CN115045760A - 使用基于快照-ceod的方法监测和诊断发动机健康状况的系统和方法 - Google Patents

使用基于快照-ceod的方法监测和诊断发动机健康状况的系统和方法 Download PDF

Info

Publication number
CN115045760A
CN115045760A CN202210176126.9A CN202210176126A CN115045760A CN 115045760 A CN115045760 A CN 115045760A CN 202210176126 A CN202210176126 A CN 202210176126A CN 115045760 A CN115045760 A CN 115045760A
Authority
CN
China
Prior art keywords
snapshot
snapshot data
asset
synthetic
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.)
Pending
Application number
CN202210176126.9A
Other languages
English (en)
Inventor
万森斯·穆拉里达兰
陈言
特雷弗·A·特斯米特
史蒂文·拉维恩·约翰
雷宾斯·罗宾
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 CN115045760A publication Critical patent/CN115045760A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Testing Of Engines (AREA)
  • Investigating Or Analysing Biological Materials (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

提供了用于监测和诊断发动机健康状况的系统和方法。在一个方面，系统接收与资产相关联的连续操作数据(COD)。COD包括收集时间段内的一个或多个参数的参数值。该系统至少部分地基于COD来生成合成快照数据。合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值。该系统还接收与资产相关联的快照数据。快照数据包括一个或多个快照，每个快照包含给定时间点的一个或多个参数的参数值。该系统至少部分地基于快照数据和合成快照数据来生成指示资产或其一个或多个部件的健康状况的输出。

