DE3850347T2

DE3850347T2 - Leistungsdatenverarbeitungssystem.

Info

Publication number: DE3850347T2
Application number: DE3850347T
Authority: DE
Inventors: David Andrew Nevell; Michael John Provost
Original assignee: Rolls Royce PLC
Current assignee: Rolls Royce PLC
Priority date: 1987-10-31
Filing date: 1988-09-16
Publication date: 1994-10-13
Anticipated expiration: 2008-09-17
Also published as: EP0315307B1; JPH01161115A; US5105372A; GB2211965A; GB8725585D0; GB2211965B; DE3850347D1; EP0315307A3; EP0315307A2

Description

Hintergrund der Erfindung

Die Erfindung bezieht sich auf ein Verfahren und auf Systeme zur Verarbeitung von Daten, die sich auf den Betrieb von Vorrichtungen beziehen, die eine Anzahl ausgeprägter Komponenten aufweisen, um Änderungen sowohl im Betrieb als auch in der Leistung der einzelnen Komponenten abzuschätzen, aus denen sich die Vorrichtung zusammensetzt, wobei gleichzeitig Defekte oder systematische Fehler in einem Meßsystem erkannt werden, das benutzt wird, um den Betrieb der Vorrichtung und ihrer Komponenten zu bestimmen. Insbesondere ist die Erfindung anwendbar auf die Analyse des Betriebsverhaltens von Gasturbinen, obgleich die Erfindung eine weitergehende Anwendung auf die verschiedensten Vorrichtungen einschließlich Maschinen, insbesondere Antrieben und anderen sich drehenden Maschinen, und Anlagen hat, beispielsweise chemische Betriebsanlagen, Generatoranlagen und Verteileranlagen usw.
Die Überwachung des Betriebsverhaltens derartiger Maschinen und Anlagen kann zu wichtigen Daten für Wartungserfordernisse führen, um eine sichere wirtschaftliche und betriebssichere Arbeitsweise zu gewährleisten. Die Überwachung ist insbesondere in solchen Fällen wichtig, wo sowohl die Komponenten der Maschine oder Anlage überwacht werden, die von ihren erforderlichen Betriebsnormen abweichen, und wo die Messungen benutzt werden, um die Entwicklung systematischer Fehler zu überwachen, damit diese Komponenten, deren Betriebsverhalten sich verschlechtert hat, repariert oder ersetzt werden, und fehlerhafte Meßgeräte zu reparieren, zu ersetzen oder neu zu eichen, weil das Vorhandensein systematischer Fehler zur Erzeugung fehlerhafter Anzeigen führt.
Es ist wichtig, festzustellen, daß das Gesamtbetriebsverhalten jeder Vorrichtung, die aus einer Anzahl von Komponenten zusammengesetzt ist, insgesamt bestimmt wird durch das Betriebsverhalten der einzelnen Komponenten. So werden beispielsweise bei einer Gasturbine Gesamtbetriebsmessungen wie Brennstoffverbrauch, Drehzahl, Abgastemperatur usw. bestimmt durch das Betriebsverhalten der Komponentenparameter wie beispielsweise Leistung, Strömungskapazität usw. Allgemein bewirken Änderungen der Betriebsparameter einer oder mehrerer Komponenten Änderungen in einer oder mehreren Messungen des Gesamtbetriebsverhaltens, und es ist nur möglich, die Messungen für das Gesamtbetriebsverhalten zu ändern, indem ein Parameter oder mehrere Parameter des Komponentenbetriebs geändert werden. So ist es nur möglich, den Brennstoffverbrauch eines Gasturbinentriebwerks zu verbessern, indem der Wirkungsgrad und/oder die Strömungskapazität einer oder mehrerer Komponenten geändert wird. Natürlich können gewisse scheinbare Änderungen des Gesamtbetriebsverhaltens nicht nur durch Änderungen des Betriebsverhaltens einzelner Komponenten verursacht sein, sondern auch durch Fehler in den Messungen, die durchgeführt wurden, um das Gesamtbetriebsverhalten zu bestimmen. Es besteht daher das Problem, aus einer Analyse von Änderungen in den Betriebsmessungen sowohl die Parameter des Komponentenbetriebsverhaltens, die sich geändert haben, als auch die Fehler in den Messungen abzuschätzen.
