。
根据该示例，纵坐标轴表示根据以10℃为标度的发动机15(或115)的内部温度的裕度，横坐标轴表示细分成季度的飞行日期或时段。
每个黑点表示每次飞行的实际裕度MR的平均值，每个灰点表示每次飞行的监控残差R的平均值。
最初，存在初步学习阶段(P0时段)，在初步学习阶段，只有黑点(即，实际裕度)。然后，操作阶段(P1-P8时段)开始，在操作阶段，除了实际裕度MR之外，还计算监控残差R(即，灰点)。应当注意，灰点比黑点多得多，因为仅在稳定阶段计算黑点，而在飞行的所有阶段确定灰点。
因此，通过考虑瞬态阶段或不稳定阶段，获得更多的监控点，因此，结果的噪声小得多，以允许自动执行更好的趋势跟踪，从而允许在异常情况下做出更快的反应。这还使得可以监控不稳定阶段或瞬态阶段(例如，在起飞和着陆时)。点越少，确定趋势就越困难。
应当注意，当发动机没有余留裕度时(即，当根据图4的图表的内部温度裕度接近于零时)，发动机被认为是废旧的。该图还显示在P6时段，发动机经过了维护，这允许提高裕度。
因此，根据本发明的监控系统使用物理模型作为一阶近似，这有助于学习。此外，使用参考发动机的第一次飞行来学习模型，而不是采用随机飞行。此外，使用变量的历史，而不仅仅是变量的瞬时值，来适当地对动态部件进行建模。
根据本发明的监控方法和系统适用于所有飞行器发动机，尤其适用于具有许多瞬态阶段或不稳定阶段的飞行器发动机，例如直升机。
Claims (10)
1.一种用于监控飞行器发动机的系统，包括：
-获取模块(3)，所述获取模块配置成在所述飞行器的飞行时间期间，获取与所述飞行器发动机(15)及其环境相关的物理量的当前测量值，所述物理量被称为物理输入量(ME)和物理输出量(MS)，
-用于模拟所述飞行器发动机的物理行为的模块(5)，所述模块配置成根据物理输入量(ME)的所述当前测量值来模拟物理输出量(VS)的值，
-处理器(9)，所述处理器配置成计算物理输出量(VS)的所述模拟值和物理输出量(MS)的所对应的当前测量值之间的物理裕度，所述物理裕度被称为实际裕度(MR)，
-学习模块(7)，所述学习模块配置成根据物理输入量(ME)的所述当前测量值来预测裕度，所述裕度被称为预测裕度(MP)，且所述处理器(9)还配置成计算所述实际裕度(MR)和所述预测裕度(MP)之间的监控残差(R)，所述监控残差给出所述飞行器发动机的状态的指示。
2.根据权利要求1所述的系统，其特征在于，在所述飞行器的飞行的稳定阶段和瞬态阶段期间获取物理输入量和物理输出量的所述当前测量值。
3.根据权利要求1或2所述的系统，其特征在于，所述系统包括用于查看所述监控残差的图形表示的显示界面(23)。
4.根据权利要求1至3中任一项所述的系统，其特征在于，所述学习模块(7)基于在预定数量的学习飞行期间通过使用参考飞行器发动机(115)预先构建的学习模型，与所述参考发动机相关的物理输入量的测量值以及由所述模拟模块生成的实际裕度在每次学习飞行期间被注入到所述学习模块中，使得所述学习模块能够构建所述学习模型。
5.根据权利要求4所述的系统，其特征在于，选择所述学习飞行的数量，以在所述学习模型的准确性和稳定性之间提供折衷，且仅考虑一系列飞行中的第一元素。
6.根据权利要求4或5所述的系统，其特征在于，根据线性回归或随机森林的统计技术来构建所述学习模型(7)。
7.根据前述权利要求中任一项所述的系统，其特征在于，物理输入量包括与所述飞行器发动机和/或所述飞行器的飞行条件相关的至少一个输入参数，所述至少一个输入参数包括从所述发动机的转速、外部温度、外部压力、燃料流速、从所述发动机获取的空气流速、从所述发动机抽取的电能、叶片位置、飞行高度、过滤器的存在与否中选择的至少一个参数，且物理输出量包括表示所述飞行器发动机的运行状态的至少一个输出参数，所述至少一个输出参数包括从所述发动机的内部温度和所述发动机的轴的扭矩中选择的至少一个参数。
8.根据前述权利要求中任一项所述的系统，其特征在于，所述监控残差被聚合成用于合成表示的平均值或模式。
9.根据前述权利要求中任一项所述的系统，其特征在于，所述飞行器发动机(15)是直升机涡轮发动机。
10.一种用于监控飞行器发动机的方法，包括如下步骤：
-在所述飞行器的飞行时间期间，获取与所述飞行器发动机及其环境相关的物理量的当前测量值，所述物理量被称为物理输入量(ME)和物理输出量(MS)，
-根据物理输入量(ME)的所述当前测量值来模拟物理输出量(VS)的值，
-计算物理输出量(VS)的所述模拟值和物理输出量(MS)的所对应的当前测量值之间的物理裕度，所述物理裕度被称为实际裕度(MR)，
-根据物理输入量的所述当前测量值来预测裕度，所述裕度被称为预测裕度(MP)，以及
-计算所述实际裕度和所述预测裕度之间的监控残差(R)，所述监控残差给出所述飞行器发动机的状态的指示。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1904283A FR3095424A1 (fr) | 2019-04-23 | 2019-04-23 | Système et procédé de surveillance d’un moteur d’aéronef |
| FR1904283 | 2019-04-23 | ||
| PCT/FR2020/000143 WO2020217004A1 (fr) | 2019-04-23 | 2020-04-21 | Système et procédé de surveillance d'un moteur d'aéronef |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113748066A true CN113748066A (zh) | 2021-12-03 |
Family
ID=68210889
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202080031237.XA Pending CN113748066A (zh) | 2019-04-23 | 2020-04-21 | 用于监控飞行器发动机的系统和方法 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US20220242592A1 (zh) |
| EP (1) | EP3941826A1 (zh) |
| CN (1) | CN113748066A (zh) |
| FR (1) | FR3095424A1 (zh) |
| WO (1) | WO2020217004A1 (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3101669B1 (fr) * | 2019-10-07 | 2022-04-08 | Safran | Dispositif, procédé et programme d’ordinateur de suivi de moteur d’aéronef |
| US20230245503A1 (en) * | 2022-02-02 | 2023-08-03 | The Boeing Company | Smart digital twin for monitoring a machine |
| FR3133885A1 (fr) * | 2022-03-28 | 2023-09-29 | Safran | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