Description

使用基于快照-CEOD的方法监测和诊断发动机健康状况的系 统和方法
技术领域
本主题大体涉及监测和诊断发动机健康状况的系统和方法。
背景技术
实体期望他们的资产在线时以最佳方式操作，他们离线的时间尽可能短，被安排所有维修/翻新(没有未安排事件/维护)，并避免故障事件。例如，飞行器运营商期望他们的发动机以高效率和高性能操作，尽可能少地在机翼外或机外花费时间，被安排所有维修和服务访问，并避免发动机部件的重大故障事件。了解发动机和/或其一个或多个部件的健康状态可以有助于实现这些目标。
了解发动机和/或其一个或多个部件的健康状态会带来许多挑战。例如，航空燃气涡轮发动机通常具有有限的机载传感器来测量或感测可指示发动机/部件健康状态的参数值。通常，发动机和/或其部件的健康状态基于在发动机的操作期间在各个时间点捕获的有限数量的数据快照。每个快照包括各种参数的捕获值。捕获的参数值被馈送到健康状态模块，并且输出是发动机和/或其一个或多个部件的健康状态。虽然传统模块的健康状态可以提供对发动机健康状态的洞察，但健康状态可能仅基于有限数量的快照。这种有限数量的快照可能无法提供减少未安排发动机拆卸(UER)和重大事件，以及针对发动机健康问题的计划/目标维修/维护以最大化飞行时间(TOW)所需的粒度级别。
因此，解决上述一个或多个挑战的系统和方法将是有用的。
发明内容
本公开的方面涉及控制涡轮机的分布式控制系统和方法。本发明的方面和优点将在下面的描述中部分阐述，或者可以从描述中显而易见，或者可以通过本发明的实践来学习。
在一个方面，提供了一种系统。该系统包括一个或多个存储器装置和一个或多个处理器。一个或多个处理器被构造为：接收与资产相关联的连续操作数据，连续操作数据包括收集时间段内的一个或多个参数的参数值；至少部分地基于连续操作数据生成合成快照数据，合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值；接收与资产相关联的快照数据，快照数据包括一个或多个快照，每个快照包含在资产的操作期间给定时间点的一个或多个参数的参数值；以及至少部分地基于快照数据和合成快照数据生成指示资产或其一个或多个部件的健康状况的输出。
在另一方面，提供了一种方法。该方法包括由系统的一个或多个处理器接收与资产相关联的连续操作数据，连续操作数据包括收集时间段内的一个或多个参数的参数值。另外，该方法包括由一个或多个处理器至少部分地基于连续操作数据来生成合成快照数据，合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值。此外，该方法包括由一个或多个处理器接收与资产相关联的快照数据，快照数据包括一个或多个快照，每个快照包含在资产的操作期间给定时间点的一个或多个参数的参数值。该方法还包括由一个或多个处理器至少部分地基于快照数据和合成快照数据来生成指示资产或其一个或多个部件的健康状况的输出。
在进一步方面，提供了一种方法。该方法包括由系统的一个或多个处理器接收与航空燃气涡轮发动机相关联的连续发动机操作数据，连续发动机操作数据包括收集时间段内的一个或多个参数的参数值。该方法还包括由一个或多个处理器至少部分地基于连续发动机操作数据来生成合成快照数据，合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值。该方法进一步包括由一个或多个处理器通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，一个或多个COD-快照传递函数将一个或多个合成快照和与航空燃气涡轮发动机相关联的历史快照数据相关联。另外，该方法包括由一个或多个处理器接收与燃气涡轮发动机相关联的快照数据，快照数据包括一个或多个快照，每个快照包含收集时间段内给定时间点的一个或多个参数的参数值。此外，该方法包括由一个或多个处理器将一个或多个新快照添加到快照数据。该方法还包括由一个或多个处理器至少部分地基于一个或多个快照、新快照和合成快照来生成指示航空燃气涡轮发动机或其一个或多个部件的健康状况的输出。
通过参考以下描述和所附权利要求，本发明的这些和其他特征、方面和优点将变得更好理解。结合到本说明书中并构成本说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。
附图说明
在参考附图的说明书中阐述了针对本领域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，其中：
图1提供了根据本主题的一个示例实施例的航空燃气涡轮发动机的示意横截面视图；
图2提供了根据本主题的一个示例实施例的系统的框图；
图3提供了根据本主题的一个示例实施例的快照数据的框图；
图4提供了描绘在飞行期间安装有资产的飞行器的高度作为时间的函数的曲线图，并且还示出了在飞行期间捕获的快照，其中快照是图3的快照数据的一部分；
图5提供了根据本主题的一个示例实施例的连续操作数据(COD)的框图；
图6提供了描绘在图4的飞行期间安装有资产的飞行器的高度作为时间的函数的曲线图，并且还示出了捕获图5的COD的时间段；
图7示出了在图4和图6中描绘的飞行的COD收集时间段内的各个时间点生成的合成快照；
图8提供了描绘图2的系统的快照创建器模块创建新快照的框图；
图9提供了描绘图2的系统的快照数据健康状况指示器模块为指示图2的资产或其部件的健康状况的各种警报生成警报分数的框图；
图10提供了描绘图2的系统的合成快照数据健康状况指示器模块为指示图2的资产或其部件的健康状况的各种警报生成警报分数的框图；
图11提供了根据本主题的一个示例实施例的监测和诊断资产的健康状况的示例方法的流程图；和
图12提供了用于实施本主题的一个或多个方面的示例计算系统的示意图。
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号来指代附图中的特征。在附图和描述中，相似或类似的标号已经被用于指代本发明的相似或类似的部分。如本文所用，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，“下游”是指流体向其流动的流动方向。
本公开的方面指向用于监测和诊断资产(诸如航空燃气涡轮发动机)的健康状况的系统和方法。本文提供的系统和方法利用基于快照连续操作数据的方法来确定资产的健康状况。传统上，尚没有使用连续操作数据来生成健康状况估计。
在资产的操作期间，捕获两种类型的数据，包括快照数据和连续操作数据(COD)。在资产的操作期间的不同时间点捕获快照数据。也就是说，在特定时间点，捕获资产的操作条件的“快照”。快照包括在资产的操作期间特定时间点的各种参数值。在资产的操作期间连续捕获连续操作数据。特别地，可以在收集时间段(例如，从飞行开始到结束)期间收集连续操作数据。连续操作数据可以包括大量数据，其包括收集时间段内各种参数的捕获值。与资产相关联的一个或多个传感器可以感测或测量两类数据的参数值。
在一个方面，系统接收与资产相关联的连续操作数据。连续操作数据包括收集时间段内参数的参数值。系统至少部分地基于连续操作数据生成合成快照数据。合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值。在一些实施例中，系统通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，该一个或多个COD-快照传递函数将一个或多个合成快照和与航空燃气涡轮发动机相关联的历史快照数据相关联。在一些实施例中，系统可以通过应用一组规则来创建一个或多个新快照。除了接收连续操作数据之外，系统还接收与燃气涡轮发动机相关联的快照数据，快照数据包括一个或多个快照，每个快照包含收集时间段内给定时间点的一个或多个参数的参数值。系统将一个或多个新快照添加到快照数据。
系统将一种或多种时间序列模式识别技术应用于快照数据，以确定与快照数据相关联的至少一个警报分数。至少部分地基于与快照数据的一个或多个参数的参数值相关联的一个或多个检测到的特征来确定与快照数据相关联的警报分数。此外，系统将一种或多种时间序列模式识别技术应用于合成快照数据，以确定与合成快照数据相关联的至少一个警报分数。至少部分地基于与合成快照数据的一个或多个参数的参数值相关联的一个或多个检测到的特征来确定与合成快照数据相关联的警报分数。系统经由概率聚合技术将与快照数据相关联的至少一个警报分数和与合成快照数据相关联的至少一个警报分数聚合成聚合警报分数。系统至少部分地基于一个或多个快照、新快照和合成快照，或更具体地，至少部分地基于聚合警报分数生成指示资产或其一个或多个部件的健康状况的输出。这样，指示资产的健康状况的输出是基于接收的快照数据和接收的COD数据。
图1提供了根据本主题的一个示例性实施例的航空燃气涡轮发动机的示意横截面视图。特别地，图1提供了航空高旁通涡轮风扇发动机，本文称为“涡轮风扇发动机10”。图1的涡轮风扇发动机10可以安装到飞行器(例如固定翼飞行器)，并且可以产生用于推进飞行器的推力。作为参考，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，出于参考目的，涡轮风扇发动机10限定了沿轴向方向A延伸的轴向中心线或纵向轴线12。一般而言，轴向方向A平行于纵向轴线12延伸，径向方向R在垂直于轴向方向A的方向上从纵向轴线12向外延伸和向内延伸到纵向轴线12，并且周向方向围绕纵向轴线12延伸三百六十度(360°)。
涡轮风扇发动机10包括核心燃气涡轮发动机14和定位在其上游的风扇区段16。核心发动机14包括限定环形核心入口20的管状外壳18。外壳18进一步包围并支撑增压或低压压缩机22，增压或低压压缩机22用于对通过核心入口20进入核心发动机14的空气加压。高压、多级、轴流式压缩机24接收来自LP压缩机22的加压空气，并进一步增加该空气的压力。加压空气流向下游流动至燃烧器26，在燃烧器26中燃料被喷射到加压空气流中并被点燃，以提高加压空气的温度和能量水平。高能燃烧产物从燃烧器26向下游流动到高压涡轮28，用于通过高压线轴30或第二可旋转部件驱动高压压缩机24。高能燃烧产物然后流向低压涡轮32，用于通过低压线轴34或第一可旋转部件驱动LP压缩机22和风扇区段16。在该示例实施例中，LP线轴34与HP线轴30同轴。在驱动涡轮28和32中的每一个之后，燃烧产物通过排气喷嘴36离开核心发动机14以产生推进推力。
风扇区段16包括可旋转轴流式风扇转子38，其被环形风扇壳体40包围。风扇壳体40由核心发动机14通过多个基本上径向延伸、周向间隔开的出口导向轮叶42支撑。以这种方式，风扇壳体40包围风扇转子38和多个风扇叶片44。风扇壳体40的下游区段46在核心发动机14的外部分上延伸以限定旁通通道48。穿过旁通通道48的空气提供推进推力，这将在下文进一步解释。在一些替代实施例中，LP线轴34可以经由减速装置(例如减速齿轮箱)以间接驱动或齿轮驱动构造连接到风扇转子38。根据需要或要求，这种减速装置可以被包括在涡轮风扇发动机10内的任何合适的轴/线轴之间。