Um den Ingenieur bei dieser Tätigkeit zu unterstützen, wurden in den letzten Jahren computergestützte Betriebsdatenanalysesysteme insbesondere auf dem Feld der Gasturbinen eingeführt. Aus den vorstehenden Erläuterungen ergibt sich, daß jede Analyse unter Benutzung einer Zahl bekannter Daten durchgeführt werden muß (d. h. Betriebsmessungen), die allgemein kleiner ist als die Zahl unbekannter Daten (d. h. Parameteränderungen des Komponentenbetriebs und Sensorfehler). Es gibt daher keine einzige wahre Lösungsgruppe von Parameteränderungen des Komponentenbetriebs und Sensorfehlern, die von einer bestimmten Gruppe von Betriebsmessungsdaten herrühren, und es sind daher Techniken erforderlich, die die wahrscheinlichste Lösung ableiten. Insbesondere wurde die sogenannte Optimale Abschätztechnik oder die Kalman-Filterberechnungstechnik benutzt, um die Betriebsdaten von Gasturbinen zu analysieren (vgl. beispielsweise "Gas Path Analysis applied to Turbine Engine Condition Monitoring", L. A. Urban, AIAA 72-1082 (1973), und "Gas Path Analysis: An Approach to Engine to Diagnostics", Dr. A. J. Volponi, 35th Mechanical Failures Prevention Group (1982)). Die Basistheorie für die Kalman- Filterung ist ebenso gut bekannt (vgl. beispielsweise "Digital and Kalman Filtering", S. M. Bozic, Pub. E. Arnold (1984); "Applied Optimal Estimation", A. Gelb (ed.), Pub. MIT Press (1974); "Applied Optimal Control", A. E. Bryson and Y. C. Ho, Pub. Halstead Press (1975), und "System Identification", P. Eykhoff, Pub. Wiley (1974)).
Das Kalman-Filter ist ein Algorithmus zur Erzeugung der wahrscheinlichsten Lösung aus gegebenen Daten, basierend auf der Fehlerquadratmethode. In der einfachsten Form ergibt sich dies als eine Bewertungsmatrix (die gelegentlich als Kalman-Gain-Matrix bezeichnet wird), die sich auf eine a-priori-Information bezieht (insbesondere eine Kovarianzmatrix von Komponentenänderungen und Sensorfehlern, eine Messungswiederholungs-Kovarianzmatrix und eine Systemmatrix, d. h. eine Matrix, die die Beziehung zwischen beobachteten Messungsänderungen und Komponentenänderungen und Sensorfehlern liefert), um die wahrscheinlichste Gruppe von Komponentenänderungen und Sensorfehlern aus den beobachteten Messungsänderungen des Betriebsverhaltens zu berechnen.
Der Kalman-Filteralgorithmus liefert somit eine Gruppe beobachteter Änderungen der Messungen des Betriebsverhaltens. Eine jede dieser Änderungen repräsentiert die Änderung im Wert eines Parameters von einem Bezugswert (bei dem keine Komponentenänderungen oder Sensorfehler in Betracht zu ziehen sind) nach einem Betriebswert (der durch solche Änderungen und Fehler beeinflußt wurde). Der Algorithmus berechnet, welche der Änderungen des Komponentenbetriebsverhaltens und der Sensorfehler am wahrscheinlichsten ist, die beobachteten Meßänderungen des Betriebsverhaltens verursacht zu haben, wobei die Information benutzt wird, die im vorhergehenden Absatz beschrieben wurde.