| FR3133884A1 (fr) * | 2022-03-28 | 2023-09-29 | Safran | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
| US20230401899A1 (en) * | 2022-06-08 | 2023-12-14 | The Boeing Company | Component maintenance prediction system with behavior modeling |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080120080A1 (en) * | 2006-04-12 | 2008-05-22 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
| US20110288836A1 (en) * | 2008-11-28 | 2011-11-24 | Snecma | Detection of anomalies in an aircraft engine |
| US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
| EP3035140A1 (en) * | 2014-12-19 | 2016-06-22 | Rolls-Royce Deutschland Ltd & Co KG | Equipment health monitoring method and system |
| FR3035232A1 (fr) * | 2015-04-20 | 2016-10-21 | Snecma | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe |
| US20170176292A1 (en) * | 2014-03-27 | 2017-06-22 | Safran Aircraft Engines | Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal |
| US20170352205A1 (en) * | 2014-11-05 | 2017-12-07 | Safran Aircraft Engines | Validation tool for an aircraft engine monitoring system |
| CN107463161A (zh) * | 2016-06-02 | 2017-12-12 | 空中客车运营简化股份公司 | 预测飞行器中的故障的方法和系统以及监控系统 |
| US20180102000A1 (en) * | 2016-10-10 | 2018-04-12 | General Electric Company | Aerial vehicle engine health prediction |
| US20180268288A1 (en) * | 2017-03-14 | 2018-09-20 | General Electric Company | Neural Network for Steady-State Performance Approximation |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090048730A1 (en) * | 2007-08-17 | 2009-02-19 | General Electric Company | Method and system for planning repair of an engine |
| US20130024179A1 (en) * | 2011-07-22 | 2013-01-24 | General Electric Company | Model-based approach for personalized equipment degradation forecasting |
| FR3003032B1 (fr) | 2013-03-07 | 2015-04-03 | Turbomeca | Procede et systeme de controle de la sante d'une turbomachine d'aeronef |
| US10055537B2 (en) * | 2013-03-14 | 2018-08-21 | Honeywell International Inc. | Simulation methods and systems for an aircraft |
-
2019
- 2019-04-23 FR FR1904283A patent/FR3095424A1/fr active Pending
-
2020
- 2020-04-21 US US17/605,269 patent/US20220242592A1/en active Pending
- 2020-04-21 EP EP20727833.4A patent/EP3941826A1/fr active Pending
- 2020-04-21 WO PCT/FR2020/000143 patent/WO2020217004A1/fr unknown
- 2020-04-21 CN CN202080031237.XA patent/CN113748066A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080120080A1 (en) * | 2006-04-12 | 2008-05-22 | Edsa Micro Corporation | Systems and methods for alarm filtering and management within a real-time data acquisition and monitoring environment |
| US20110288836A1 (en) * | 2008-11-28 | 2011-11-24 | Snecma | Detection of anomalies in an aircraft engine |
| US8600917B1 (en) * | 2011-04-18 | 2013-12-03 | The Boeing Company | Coupling time evolution model with empirical regression model to estimate mechanical wear |
| US20170176292A1 (en) * | 2014-03-27 | 2017-06-22 | Safran Aircraft Engines | Method for assessing whether or not a measured value of a physical parameter of an aircraft engine is normal |
| US20170352205A1 (en) * | 2014-11-05 | 2017-12-07 | Safran Aircraft Engines | Validation tool for an aircraft engine monitoring system |