在涡轮风扇发动机10的操作期间，由箭头50表示的初始或进入气流通过由风扇壳体40限定的入口52进入涡轮风扇发动机10。气流50穿过风扇叶片44并分成移动通过旁通通道48的第一气流(由箭头54表示)和通过核心入口20进入LP压缩机22的第二气流(由箭头56表示)。
第二气流56的压力由LP压缩机22逐渐增加，然后进入HP压缩机24，如箭头58所示。排放的加压空气流向下游流向燃烧器26，在燃烧器26中引入燃料以产生燃烧气体或产物。燃烧产物60离开燃烧器26并流过HP涡轮28。燃烧产物60然后流过LP涡轮32并离开排气喷嘴36以产生推力。此外，如上所述，进入气流50的一部分流过旁通通道48并流过限定在风扇壳体40和外壳18之间的风扇壳体40的下游区段46处的出口喷嘴。以这种方式，产生巨大的推进推力。
如图1中进一步所示，燃烧器26限定与纵向中心线轴线12大致同轴的环形燃烧室62，以及入口64和出口66。燃烧器26接收来自高压压缩机排放出口69的环形加压空气流。该压缩机排放空气的一部分(“CDP”空气)流入混合器(未示出)。燃料从燃料喷嘴68喷射以与空气混合并形成燃料-空气混合物，该燃料-空气混合物被提供给燃烧室62用于燃烧。燃料-空气混合物的点火由合适的点火器完成，并且产生的燃烧气体60在轴向方向A上流向并流入环形的第一级涡轮喷嘴72。喷嘴72由包括多个径向延伸、周向间隔开的喷嘴轮叶74的环形流动通道限定，这些喷嘴轮叶74使气体转向，使得它们有角度地流动并撞击HP涡轮28的第一级涡轮叶片。对于该实施例，HP涡轮28经由HP线轴30使HP压缩机24旋转，并且LP涡轮32经由LP线轴34驱动LP压缩机22和风扇转子38。
尽管涡轮风扇发动机10已在图1中被描述和示出为代表示例燃气涡轮发动机，但本公开的主题可应用于其他合适类型的发动机和涡轮机。例如，本公开的主题可以应用于其他合适的涡轮发动机(例如蒸汽和其他燃气涡轮发动机)或与其他合适的涡轮发动机结合。示例燃气涡轮发动机可包括但不限于涡轮喷气发动机、涡轮螺旋桨发动机、涡轮轴发动机、航改发动机、辅助动力单元等。此外，如下文将解释的，燃气涡轮发动机(例如涡轮风扇发动机10)是可以通过本文所述的系统和方法监测和诊断的资产的一个示例。
图2提供了根据本主题的一个示例实施例的系统100的框图。系统100可用于监测和诊断资产300或许多资产的健康状况。在图2所示的实施例中，资产300是图1的涡轮风扇发动机10。然而，应当理解，系统100可以用于监测和诊断其他资产(例如，需要健康状况监测的任何合适的机器、装置、系统等)的健康状况。作为一个示例，资产可以是飞行器的起落架。作为另一个示例，资产可以是旋翼飞行器的主旋翼。作为又一示例，资产可以是用于石油和天然气勘探的钻柱的钻头。这些示例并非旨在限制；可以设想其他示例。
资产300可以包括一个或多个相关联的传感器302，用于例如在资产300的操作期间测量或感测资产300的操作条件。特别地，传感器302可以测量或感测用于指示资产300的操作条件的一个或多个参数的值。可以为燃气涡轮发动机记录的示例参数包括但不限于低压线轴速度N1、高压或核心线轴速度N2、压缩机入口压力P2和温度T2、压缩机排放压力P3、和/或燃烧器的入口处的温度T3或出口处的温度T45。其他示例参数可以包括高度、空气速度、环境温度、天气条件等。也可以感测其他参数的值。
通常，资产300的一个或多个传感器302捕获两种类型的数据，包括快照数据和连续操作数据(COD)。COD在航空燃气涡轮发动机领域也称为连续发动机操作数据(CEOD)。下面将进一步解释这两种数据类型。
通常，快照数据包括在给定时间点或“时间点”捕获的一个或多个快照或数据快照。每个快照包含给定时间点的一个或多个参数的参数值。例如，参考图3和图4，图3提供了根据本主题的一个示例实施例的快照数据200的框图。图4提供了描绘在飞行期间安装有资产300的飞行器的高度作为时间的函数的曲线图。图4还示出了在飞行期间捕获的快照，其中快照是图3的快照数据200的一部分。如图所示，在资产300的操作期间捕获各种快照。具体地，快照数据200包括在时间t1捕获的第一快照S1、在时间t2捕获的第二快照S2和在时间t3捕获的第三快照S3。应当理解，快照数据200也可以包括其他数据快照，由在时间tN捕获的第N快照表示。快照数据200可以包括任何合适数量的快照。如本文所用，N表示任何合适的整数。
每个快照S1、S2、S3、SN包括给定时间点的一个或多个参数的参数值。例如，在时间t1捕获的第一快照S1包括分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数的参数值PV1-1、PV2-1、PV3-1、PVN-1。在时间t1捕获第一快照S1的所有参数值。同样地，在时间t2捕获的第二快照S2包括分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数PN的参数值PV1-2、PV2-2、PV3-2、PVN-2。在时间t2捕获第二快照S2的所有参数值。此外，在时间t3捕获的第三快照S3包括分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数PN的参数值PV1-3、PV2-3、PV3-3、PVN-3。在时间t3捕获第三快照S3的所有参数值。其他快照也可以包括参数的参数值，如第N快照中所示。
可以基于触发条件来捕获快照。作为一个示例，可以以预定时间间隔捕获快照。作为另一个示例，可以在安装有资产300的飞行器达到预定高度时捕获快照。例如，如图4所示，飞行器在各个飞行阶段(FP)(包括起飞FP1、爬升FP2、巡航FP3以及下降和着陆FP4)中操作。如图所示，在该示例中设置预定高度，使得在起飞FP1期间捕获第一快照S1，在爬升FP2期间捕获第二快照S2，并且在巡航FP3期间捕获第三快照S3。如上所述，可以捕获其他快照。例如，可以在飞行器在巡航FP3中执行步进爬升SC之后或当飞行器第二次达到预定高度时(例如在下降和着陆FP4期间的某个点)捕获快照。总之，快照数据200包括一个或多个数据快照，每个数据快照捕获给定时间点资产300或其一些部件的操作条件。
返回图2，如图所示，资产300可以包括通信单元304或与通信单元304相关联。感测到的快照或快照数据可以被路由到通信单元304。通信单元304可以是安装有资产300的飞行器的数字数据链路系统或通信管理单元(CMU)。因此，在一些实施例中，通信单元304例如可以是飞行器通信、寻址和报告系统(ACARS)。通信单元304可以直接安装到资产300或者可以远离资产300定位，例如，在安装有资产300的飞行器的机身内。通信单元304可以包括一个或多个处理器、一个或多个存储器装置、以及用于将消息、警报等通信到远程站的通信接口。作为一个示例，快照数据可以由通信单元304接收和存储。通信单元304然后可以将快照数据传输到远程站，例如地面站或另一飞行器。可以使用任何合适的传输技术和协议将快照数据传输到远程站。如本文将进一步解释的，系统100可以接收快照数据并且基于接收到的快照数据进行资产300的健康状况评估。
除了快照数据之外，资产300的一个或多个传感器302可以捕获COD，或在该示例中，捕获CEOD。通常，顾名思义，COD是在一时间段(例如，从起点跨越到终点的COD收集时间段)内连续捕获的。COD包括在该时间段内为一个或多个参数捕获的参数值。可以以不同的捕获率(例如，每毫秒一次、每秒一次、每三秒一次等)捕获参数值。参数的参数值以帧或捕获帧的形式捕获。
例如，参考图5和图6，图5提供了根据本主题的一个示例实施例的COD 210的框图。图6提供了描绘在飞行期间安装有资产300的飞行器的高度作为时间的函数的曲线图。图6还示出了捕获图5的COD的时间段。如图5所示，COD 210包括时序捕获帧，包括第一捕获帧CF1、第二捕获帧CF2、第三捕获帧CF3，以此类推至第N捕获帧CFN。COD 210可以包括任何合适数量的捕获帧。
COD 210的每个捕获帧CF1、CF2、CF3、CFN包括为一个或多个参数捕获的参数值。例如，第一捕获帧CF1具有分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数的捕获的参数值V1-1、V2-1、V3-1、VN-1。随着资产继续操作，捕获额外的参数值捕获帧。具体地，第二捕获帧CF2具有分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数PN的捕获的参数值V1-2、V2-2、V3-2、VN-2。此外，第三捕获帧CF3具有分别对应于第一参数P1、第二参数P2、第三参数P3和第N参数PN的捕获的参数值V1-3、V2-3、V3-3、VN-3。如将理解的，COD 210可以包括比图5中所示的由第N捕获帧表示的更多的捕获的数据帧。为快照数据捕获值的一些参数和为COD数据捕获值的参数可以相同或重叠。因此，为快照数据捕获的一些值和为COD数据捕获的值可以相同或重叠。
COD 210可以如上所述在一段时间内被捕获。COD收集时间段可以跨越在起点和终点之间。如图6所示，在一些实施例中，起点可以对应于安装有资产300的飞行器起飞时或起飞前的时间。COD 210可以在资产300上电或卷起(spooling up)时、在起飞滑行时或在另一个合适的时间点(例如，就在起飞之前或之后)开始被感测和记录。可以根据需要为整个飞行或部分飞行连续感测和记录COD 210。对于图6中所描绘的飞行，COD 210从发生在起飞之前的起点到发生在飞行器着陆之后的终点被感测和记录。
再次返回图2，资产300可以包括记录COD 210的记录器306或与记录COD 210的记录器306相关联。例如，安装有资产300的运载器的发动机监测单元或“黑匣子”可以记录感测到的COD 210。感测到的COD 210可以存储在记录器306的一个或多个存储器装置中。记录器306可以安装到资产300(例如，安装到整流罩或在整流罩下方)或可以远离资产300定位(例如，在安装有资产300的飞行器的航空电子设备舱中)。一旦记录并存储在记录器306中，COD 210例如通过有线通信链路、无线地或通过一些其他方法被传输、路由或以其他方式移动到远程站。COD 210可以自动或手动移动到远程站。可以使用任何合适的传输技术和协议将COD 210传输到远程站。如本文将进一步解释的，系统100可以接收除快照数据之外的COD210并且基于接收到的快照数据和COD数据进行与资产300相关联的健康状况评估。
现在将详细描述系统100。通常，如上所述，系统100可操作以监测和诊断资产300或其部件的健康状况。系统100可以包括例如体现在一个或多个计算装置和数据存储装置中的一个或多个处理装置和一个或多个存储器装置。一个或多个存储器装置可以存储可由一个或多个处理器访问的数据和指令，包括可由一个或多个处理器执行的计算机可读指令。指令可以是当由一个或多个处理器执行时使一个或多个处理器进行操作(例如本文描述的用于监测和诊断资产300的健康状况的操作)的任何指令集。