Ein Nachteil des Kalman-Filters besteht darin, daß er, weil er auf der Basis kleinster Quadrate arbeitet, einen Wert für alle möglichen Komponentenänderungen und Sensorfehler liefert, selbst wenn die beobachteten Betriebsmeßänderungseingänge nach dem Filter nur eine Folge einer kleinen Untergruppe möglicher Komponentenänderungen und Sensorfehler sind. Die Wirkungen der echten Änderungen des Betriebsverhaltens der Komponenten und/oder Sensorfehler werden somit wegen der sämtlichen möglichen Komponentenänderungen und Sensorfehler "verschmiert", und dies führt zu einer geringeren Abschätzung der tatsächlichen Komponentenänderungen und/oder Sensorfehler, die in der jeweiligen Situation auftraten.
In der ausführlichen Literatur, die die Benutzung des Kalman-Filters zur Analyse einer Vorrichtung (insbesondere von Gasturbinen) beschreibt, wird dieses Problem entweder ignoriert, oder auf einem von vier unterschiedlichen Wegen behandelt, nämlich:
a) das Problem wird durch Einstellung der a-priori- Matrizen gemindert, aber nicht eliminiert, die zur Berechnung der Kalman-Gain-Matrix benutzt wurden,
b) man läßt nach dem Kalman-Filter andere Algorithmen laufen, die das Vorhandensein einer einzigen Komponentenänderung oder eines einzelnen Sensorfehlers annehmen; diese Algorithmen werden aktiviert, wenn die Ergebnisse vom Kalman-Filter gewisse Schwellwerte überschreiten;
c) es werden Untersuchungen im Hinblick auf Sensorfehler vorgenommen, wobei getrennte Algorithmenläufe benutzt werden, bevor und/oder nach dem Kalman-Filterprozeß;
d) es werden Gruppen von Kalman-Filtern aufgestellt, um eine gegebene Vorrichtung zu analysieren: jedes Filter einer solchen Gruppe wird so ausgebildet, daß eine unterschiedliche Kombination von Komponentenänderungen und Sensorfehlern analysiert wird, wobei andere Algorithmen benutzt werden, um zu entscheiden, welches Filter unter einer gegebenen Situation das richtige ist.
Die US-A-4 215 412 (Bernier et al.) zeigt ein Beispiel der Benutzung einer Kalman-Filtrierung bei der Betriebsüberwachung, wobei das oben erwähnte Problem offenbar ignoriert wird. Das Patent befaßt sich mit einer digitalen Verarbeitung von Sensordaten, um Voraussagen für Werte von Gasturbinen-Betriebsparametern zu machen, die eine Beeinträchtigung des Betriebs anzeigen. Es werden die Werte von tatsächlichen und vorausgesagten Betriebsparametern verglichen, um Abweichungssignale zu liefern, die einer Überwachungslogik zugeführt werden. Die Überwachungslogik benutzt die Abweichungssignale, um Fehler innerhalb des Digitalprozessors, der Sensoren und des Triebwerks anzuzeigen und um Trends der Betriebsparameter zu bestimmen. Insbesondere wird die Kalman-Filterung benutzt, um die Werte bestimmter aus dem Betrieb gezogener Koeffizienten zu bestimmen, die für ein spezielles Gasturbinentriebwerk kennzeichnend sind, dessen Betrieb überwacht werden soll. Die Filterung wird auch benutzt, um Trendkoeffizienten für den Betrieb abzuleiten, deren gegenwärtige Werte langzeitige Änderungen der überwachten Betriebsparameter reflektieren.
Andererseits scheint in der Patent Abstract of Japan Band 9, Nr. 6 (P-326) 11.1.85, ein Beispiel beschrieben zu sein, welches der obigen Kategorie (b) angehört, während Patent Abstract of Japan Band 8, Nr. 269 (P-319) 8.12.84, ein Beispiel der obigen Kategorie zu beschreiben scheint.