| EP3035140A1 (en) * | 2014-12-19 | 2016-06-22 | Rolls-Royce Deutschland Ltd & Co KG | Equipment health monitoring method and system |
| FR3035232A1 (fr) * | 2015-04-20 | 2016-10-21 | Snecma | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe |
| CN107463161A (zh) * | 2016-06-02 | 2017-12-12 | 空中客车运营简化股份公司 | 预测飞行器中的故障的方法和系统以及监控系统 |
| US20180102000A1 (en) * | 2016-10-10 | 2018-04-12 | General Electric Company | Aerial vehicle engine health prediction |
| US20180268288A1 (en) * | 2017-03-14 | 2018-09-20 | General Electric Company | Neural Network for Steady-State Performance Approximation |
| CN108594788A (zh) * | 2018-03-27 | 2018-09-28 | 西北工业大学 | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3941826A1 (fr) | 2022-01-26 |
| FR3095424A1 (fr) | 2020-10-30 |
| WO2020217004A1 (fr) | 2020-10-29 |
| US20220242592A1 (en) | 2022-08-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220242592A1 (en) | System and method for monitoring an aircraft engine | |
| EP2202147B1 (en) | Operations support systems and methods for power management | |
| EP2202500B1 (en) | Operations support systems and methods for engine diagnostic | |
| EP1777157B1 (en) | System and Method for Predicting Device Deterioration | |
| EP2740916B1 (en) | Operations support systems and methods for calculating and evaluating turbine temperatures and health | |
| US10380277B2 (en) | Application of virtual monitoring of loads | |
| RU2664126C2 (ru) | Контроль авиационного двигателя, предваряющий операции технического обслуживания | |
| EP2207072A2 (en) | Operations support systems and methods with engine diagnostics | |
| US8478479B2 (en) | Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft | |
| US20090326890A1 (en) | System and method for predicting system events and deterioration | |
| US10408707B2 (en) | Abnormality diagnosing method and abnormality diagnosing system | |
| US20060212281A1 (en) | System and method for system-specific analysis of turbomachinery | |
| US10417843B2 (en) | Method for predicting an operational malfunction in the equipment of an aircraft or aircraft fleet | |
| US20070005527A1 (en) | Model reduction system and method for component lifing | |
| US7801695B2 (en) | Operations support systems and methods with model-based torque estimates | |
| US10032322B2 (en) | Validation tool for an aircraft engine monitoring system | |
| US5987397A (en) | Neural network system for estimation of helicopter gross weight and center of gravity location | |
| EP3947961B1 (en) | A method for estimating remaining useful life of components of an operational wind turbine | |
| US20180170580A1 (en) | Method for monitoring an aircraft engine operating in a given environment | |
| CN113053171A (zh) | 一种民机系统风险预警方法及系统 | |
| US7254491B2 (en) | Clustering system and method for blade erosion detection | |
| Reed | Development of a parametric-based indirect aircraft structural usage monitoring system using artificial neural networks | |
| Liqing et al. | A frame design of helicopter health monitoring and diagnosis system based on testability | |
| Berry et al. | Automatic regime recognition using neural networks | |
| Shang et al. | Research on software fault mode time prediction method based on Matlab/Simulink virtual simulation |
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 |