如图2所示，系统100接收与资产300相关联的快照数据200。接收到的快照数据200被存储在数据存储装置(例如快照数据存储装置110)中。此外，系统100接收与资产300相关联的COD 210。接收到的COD 210存储在数据存储装置(例如COD数据存储装置120)中。随着COD 210的存储，COD 210被访问，并且在参数计算模块130处，系统100的一个或多个处理器至少部分地基于COD 210确定与资产300相关联的附加参数的一个或多个值。作为示例，如上所述，COD 210可以包括各种参数(例如发动机的不同站处的压力和温度、环境温度、轴线轴速度等)的感测参数值。这些参数的感测值可用于计算或确定与资产300相关联的其他参数的值。例如，参数(诸如排气温度(EGT)、发动机压力比、失速裕度、各种质量流量、各种效率等)的参数值可以至少部分地基于感测值来确定。计算的参数值可用于监测和评估资产300的健康状况。参数的计算值可以添加到COD 210中或以其他方式包括在COD 210中。
在合成快照生成器模块140处，处理包括与资产300相关联的参数的感测值和计算值的COD 210。特别地，系统100的一个或多个处理装置可以至少部分地基于COD 210来生成合成快照数据220。生成的合成快照数据可以包括一个或多个合成快照。每个合成快照可以包含时间段(即从COD收集的起点跨越到终点的时间段)内给定时间点的一个或多个参数的感测参数值和/或计算参数值。例如，图7示出了在COD收集时间段内的各个时间点生成的合成快照。具体地，第一合成快照SN1在时间点t1-SN生成，第二合成快照SN2在时间点t2-SN生成，第三合成快照SN3在时间点t3-SN生成。通过生成合成快照，包含在COD 210中的大量数据可以被分解为可用于监测和诊断资产300或其部件的健康状况的可管理、更易于处理的数据点。
可以针对COD收集时间段内的任何合适的时间点生成合成快照。作为一个示例，可以在作为快照数据的一部分捕获的快照之间的中途中时间间隔的时间点处生成合成快照。作为另一示例，可以在时间点生成合成快照，使得至少一个合成快照与作为快照数据的一部分捕获的每个快照间隔预定时间(例如，15秒)。作为又一示例，可以在与一个、一些或所有飞行阶段中的特定参数的最大值或最小值相对应的时间点生成合成快照。例如，对于每个飞行阶段，可以在与起飞期间的资产300的压缩机的出口处的最大压力相对应的时间点生成一个合成快照，可以在与爬升期间的资产300的压缩机的出口处的最大压力相对应的时间点生成一个合成快照，可以在与巡航期间的资产300的压缩机的出口处的最大压力相对应的时间点生成一个合成快照，等等。在一些实施例中，可以在给定飞行阶段、一些飞行阶段或所有飞行阶段内的时间点生成多个合成快照。例如，可以在第一时间点生成与给定一个飞行阶段中的第一参数的最大值或最小值相对应的第一合成快照，并且可以在第二时间点生成与相同飞行阶段中的第二参数的最大值或最小值相对应的第二合成快照。也可以基于其他标准和/或考虑在COD收集时间段内的时间点生成合成快照。
在一些实施例中，合成快照中的一个或多个可以包括来自单个捕获帧的参数值。在一些实施例中，合成快照中的一个或多个是在时间上彼此接近的给定或多个捕获帧。例如，在某些情况下，在给定捕获帧中感测到创建合成快照所需的每个参数的参数值。为了获得所需参数的参数值，可以利用来自时间相邻或时间最近的捕获帧的参数值来生成合成快照。
如图2所示，对于该实施例，生成的包括合成快照的合成快照数据被路由到两个模块，包括快照创建器模块150和合成健康状况模块170。在一些替代实施例中，系统100不包括快照创建器模块150。因此，在这样的替代实施例中，合成快照数据被路由到合成健康状况模块170而不是快照创建器模块150。
快照创建器模块150被用作特征生成工具。具体地，在合成快照生成器模块140处生成的合成快照数据220被输入到快照创建器模块150。然后快照创建器模块150使用合成快照数据220创建一个或多个新快照。可以将一个或多个新快照添加到存储在快照数据存储装置110中的快照数据200。这样，新快照可以增强或扩充快照数据。增加的数据点数量可以增加系统100提供的健康警报的置信度。
快照创建器模块150通过应用利用一个或多个COD-快照传递函数的一个或多个机器学习模型来创建新快照，该一个或多个COD-快照传递函数将一个或多个合成快照和与资产相关联的历史快照数据相关联。在一些实施例中，历史快照数据包括在快照数据存储装置110处接收到的最近的飞行或操作周期的快照数据。快照创建器模块150可以包括指令、模型、功能等。系统100的一个或多个处理器可以执行指令以实施模型、功能等，从而最终创建新快照。
作为示例，图8提供了描绘系统100的快照创建器模块150创建新快照的框图。如图所示，合成快照数据220被输入到快照创建器模块150中。合成快照数据220包括第一合成快照SN1、第二合成快照SN2、第三合成快照SN3，以此类推至第N合成快照SNN。如上所述，每个合成快照SN1、SN2、SN3、SNN可以包括给定时间点的参数值。如图8所示，合成快照SN1、SN2、SN3、SNN被馈送到机器学习模型152中。特别地，合成快照SN1、SN2、SN3、SNN被馈送到机器学习模型152的COD-快照传递函数中。在该示例中，一个或多个COD-快照传递函数包括第一COD-快照传递函数TF1、第二COD-快照传递函数TF2、第三COD-快照传递函数TF3，以此类推至第NCOD-快照传递函数。一个或多个COD-快照传递函数TF1、TF2、TF3、TFN将一个或多个合成快照SN1、SN2、SN3、SNN和与资产300相关联的历史快照数据相关联。这样，输入(在该示例中，输入是合成快照SN1、SN2、SN3、SNN的参数值)可以被传递函数TF1、TF2、TF3、TFN用于生成输出(在该示例中，输出是新快照数据230)，新快照数据230包括第一新快照NS1、第二新快照NS2、第三新快照NS3，以此类推至第N新快照NSN。
机器学习模型152，或更具体地COD-传递函数，可以基于历史快照数据点进行训练。COD-传递函数可以基于系统100获得的COD和快照数据进行训练，并且可以在获得新数据时周期性地重新训练。在某些情况下，可以使用来自飞行的快照数据来训练/重新训练传递函数，在创建新数据点之前从该飞行生成用于生成合成快照数据的COD。以这种方式，可以使用最新数据训练传递函数。此外，机器学习模型152可以至少部分地基于与资产300相关联的历史快照数据和与其他资产相关联的机队历史快照数据来训练，该其他资产与资产300的模型相同。例如，机队历史快照数据可以包括其他航空燃气涡轮发动机在它们各自飞行期间捕获的快照数据。在一些替代实施例中，快照创建器模块150通过应用一组规则而不是在训练的机器学习模型上创建新快照。
返回图2，在创建了新快照的情况下，将新快照添加到存储在快照数据存储装置110中的快照数据200。包括由资产300的传感器302捕获或从其计算的快照以及由快照创建器模块150创建的新快照的快照数据200被输入到快照健康状况模块160中。并且如上所述，在合成快照生成器模块140处生成的合成快照数据220被输入到合成健康状况模块170中。通常，快照健康状况模块160和快照健康状况模块160应用一种或多种时间序列模式识别技术或异常检测技术，其使用它们各自接收到的数据来为指示资产300或其一个或多个部件的健康状况的各种警报输出警报分数。
作为示例，图9提供了描绘系统100的快照健康状况模块160为指示资产300或其部件的健康状况的各种警报生成警报分数的框图。如所描绘的，快照数据200被输入到快照健康状况模块160中。快照数据200包括快照(例如图3所示的S1、S2、S3、SN)以及新快照(例如图8所示的NS1、NS2、NS3、NSN)。可以应用或利用一种或多种时间序列模式识别技术164来检测输入快照数据200中的某些特征。例如，一种或多种时间序列模式识别技术164可用于检测输入快照数据200中的某些感测或计算的参数值中的趋势、偏移、变化或以其他方式检测异常以及其他特征。可以考虑任何合适数量的特征。
例如，在图9中，特征162包括第一特征F1、第二特征F2、第三特征F3、第四特征F4，以此类推至第N特征FN。作为一个示例，第一特征F1可以与检测第一参数的偏移相关联，第二特征F2可以与检测第一参数的趋势相关联，第三特征F3可以与检测第二参数的偏移相关联，并且第四特征F4可以与检测第二参数的趋势相关联。其他特征可以与检测快照数据的其他参数中的偏移和/或趋势相关联。
如上所述，可以应用一种或多种时间序列模式识别技术164或异常检测技术来检测接收到的快照数据200中的特征162。特别地，所应用的时间序列模式识别技术164可用于确定给定特征(例如，与参数相关联的偏移或趋势)是否超过预定阈值。例如，可以基于历史数据来设置或确定预定阈值。预定阈值可以是任何合适的阈值类型或阈值组合。例如，预定阈值可以是变化率阈值、偏移阈值、最大值和/或最小值阈值、趋势阈值等。
可以至少部分地基于与警报相关联的一个或多个特征是否超过它们各自的阈值来生成警报的警报分数。一个或多个特征可以与给定警报相关联。可以为每个警报生成警报分数。在一些实施例中，警报分数可以是二进制分数。例如，当与警报相关联的一个或多个特征超过它们各自的阈值时，可以为警报生成警报分数“1”。当与警报相关联的一个或多个特征没有超过它们各自的阈值时，可以为警报生成警报分数“0”。
如图9所示，例如，为四个警报(包括第一警报(警报1)、第二警报(警报2)、第三警报(警报3)和第四警报(警报4))生成警报分数。尽管在图9中示出了四个警报，但可以考虑任何合适数量的警报或因此具有生成的警报分数。警报可以指示资产300或其部件的健康状况。如图所示，对于该示例，已经为警报1输出警报分数“1”，因为其相关联的特征已超过它们各自的阈值，已经为警报2输出警报分数“1”，因为其相关联的特征已超过它们各自的阈值，已经为警报3输出警报分数“0”，因为其相关联的特征没有超过它们各自的阈值，并且已经为警报4输出警报分数“1”，因为其相关联的特征已超过它们各自的阈值。因此，四个警报中的三个已经输出分数“1”，表明它们各自的一个或多个相关联的特征已经超过它们各自的阈值。警报的警报分数输出可以被转发到图2中所示的聚合器180。
图10提供了描绘系统100的合成健康状况模块170为指示资产300或其部件的健康状况的各种警报生成警报分数的框图。如图所示，合成快照数据220被输入合成健康状况模块170。合成快照数据220包括合成快照，例如图8中所示的SN1、SN2、SN3、SNN。可以应用或利用一种或多种时间序列模式识别技术174来检测输入合成快照数据220中的某些特征。例如，一种或多种时间序列模式识别技术174可用于检测输入合成快照数据220中的某些感测或计算的参数值中的趋势、偏移、变化或以其他方式检测异常以及其他特征。可以考虑任何合适数量的特征。
例如，在图10中，特征172包括第一特征F1、第二特征F2、第三特征F3、第四特征F4，以此类推至第N特征FN。作为一个示例，第一特征F1可以与检测第一参数的偏移相关联，第二特征F2可以与检测第一参数的趋势相关联，第三特征F3可以与检测第二参数的偏移相关联，并且第四特征F4可以与检测第二参数的趋势相关联。其他特征可以与检测快照数据的其他参数中的偏移和/或趋势相关联。合成健康状况模块170的特征可以是与图9的快照健康状况模块160中使用的特征相同的特征。