Die oben erwähnten Annäherungen sind nicht zufriedenstellend, weil sie entweder mit den Beschränkungen des Kalman-Filters ohne Lösung der "Verschmier"-Tendenz arbeiten, oder sich auf rohe Annahmen über Zahl und/oder Kombination und/oder Größe von Komponentenänderungen und/oder Sensorfehler stützen, und dies ist häufig nicht zutreffend.

Zusammenfassung der Erfindung

Gemäß einem Merkmal der vorliegenden Erfindung wird ein Verfahren vorgeschlagen, um eine Vorrichtung zu überwachen, die mehrere Komponenten enthält, deren Einzelverhalten das tatsächliche Betriebsverhalten der Vorrichtung beeinflußt, wobei mehrere Sensoren für gegebene Eingänge nach einem Betriebsmeßsystem vorgesehen sind und die Eingänge dieser Sensoren Einflüssen ausgesetzt sind, welche Fehler in dem gemessenen Verhalten der Vorrichtung erzeugen; wobei zur Ableitung von Daten für Entscheidungen im Betriebsverhalten, Änderungen im Betriebsverhalten der Komponenten und/oder Sensorfehler dadurch bestimmt werden, daß mehrere Betriebsmessungen von der Vorrichtung durchgeführt werden und ein Kalman-Filter benutzt wird, um Änderungen der Betriebsmessungen dadurch zu analysieren, daß mehrere aufeinanderfolgende Durchläufe des Kalman-Filters durchgeführt werden, wobei jeder folgende Durchlauf nach dem ersten Durchlauf die mögliche Ursache der Änderungen der Betriebsmessungen auf eine kleinere Zahl von Komponentenbetriebsänderungen und/oder Sensorfehlern reduziert als der unmittelbar vorhergehende Durchlauf, indem wenigstens eine Komponentenbetriebsänderung und/oder wenigstens ein Sensorfehler aus dem vorhergehenden Durchlauf eliminiert wird;
wobei das Verfahren gekennzeichnet ist durch die folgenden Schritte:
- es wird für jeden Durchlauf, außer für den Endlauf, ein Maß der Bedeutung der Komponentenbetriebsänderungen und Sensorfehler gemessen, die in jenem Durchlauf angezeigt werden,
- es wird zur Eliminierung von den nachfolgenden Läufen eine oder mehrere der am wenigsten bedeutsamen Komponentenbetriebsänderungen und/oder Sensorfehler gewählt,
- es wird als beste Antwort für die Verursachung der Betriebsmeßänderungen das Ergebnis jenes Durchlaufs gewählt, in dem eine minimale Zahl von Komponentenbetriebsänderungen und/oder Sensorfehlern in der Lage ist, zu den beobachteten Betriebsmeßänderungen beizutragen, und
- es wird danach wenigstens eine der Komponenten und einer der Sensoren geändert, die durch die Auswahlstufe als jene bezeichnet wurden, die am wahrscheinlichsten zu den beobachteten Betriebsmeßänderungen beigetragen haben, wodurch die Betriebsweise der Vorrichtung verbessert und/oder der Fehler in der gemessenen Betriebsweise der Vorrichtung reduziert wird.
Gemäß einem weiteren Merkmal der Erfindung ist ein Verfahren zur Verarbeitung von Daten vorgesehen, die sich auf das Betriebsverhalten einer Vorrichtung beziehen, wobei die Vorrichtung mehrere Komponenten aufweist, deren individuelles Betriebsverhalten das Betriebsverhalten der Vorrichtung beeinflußt, und wobei mehrere Sensoren für gegebene Eingänge eines Betriebsmeßsystems vorgesehen sind, welche Eingänge Einflüssen ausgesetzt sein können, die Fehler in dem gemessenen Betriebsverhalten der Vorrichtung hervorrufen können, wobei das Verfahren Änderungen im Komponentenbetriebsverhalten und die Größe von Sensorfehlern aus einer Reihe von Betriebsmessungen bestimmt, wobei das Verfahren die folgenden Schritte umfaßt:
a) es wird eine a-priori-Information definiert, die von einem Kalman-Filter gefordert wird und folgende Merkmale aufweist:
i) eine Kovarianzmatrix aus Komponentenbetriebsmessungsänderungen und Sensorfehlern,
ii) eine Messung einer nicht wiederholbaren Kovarianzmatrix,
iii) eine Systemmatrix, die eine Beziehung zwischen beobachteten Betriebsmeßänderungen und Sensorfehlern liefert;
b) es wird das Betriebsmeßsystem benutzt, um Bezugswerte der Betriebsmessungen von der Vorrichtung zu erhalten;
c) es wird das Betriebsmeßsystem benutzt, um Betriebsmessungen von der Vorrichtung zu erlangen;
d) es werden Daten benutzt, die bei den Schritten (b) und (c) erlangt wurden, um Betriebsmeßdifferenzen von Bezugswerten abzuleiten;
e) es werden Daten benutzt, die in den Schritten (a) und (d) erlangt wurden, um eine wahrscheinlichste Gruppe von Komponentenbetriebsänderungen und Sensorfehlern abzuleiten, indem ein Kalman-Filter benutzt wird;
wobei das Verfahren durch die folgenden weiteren Schritte gekennzeichnet ist:
f) es wird eine objektive Funktion berechnet, die ein Maß des Wertes unerklärter Betriebsmeßänderungen und/oder der Werte von Komponentenbetriebsmeßänderungen und Sensorfehlern in der Lösung aus (e) liefert,
g) es werden eine oder mehrere Komponentenbetriebsänderungen und/oder Sensorfehler abgelegt, um eine oder mehrere der Komponentenänderungen und/oder Sensorfehler zur Berechnung übrigzulassen,
h) es werden die Schritte (e) bis (g) erforderlichenfalls wiederholt, bis die Gesamtzahl der Komponentenbetriebsänderungen und der Sensorfehler Eins bleibt, und
i) es werden die Gruppen berechneter Komponentenbetriebsänderungen und Sensorfehler betrachtet, die bei jeder Wiederholung des Schrittes (e) erzeugt wurden, und zwar zusammen mit der entsprechenden objektiven Funktion, die gemäß dem Schritt (f) berechnet wurde, um als bestes Ergebnis jene Wiederholung des Schrittes (e) zu identifizieren, die eine minimale Zahl von Komponentenbetriebsänderungen und Sensorfehlern ergeben hat, die zufriedenstellend die berechneten Betriebsmeßdifferenzen berücksichtigen.
Bei der Durchführung des Verfahrens zur Verarbeitung von Daten erzeugt die Reiteration der Schritte (e) bis (g) eine Folge von Vektoren von Komponentenbetriebsänderungen und Sensorfehlern, die zu den beobachteten Betriebsmeßdifferenzen beitragen, wobei jeder aufeinanderfolgende Vektor eine progressiv sich verringernde Zahl von Komponentenbetriebsänderungen und Sensorfehlern enthält. Die Wahl eines geeigneten Ergebnisses wird durchgeführt unter Benutzung der objektiven Funktion, die für jeden Vektor in dem obigen Schritt (f) ausgearbeitet wurde. Ein Verfahren zur Ausarbeitung einer solchen objektiven Funktion besteht darin, die Summe der Quadrate von unerklärten Meßänderungen abzuleiten, die gemäß der wiederholten Messung der Kovarianzmatrix bewertet wurden. Dies liefert einen Wert, der eine chiquadratische Verteilung hat, und zwar mit so vielen Freiheitsgraden, wie Betriebsmessungen zu analysieren sind.