如上所述，可以应用一种或多种时间序列模式识别技术174或异常检测技术来检测接收到的合成快照数据220中的特征172。具体地，所应用的时间序列模式识别技术174可用于确定给定特征(例如，与参数相关联的偏移或趋势)是否超过预定阈值。例如，可以基于历史数据来设置或确定预定阈值。预定阈值可以是任何合适的阈值类型或阈值组合。例如，预定阈值可以是变化率阈值、偏移阈值、最大值和/或最小值阈值、趋势阈值等。应用于特征172的一个或多个时间序列模式识别技术174可以是与应用于图9中所示的快照健康状况模块160的特征162的技术相同的技术。
此外，如上所述，可以至少部分地基于与警报相关联的一个或多个特征是否超过它们各自的阈值来生成警报的警报分数。一个或多个特征可以与给定警报相关联。可以为每个警报生成警报分数。在一些实施例中，警报分数可以是二进制分数。例如，当与警报相关联的一个或多个特征超过它们各自的阈值时，可以为警报输出警报分数“1”。当与警报相关联的一个或多个特征没有超过它们各自的阈值时，可以为警报输出警报分数“0”。
如图10所示，例如，为四个警报(包括第一警报(警报1)、第二警报(警报2)、第三警报(警报3)和第四警报(警报4))生成警报分数。尽管在图10中示出了四个警报，但可以考虑任何合适数量的警报。警报可以指示资产300或其部件的健康状况。如图所示，对于该示例，已经为警报1输出警报分数“0”，因为其相关联的特征没有超过它们各自的阈值，已经为警报2输出警报分数“1”，因为其相关联的特征已超过它们各自的阈值，已经为警报3输出警报分数“0”，因为其相关联的特征没有超过它们各自的阈值，并且已经为警报4输出警报分数“1”，因为其相关联的特征已超过它们各自的阈值。因此，四个警报中的两个具有分数“1”，表明它们各自的一个或多个相关联的特征已经超过它们各自的阈值，并且四个警报中的两个具有分数“0”，表明它们各自的一个或多个相关联的特征没有超过它们各自的阈值。为警报生成的警报分数可以被转发到图2中所示的聚合器180。
如图2所示，聚合器180接收快照健康状况模块160生成的警报分数和合成健康状况模块170生成的警报分数。聚合器180可以利用概率聚合技术至少部分地基于快照健康状况模块160生成的警报分数和合成健康状况模块170生成的警报分数来生成指示资产300或其部件的健康状况的输出。特别地，聚合器180可以经由概率聚合技术将与快照数据相关联的警报分数和与合成快照数据相关联的警报分数聚合成聚合警报分数。指示资产或其一个或多个部件的健康状况的输出可以至少部分地基于聚合警报分数来生成。聚合器180可以将加权值分配给警报分数，并且可以基于警报分数和分配给警报的加权值来生成输出。例如，警报中的一个可以是健康状况的主要指标，因此可以在确定输出时承载更多的权重。在一些实施例中，聚合器180可以将指示健康状况的输出生成为趋势化或预测某些参数的一个或多个时间趋势图。
生成的指示资产300的健康状况的输出可以被系统100或一些其他系统用来执行控制动作。作为一个示例，燃气涡轮发动机(资产)的电子发动机控制器(EEC)可以至少部分地基于发动机或其模块的部件(例如，压缩机)的健康状况来控制燃气涡轮发动机。例如，EEC可以基于健康状况来控制燃气涡轮发动机或多或少地积极操作。作为另一个示例，维护系统可以接收健康状况并且至少部分地基于输出的与资产相关联的健康状况来自动安排服务访问。设想其他控制动作；以上提供的示例并非旨在限制。
图11提供了根据本主题的示例实施例的监测和诊断根据本主题的一个示例实施例的资产的健康状况的示例方法(400)的流程图。图11的方法(400)可以使用例如本文描述的系统100和/或其部件来实施。为了说明和讨论的目的，图11描绘了以特定顺序执行的动作。使用本文提供的公开内容的本领域普通技术人员将理解，在不脱离本公开的范围的情况下，可以以各种方式修改本文公开的各种动作。
在(402)处，方法(400)包括由系统的一个或多个处理器接收与资产相关联的连续操作数据，连续操作数据包括收集时间段内的一个或多个参数的参数值。例如，资产可以是燃气涡轮发动机，例如航空燃气涡轮发动机。因此，例如，连续操作数据可以是连续发动机操作数据。系统可以是发动机监测和健康状况诊断系统。可以在从起点跨越到终点的收集时间段内收集连续操作数据，例如，如图6所示。通过这种方式，可以收集整个飞行的连续操作数据。在某些情况下，可以收集部分飞行的连续操作数据。可以在收集时间段期间连续收集连续操作数据。可以感测和记录与发动机相关联的各种参数的值。例如，与发动机相关联的记录器可以逐帧(或者换句话说，逐捕获帧)记录一个或多个参数的值。参数值可以在每个帧中捕获，或以时间间隔在不同捕获帧中捕获。图5提供了连续操作数据的示例框图。系统可以接收连续操作数据并且可以将连续操作数据存储在可由系统的一个或多个处理器访问的数据存储装置中。
在一些实施方式中，方法(400)包括由一个或多个处理器确定与资产相关联的附加参数的一个或多个值，附加参数的一个或多个值是使用连续操作数据确定的。例如，如图2所示，可以访问存储在COD数据存储装置120中的连续操作数据，并且系统100的一个或多个处理器可以执行参数计算模块130，以使用连续操作数据确定附加参数的一个或多个值。例如，参数计算模块130可以包括计算机可读指令和一个或多个基于物理的模型。连续操作数据的附加参数的一个或多个值可用于在(404)处生成合成快照数据。
在(404)处，方法(400)包括由一个或多个处理器至少部分地基于连续操作数据来生成合成快照数据，合成快照数据包括一个或多个合成快照，每个合成快照包含收集时间段内给定时间点的一个或多个参数的参数值。例如，可以在图7所示的时间点生成合成快照。可以生成任何合适数量的合成快照。一个或多个处理器可以执行合成快照生成器模块140(图2)以生成合成快照。通过生成合成快照，可以将包括在连续操作数据中的大量数据分解为可管理、更易于处理的数据点，这些数据点可用于监测和诊断资产(例如航空燃气涡轮发动机)或其部件的健康状况。在一些实施方式中，一个或多个合成快照中的至少一个是在与一个或多个参数中的给定参数的最大值或最小值相对应的收集时间段的限定操作阶段(例如，飞行的爬升阶段)内的时间点创建的。
在(406)处，方法(400)包括由一个或多个处理器接收与资产相关联的快照数据，快照数据包括一个或多个快照，每个快照包含在资产的操作期间给定时间点的一个或多个参数的参数值。特别地，对于资产的每个操作周期，与资产相关联的一个或多个传感器可以在操作期间的特定时间点或时间戳捕获操作条件的“快照”。每个捕获的快照都可以包括各种参数(例如压力、温度、速度等)的值。作为一个示例，快照数据可以包括资产的每个预限定操作阶段中的至少一个快照，例如，每个飞行阶段中的至少一个快照。在一些实施方式中，可以在记录COD的收集时间段期间捕获快照中的一个、一些或全部。在其他实施方式中，可以在不是在收集时间段期间的资产的操作时间段期间捕获快照中的一个、一些或全部。此外，在某些情况下，与快照相关联的所有时间点都可以不同于与合成快照相关联的时间点。然而，在其他情况下，合成快照中的一个或多个可以与快照中的一个在时间上相对应。这样，快照和合成快照可以包含相同时间点的一个或多个参数的参数值。在这点上，在一些实施方式中，可以对照实际快照检查合成快照或一般合成快照的准确性。
在一些实施方式中，方法(400)包括由一个或多个处理器通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，该一个或多个COD-快照传递函数将一个或多个合成快照和与资产相关联的历史快照数据相关联。例如，如图8所示，可以将包括生成的合成快照的合成快照数据馈送或输入到利用一个或多个COD-快照传递函数的机器学习模型中，该一个或多个COD-快照传递函数将一个或多个合成快照和与资产相关联的历史快照数据相关联。特别地，COD-快照传递函数可以利用合成快照的参数值并创建新的数据快照。机器学习模型可以至少部分地基于与资产相关联的历史快照数据和与其他资产相关联的机队历史快照数据来训练，其他资产与该资产的模型相同。此外，方法(400)可以包括由一个或多个处理器将一个或多个新快照添加到快照数据，其中在生成指示资产或其一个或多个部件的健康状况的输出之前将一个或多个新快照添加到快照数据。
在(408)处，方法(400)包括由一个或多个处理器至少部分地基于快照数据和合成快照数据来生成指示资产或其一个或多个部件的健康状况的输出。因此，发动机的健康状况是使用基于快照-COD的方法生成的。即，指示健康状况的输出是基于快照数据和合成快照数据生成的，该合成快照数据是基于COD生成的。此外，在至少部分地基于生成的合成快照数据创建新快照的实施方式中，指示航空燃气涡轮发动机或其一个或多个部件的健康状况的输出至少部分地基于一个或多个快照、新快照和合成快照。
在一些实施方式中，为了最终生成输出，方法(400)包括由一个或多个处理器将一种或多种时间序列模式识别技术应用于快照数据，以确定与快照数据相关联的至少一个警报分数，与快照数据相关联的至少一个警报分数是至少部分地基于与快照数据的一个或多个参数的参数值相关联的一个或多个检测到的特征来确定的。此外，方法(400)包括由一个或多个处理器将一种或多种时间序列模式识别技术应用于合成快照数据，以确定与合成快照数据相关联的至少一个警报分数，与合成快照数据相关联的至少一个警报分数是至少部分地基于与合成快照数据的一个或多个参数的参数值相关联的一个或多个检测到的特征来确定的。在这样的实施方式中，指示资产或其一个或多个部件的健康状况的输出是至少部分地基于与快照数据相关联的至少一个警报分数和与合成快照数据相关联的至少一个警报分数来生成的。
此外，在一些实施方式中，方法(400)包括由一个或多个处理器经由概率聚合技术将与快照数据相关联的至少一个警报分数和与合成快照数据相关联的至少一个警报分数聚合为聚合警报分数。在这样的实施方式中，指示资产或其一个或多个部件的健康状况的输出是至少部分地基于聚合警报分数来生成的。
在一些实施方式中，系统(例如，图2的系统100)或与该系统相关联的第二系统可以至少部分地基于生成的指示资产或其一个或多个部件的健康状况的输出来执行控制动作。作为示例，发动机的EEC可以至少部分地基于发动机或其模块部件(例如，压缩机)的健康状况来控制燃气涡轮发动机。例如，EEC可以基于健康状况来控制燃气涡轮发动机或多或少地积极操作。作为另一个示例，维护系统可以接收健康状况并且至少部分地基于输出的与资产相关联的健康状况来自动安排服务访问。
本文公开的系统和方法提供了许多技术和商业优势以及益处。例如，本文公开的系统和方法可以提供资产或资产的一个或多个部件(例如压缩机)的自动健康状况评估。可以实时或接近实时地提供这种自动评估。此外，通过结合快照数据使用COD，与传统方法和系统相比，可以改善资产或其一个或多个部件的健康状态。此外，指示健康状态的输出可以为最佳资产利用和规划发动机拆卸/维护活动提供基础。此外，本文公开的系统和方法提供了用于确定健康状态的非侵入技术。此外，本文公开的系统和方法提供了识别服务中的资产特定维护需求并减少UER和重大故障事件，同时实现资产任务和最大化TOW的机会。另外，本文公开的系统和方法提供了修改资产使用以最大化资产服务价值的机会。
图12提供了根据本主题的示例实施例的示例计算系统500的框图，示例计算系统500可以用于实施本文描述的方法和系统。计算系统500是用于实施本文描述的系统100的计算元件的合适计算系统的一个示例。
如图12所示，计算系统500包括一个或多个计算装置502。一个或多个计算装置502可以包括一个或多个处理器504和一个或多个存储器装置506。一个或多个处理器504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、逻辑装置或其他合适的处理装置。一个或多个存储器装置506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或媒介、RAM、ROM、硬盘驱动器、闪存驱动器和其他存储器装置，例如一个或多个缓冲装置。
一个或多个存储器装置506可以存储可由一个或多个处理器504访问的信息，包括可由一个或多个处理器504执行的计算机可读指令508。指令508可以是在由一个或多个处理器504执行时使一个或多个处理器504进行操作的任何指令集。指令508可以是用任何合适的编程语言编写的软件或者可以用硬件实施。指令508可以是本文所述的任何计算机可读指令。本文提到的每个模块可以包括相关联的计算机可读指令。
存储器装置506可以进一步存储可由处理器504访问的数据510。例如，数据510可以包括接收到的数据，例如COD和快照数据。根据本主题的示例实施例，数据510可以包括一个或多个表、函数、算法、模型、方程式等。
一个或多个计算装置502还可以包括通信接口512，通信接口512用于例如与其他部件或系统(诸如维护系统、飞行器系统等)通信。通信接口512可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器、接收器、端口、控制器、天线或其他合适的部件。
本文讨论的技术参考了基于计算机的系统、由基于计算机的系统采取的动作、发送到基于计算机的系统的信息以及来自基于计算机的系统的信息。应当理解，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，本文讨论的处理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。数据库、存储器、指令和应用可以在单个系统上实施，也可以分布在多个系统上。分布式部件可以按顺序或并行操作。
尽管可以在一些附图中而不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引用和/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执行任何结合的方法。本发明的专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例包括与权利要求的字面语言没有区别的结构元件，或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件，则这些其他示例意图落入权利要求的范围内。
本发明的进一步方面由以下条项的主题提供：
1.一种系统，包括：一个或多个存储器装置；以及一个或多个处理器，所述一个或多个处理器被构造为：接收与资产相关联的连续操作数据，所述连续操作数据包括收集时间段内的一个或多个参数的参数值；至少部分地基于所述连续操作数据生成合成快照数据，所述合成快照数据包括一个或多个合成快照，每个合成快照包含所述收集时间段内给定时间点的所述一个或多个参数的所述参数值；接收与所述资产相关联的快照数据，所述快照数据包括一个或多个快照，每个快照包含在所述资产的操作期间给定时间点的所述一个或多个参数的参数值；以及至少部分地基于所述快照数据和所述合成快照数据生成指示所述资产或其一个或多个部件的健康状况的输出。
2.根据任何前述条项所述的系统，其中所述一个或多个处理器进一步被构造为：通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，所述一个或多个COD-快照传递函数将所述一个或多个合成快照和与所述资产相关联的历史快照数据相关联。
3.根据任何前述条项所述的系统，其中所述一个或多个处理器进一步被构造为：将所述一个或多个新快照添加到所述快照数据，其中在生成指示所述资产或其一个或多个部件的所述健康状况的所述输出之前将所述一个或多个新快照添加到所述快照数据。
4.根据任何前述条项所述的系统，其中所述机器学习模型至少部分地基于与所述资产相关联的所述历史快照数据和与其他资产相关联的机队历史快照数据来训练，所述其他资产与所述资产的模型相同。
5.根据任何前述条项所述的系统，其中所述一个或多个处理器进一步被构造为：将一种或多种时间序列模式识别技术应用于所述快照数据，以确定与所述快照数据相关联的至少一个警报分数，与所述快照数据相关联的所述至少一个警报分数是至少部分地基于与所述快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的；以及将一种或多种时间序列模式识别技术应用于所述合成快照数据，以确定与所述合成快照数据相关联的至少一个警报分数，与所述合成快照数据相关联的所述至少一个警报分数是至少部分地基于与所述合成快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的，并且其中指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数来生成的。
6.根据任何前述条项所述的系统，其中所述一个或多个处理器进一步被构造为：经由概率聚合技术将与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数聚合成聚合警报分数，并且其中，指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于所述聚合警报分数来生成的。
7.根据任何前述条项所述的系统，其中所述一个或多个合成快照中的至少一个是在与所述一个或多个参数中的给定参数的最大值或最小值相对应的所述收集时间段的限定操作阶段内的时间点创建的。
8.根据任何前述条项所述的系统，其中所述系统或与所述系统相关联的第二系统至少部分地基于所生成的指示所述资产或其一个或多个部件的所述健康状况的输出来执行控制动作。
9.根据任何前述条项所述的系统，其中所述资产是航空燃气涡轮发动机。
10.一种方法，包括：由系统的一个或多个处理器接收与资产相关联的连续操作数据，所述连续操作数据包括收集时间段内的一个或多个参数的参数值；由所述一个或多个处理器至少部分地基于所述连续操作数据来生成合成快照数据，所述合成快照数据包括一个或多个合成快照，每个合成快照包含所述收集时间段内给定时间点的所述一个或多个参数的所述参数值；由所述一个或多个处理器接收与所述资产相关联的快照数据，所述快照数据包括一个或多个快照，每个快照包含在所述资产的操作期间给定时间点的所述一个或多个参数的参数值；以及由所述一个或多个处理器至少部分地基于所述快照数据和所述合成快照数据来生成指示所述资产或其一个或多个部件的健康状况的输出。
11.根据任何前述条项所述的方法，进一步包括：由所述一个或多个处理器通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，所述一个或多个COD-快照传递函数将所述一个或多个合成快照和与所述资产相关联的历史快照数据相关联。
12.根据任何前述条项所述的方法，进一步包括：由所述一个或多个处理器将所述一个或多个新快照添加到所述快照数据，其中在生成指示所述资产或其一个或多个部件的所述健康状况的所述输出之前将所述一个或多个新快照添加到所述快照数据。
13.根据任何前述条项所述的方法，其中所述机器学习模型至少部分地基于与所述资产相关联的所述历史快照数据和与其他资产相关联的机队历史快照数据来训练，所述其他资产与所述资产的模型相同。
14.根据任何前述条项所述的方法，进一步包括：由所述一个或多个处理器将一种或多种时间序列模式识别技术应用于所述快照数据，以确定与所述快照数据相关联的至少一个警报分数，与所述快照数据相关联的所述至少一个警报分数是至少部分地基于与所述快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的；由所述一个或多个处理器将一种或多种时间序列模式识别技术应用于所述合成快照数据，以确定与所述合成快照数据相关联的至少一个警报分数，与所述合成快照数据相关联的所述至少一个警报分数是至少部分地基于与所述合成快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的，并且其中指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数来生成的。
15.根据任何前述条项所述的方法，进一步包括：由所述一个或多个处理器经由概率聚合技术将与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数聚合成聚合警报分数，并且其中，指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于所述聚合警报分数来生成的。
16.根据任何前述条项所述的方法，其中所述一个或多个合成快照中的至少一个是在与所述一个或多个参数中的给定参数的最大值或最小值相对应的所述收集时间段的限定操作阶段内的时间点创建的。
17.根据任何前述条项所述的方法，其中所述系统或与所述系统相关联的第二系统至少部分地基于所生成的指示所述资产或其一个或多个部件的所述健康状况的输出来执行控制动作。
18.根据任何前述条项所述的方法，其中所述资产是航空燃气涡轮发动机。
19.根据任何前述条项所述的方法，进一步包括：由所述一个或多个处理器确定与所述资产相关联的附加参数的一个或多个值，使用所述连续操作数据确定所述附加参数的所述一个或多个值，并且其中，用于生成所述合成快照数据的所述连续操作数据包含与所述资产相关联的所述附加参数的所述一个或多个值。
20.一种方法，包括：由系统的一个或多个处理器接收与航空燃气涡轮发动机相关联的连续发动机操作数据，所述连续发动机操作数据包括收集时间段内的一个或多个参数的参数值；由所述一个或多个处理器至少部分地基于所述连续发动机操作数据来生成合成快照数据，所述合成快照数据包括一个或多个合成快照，每个合成快照包含所述收集时间段内给定时间点的所述一个或多个参数的所述参数值；由所述一个或多个处理器通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，所述一个或多个COD-快照传递函数将所述一个或多个合成快照和与所述航空燃气涡轮发动机相关联的历史快照数据相关联；由所述一个或多个处理器接收与所述燃气涡轮发动机相关联的快照数据，所述快照数据包括一个或多个快照，每个快照包含所述收集时间段内给定时间点的所述一个或多个参数的参数值；由所述一个或多个处理器将所述一个或多个新快照添加到所述快照数据；以及由所述一个或多个处理器至少部分地基于所述一个或多个快照、新快照和合成快照来生成指示所述航空燃气涡轮发动机或其一个或多个部件的健康状况的输出。