In dem Endergebnis des obigen Schrittes (i) wird die gewählte beste Antwort vorzugsweise dadurch verbessert, daß jene Elemente ausgelassen werden, deren Werte (entweder beispielsweise in ihren Absolutausdrücken oder als Zahl von Standardabweichungen) kleiner sind als ein vorbestimmter unterer Pegel, um kleinere Komponentenänderungen und Sensorfehler zu eliminieren, die sicherlich ignoriert werden können oder die in der Antwort als restlicher "Schmiereffekt" vorhanden sein können.
Als bevorzugte Basis für das Verfahren im Schritt (g) können die abgeschätzten Komponentenänderungen und Sensorfehler durch Teilung der individuellen berechneten Komponentenänderungen und Sensorfehler durch die Quadratwurzel der entsprechenden Diagonalelemente einer a-posteriori- Kovarianzmatrix normalisiert werden, die als Ausgang vom Kalman-Filter geliefert wird.
Um die im Schritt (h) abzusondernden Elemente auszuwählen, besteht ein bevorzugtes Verfahren bei einem ersten Durchlauf darin, den Durchschnittsbetrag der absoluten normalen Änderung (d. h. ohne Vorzeichen) zu berechnen und dann alle Elemente auszusondern, deren absoluter normalisierter Änderungswert unter jenem Durchschnitt liegt. Für aufeinanderfolgende Durchläufe werden alle Komponentenänderungen und/oder Sensorfehler, deren Absolutwerte der normalisierten Änderung kleiner sind als beim vorherigen Durchlauf, ausgesondert; jedoch muß in jedem Durchlauf Vorsorge dafür getroffen werden, daß wenigstens eine Komponentenänderung oder ein Sensorfehler (gewöhnlich mit dem kleinsten Absolutwert der normalisierten Änderung) zurückgewiesen wird, um wenigstens eine Komponentenänderung oder einen Sensorfehler zu behalten (gewöhnlich jene mit dem höchsten Absolutwert der normalisierten Änderung).
Beim Errichten der Systemmatrix müssen die Wirkungen der Änderungen in den Komponenten der überprüften Vorrichtung bei den benutzten Messungen bestimmt werden, um das Betriebsverhalten der Vorrichtung und ihrer Komponenten festzulegen. Dabei muß Sorgfalt darauf gelegt werden, daß gewährleistet wird, daß geeignete Messungen vorgenommen werden, die auf bestimmte Weise auf die gesuchten Komponentenänderungen ansprechen.

Gasturbinenanalyse

Bei dem Beispiel einer Gasturbinenanalyse können die 10 Komponentenänderungen Änderungen im Dichtungsspiel, das Vorhandensein von Fremdkörpern an bestimmten Stellen, die Öffnung von Gasleckströmen usw. umfassen. Diese können sich jeweils auf eine oder mehrere Komponentenbetriebsparameteränderungen beziehen. Eine Liste dieser Änderungen kann wie im folgenden Beispiel aufgezeichnet werden.
Änderungen des Verhaltens von Komponenten
Turbinenspitzendichtung abgerieben
Düsenleitschaufelplattformdichtungsspalt; blockierte Kühllöcher der Düsenleitschaufeln
Kompressorschaufelspitzenerosion; Schmutz an den Kompressorschaufeln; Beschädigung durch einen Fremdkörper
falsch gestaltete Schubdüse
Dichtungsspalt vergrößert sich
Luftabzweigrohr hat Leckstrom
Änderungen von Betriebsparametern
Turbinenwirkungsgrad ändert sich
Turbinenkapazität ändert sich; Kühlluft ändert sich
Kompressorwirkungsgrad ändert sich
Düsenausströmung und Geschwindigkeitskoeffizient ändern sich
Kühlluft ändert sich
Umgebungssteuersystemanzapfung ändert sich
Die Ursachen einer Änderung im Triebwerksbetriebsverhalten können demgemäß als Reihe von Parameteränderungen des Komponentenverhaltens ausgedrückt werden. So beispielsweise:
Fanspitzen-Wirkungsgrad und -Kapazität ändern sich;
Fanschaufelfuß-Wirkungsgrad und -Kapazität ändern sich;
Kernkompressor-Wirkungsgrad und -Kapazität ändern sich;
Turbinen-Wirkungsgrad und -Kapazität ändern sich;
Brennkammerdruckverluste ändern sich;
Druckverluste im Mantelstromkanal ändern sich;
Düsenausströmung und Geschwindigkeitskoeffizient ändern sich;
Kühlluft/Dichtungsluft-Strömung ändert sich;
Umgebungssteuersystemanzapfung und Leistungsaufnahme ändern sich.