Claims (10)

1.一种系统，其特征在于，包括：
一个或多个存储器装置；以及
一个或多个处理器，所述一个或多个处理器被构造为：
接收与资产相关联的连续操作数据，所述连续操作数据包括收集时间段内的一个或多个参数的参数值；
至少部分地基于所述连续操作数据生成合成快照数据，所述合成快照数据包括一个或多个合成快照，每个合成快照包含所述收集时间段内给定时间点的所述一个或多个参数的所述参数值；
接收与所述资产相关联的快照数据，所述快照数据包括一个或多个快照，每个快照包含在所述资产的操作期间给定时间点的所述一个或多个参数的参数值；以及
至少部分地基于所述快照数据和所述合成快照数据生成指示所述资产或其一个或多个部件的健康状况的输出。
2.根据权利要求1所述的系统，其特征在于，其中所述一个或多个处理器进一步被构造为：
通过应用利用一个或多个COD-快照传递函数的机器学习模型来创建一个或多个新快照，所述一个或多个COD-快照传递函数将所述一个或多个合成快照和与所述资产相关联的历史快照数据相关联。
3.根据权利要求2所述的系统，其特征在于，其中所述一个或多个处理器进一步被构造为：
将所述一个或多个新快照添加到所述快照数据，其中在生成指示所述资产或其一个或多个部件的所述健康状况的所述输出之前将所述一个或多个新快照添加到所述快照数据。
4.根据权利要求2所述的系统，其特征在于，其中所述机器学习模型至少部分地基于与所述资产相关联的所述历史快照数据和与其他资产相关联的机队历史快照数据来训练，所述其他资产与所述资产的模型相同。
5.根据权利要求1所述的系统，其特征在于，其中所述一个或多个处理器进一步被构造为：
将一种或多种时间序列模式识别技术应用于所述快照数据，以确定与所述快照数据相关联的至少一个警报分数，与所述快照数据相关联的所述至少一个警报分数是至少部分地基于与所述快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的；以及
将一种或多种时间序列模式识别技术应用于所述合成快照数据，以确定与所述合成快照数据相关联的至少一个警报分数，与所述合成快照数据相关联的所述至少一个警报分数是至少部分地基于与所述合成快照数据的所述一个或多个参数的所述参数值相关联的一个或多个检测到的特征来确定的，
其中指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数来生成的。
6.根据权利要求5所述的系统，其特征在于，其中所述一个或多个处理器进一步被构造为：
经由概率聚合技术将与所述快照数据相关联的所述至少一个警报分数和与所述合成快照数据相关联的所述至少一个警报分数聚合成聚合警报分数，并且
其中，指示所述资产或其一个或多个部件的所述健康状况的所述输出是至少部分地基于所述聚合警报分数来生成的。
7.根据权利要求1所述的系统，其特征在于，其中所述一个或多个合成快照中的至少一个是在与所述一个或多个参数中的给定参数的最大值或最小值相对应的所述收集时间段的限定操作阶段内的时间点创建的。
8.根据权利要求1所述的系统，其特征在于，其中所述系统或与所述系统相关联的第二系统至少部分地基于所生成的指示所述资产或其一个或多个部件的所述健康状况的输出来执行控制动作。
9.根据权利要求1所述的系统，其特征在于，其中所述资产是航空燃气涡轮发动机。
10.一种方法，其特征在于，包括：
由系统的一个或多个处理器接收与资产相关联的连续操作数据，所述连续操作数据包括收集时间段内的一个或多个参数的参数值；
由所述一个或多个处理器至少部分地基于所述连续操作数据来生成合成快照数据，所述合成快照数据包括一个或多个合成快照，每个合成快照包含所述收集时间段内给定时间点的所述一个或多个参数的所述参数值；
由所述一个或多个处理器接收与所述资产相关联的快照数据，所述快照数据包括一个或多个快照，每个快照包含在所述资产的操作期间给定时间点的所述一个或多个参数的参数值；以及
由所述一个或多个处理器至少部分地基于所述快照数据和所述合成快照数据来生成指示所述资产或其一个或多个部件的健康状况的输出。
CN202210176126.9A 2021-02-25 2022-02-24 使用基于快照-ceod的方法监测和诊断发动机健康状况的系统和方法 Pending CN115045760A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US17/185,295 2021-02-25
US17/185,295 US20220269841A1 (en) 2021-02-25 2021-02-25 System and method for monitoring and diagnosis of engine health using a snapshot-ceod based approach

Publications (1)

Publication Number Publication Date
CN115045760A true CN115045760A (zh) 2022-09-13

Family

ID=80682952

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210176126.9A Pending CN115045760A (zh) 2021-02-25 2022-02-24 使用基于快照-ceod的方法监测和诊断发动机健康状况的系统和方法

Country Status (3)

Country Link
US (1) US20220269841A1 (zh)
EP (1) EP4050444A1 (zh)
CN (1) CN115045760A (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6408259B1 (en) * 2000-02-01 2002-06-18 General Electric Company Alert generation for trend performance analysis
US20040243636A1 (en) * 2003-03-18 2004-12-02 Smartsignal Corporation Equipment health monitoring architecture for fleets of assets
US7908606B2 (en) * 2005-05-20 2011-03-15 Unisys Corporation Usage metering system
US9495382B2 (en) * 2008-12-10 2016-11-15 Commvault Systems, Inc. Systems and methods for performing discrete data replication
US9152146B2 (en) * 2012-06-06 2015-10-06 Harris Corporation Wireless engine monitoring system and associated engine wireless sensor network
US10604278B2 (en) * 2017-04-18 2020-03-31 General Electric Company Methods and apparatus to monitor health information of a turbine engine

Also Published As

Publication number Publication date
US20220269841A1 (en) 2022-08-25
EP4050444A1 (en) 2022-08-31

Similar Documents

Publication Publication Date Title
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
US20180297718A1 (en) Methods and apparatus to monitor health information of a turbine engine
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
EP2202500B1 (en) Operations support systems and methods for engine diagnostic
EP3705726A1 (en) Application of machine learning to process high-frequency sensor signals of a turbine engine
US20150096359A1 (en) Method for predicting an auxiliary power unit fault
US10801359B2 (en) Method and system for identifying rub events
US20060265183A1 (en) Method and apparatus for determining engine part life usage
JP6342529B2 (ja) エンジン試験セル解析および診断を生成するための自動化されたシステムおよび方法
US11988143B2 (en) System and method for determining high oil consumption in gas turbine engine
US10711634B2 (en) Autonomous engine health management system
EP3352034B1 (en) Classification of gas turbine engine components
EP3772630B1 (en) Heat exchanger blockage detection
EP4050444A1 (en) System and method for monitoring and diagnosis of engine health using a snapshot based approach
CN111720218B (zh) 涡轮发动机的信号响应监测
US20220081129A1 (en) System and method of forecasting aircraft engine operational data for predictive analytics
US11702954B1 (en) Monitoring engine operation
Silva Turbofan Engine Behaviour Forecasting using Flight Data and Machine Learning Methods
Pettigrew Field Experience Versus Theory in Turbine Engine Deterioration
LINE PRESSURES ROSEMOUNT 1332A a. 1% PS*. 1% PS 10 TEMPERATURES ANALOG DEVICES a. 1% FS a. 11 FS 10

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