Diese Änderungen beeinflussen jeweils die Gesamttriebwerks- Betriebsparameter, wie beispielsweise den spezifischen Brennstoffverbrauch beim Reiseflug, die Turbinenabgastemperatur beim Start, die Kompressorverdichtung usw. Der Zweck der durchgeführten Messungen besteht darin, eine Lösung der Ursachen der Gesamtbetriebsparameteränderungen zu ermitteln, indem die einzelnen Komponentenbetriebsparameteränderungen identifiziert werden, die sie verursacht haben.
Wenn überhaupt, so können nur wenige der Komponentenbetriebsparameteränderungen in der Praxis direkt gemessen werden. Auch ist das Meßinstrumentarium, welches bei einem in Betrieb befindlichen Triebwerk verfügbar ist, extrem beschränkt im Vergleich mit einem voll mit Instrumenten ausgerüsteten Triebwerk in einem Prüfstand. Die typischen Betriebsmessungen, welche verfügbar sind, sind die folgenden:
Drehzahl der Wellen,
Brennstoffströmung,
(Prüfstand-)Schub,
Gesamteinlaßluftströmung (wiederum abgeleitet aus Messungen des Gesamtdrucks und des statischen Drucks und der Gesamttemperatur),
Gesamtdrücke und/oder statische Drücke im Triebwerksgaspfad entweder über eine einzige oder mehrere Anzapfungen in jedem Pfad,
Gesamttemperatur und/oder "statische" Temperaturen im Triebwerksgaspfad (die erstere wird über eine einzelne oder eine Mehrfachabzapfung gewonnen und die letztere über Wandler, die in der Wand montiert sind),
Leistungsparameter, beispielsweise Abgasdruckverhältnis oder Abtriebswellendrehmoment.
Nachdem die Liste möglicher Komponentenbetriebsparameteränderungen und die Liste verfügbarer Betriebsmessungen vollendet sind, wird eine Komponentenaustauschtabelle erzeugt, die die prozentuale Änderung bei jeder Betriebsmessung für eine kleine Änderung jedes Komponentenbetriebsparameters enthält (beispielsweise eine 1-%ige Änderung oder eine Änderung um eine Einheit, wenn der Bezugswert Null ist), und zwar unter den Betriebsbedingungen, d. h. den Flugbedingungen und mit einer Leistung, bei der die Analyse durchgeführt werden muß.

Weitere allgemeine Faktoren im Analyseverfahren

Bei der Analyse des Betriebsverhaltens von Vorrichtungen wie Gasturbinentriebwerken müssen auch Umgebungsparameter berücksichtigt werden, da die Umgebungsbedingungen das Triebwerksverhalten ändern können. Es sind daher Messungen erforderlich, welche die Umgebungsbedingungen definieren. Je nachdem, ob die Analyse während des Fluges durchgeführt wird oder in einem Prüfstand, sollten diese Bedingungen Höhe, Mach-Zahl, Totallufttemperatur (Flug), Zellendruck und Lufteinlaßtemperatur (Prüfstand) berücksichtigen, und vorzugsweise sollten auch Messungen zur Bestimmung der Feuchtigkeit vorgenommen werden. Mit diesen muß immer eine Betriebsmessung von der vorhergehenden Tabelle durchgeführt werden, bevor irgendeine Form einer Analyse beginnen kann: Diese Messung wird benutzt, um den Leistungswert zu definieren.
Es wird normalerweise auch erforderlich sein, die Wirkungen der Umgebung und die Sensorfehler der Leistungsmesser in die Analyse einzubeziehen, und dafür ist es notwendig, die Wirkung kleiner (beispielsweise 1-%iger) Fehler in den Flugbedingungen und Leistungsparametermessungen zu berechnen, und diese werden als fest angenommen, wenn die Komponentenaustauschratentabelle errichtet wird. Dies geschieht durch Berechnung der prozentualen Änderungen in den Betriebsmessungen, wenn die Flugbedingungsmessung und die Leistungsmessung durch eine negative Zunahme geändert werden, damit eine Umgebungsaustauschratentabelle geschaffen wird (die Wahl des negativen Vorzeichens geschieht wegen eines positiven Fehlers, d. h. eine höhere Ablesung als der tatsächliche Wert erzeugt offensichtlich verminderte Betriebsmessungen).
Die Wirkungen von Sensorfehlern auf die Betriebsmessung können bei der Analyse berücksichtigt werden, indem eine weitere Matrix aufgenommen wird. Dies kann im wesentlichen als Matrix formuliert werden, die feststellt, daß ein Sensorfehler (beispielsweise 1%) bei einer Betriebsmessung eine entsprechende Änderung in dieser Messung erzeugt, während sämtliche anderen Messungen unbeeinflußt bleiben. Wenn ein Sensorfehler in all den Messungen als möglich angesehen wird, dann ist diese Matrix eine Identifizierungsmatrix.
Eine kombinierte Matrix, die hier als System-Matrix bezeichnet wird, kann dann dadurch erzeugt werden, daß die Komponentenaustauschratentabelle, die Umgebungsaustauschratentabelle und die Betriebsmeßsensorfehlermatrix miteinander verkettet werden.
Ein weiterer Faktor, der gewöhnlich beachtet werden muß, ist der zufällige Fehler, der bei allen Meßsystemen existiert. Das heißt, der Grad der Genauigkeit einer jeden Messung wird nicht allein durch Sensorfehler bestimmt. Es gibt auch Ungewißheiten infolge von zufälligen Änderungen, die durch viele kleine Effekte verursacht werden, die zu Differenzen bei wiederholten Messungen einer gegebenen Größe führen. Diese Fehlerquelle wird hier als Wiederholbarkeit bezeichnet. Zufällige Änderungen treten auch bei den Umgebungsmessungen und den Leistungsmessungen auf, wodurch weitere wiederholbare Faktoren eingeführt werden. Wenn Fehler getrennt betrachtet werden, kann angenommen werden, daß diese zufälligen Veränderungen eine bekannte normale Verteilung haben. Um diese Wiederholbarkeit in Betracht zu ziehen, ist es daher notwendig, die Standardabweichungen für diese sich wiederholenden Umgebungs- und Leistungsmessungen zu bestimmen. Die Analyse muß auch Gewicht auf die Wiederholbarkeit aller Messungen legen.
Die Standardabweichungen der Meßwiederholungen kann entweder durch genaue Prüfung des Meßsystems bestimmt werden, indem die statistischen Eigenschaften des Meßsystems aus dem Ausgang berechnet werden, der durch bekannte Eingangssignale erzeugt wird, oder aus vorherigen Erfahrungen entweder des benutzten Systems oder eines ähnlichen Systems, das irgendwo in Benutzung ist.
Die Standardabweichungen der Komponentenänderung und der Sensorfehler können durch verschiedene Verfahren bestimmt werden, beispielsweise durch die Analyse von Daten, die aus einer großen "Familie" nominell identischer Vorrichtungen der zu analysierenden Art abgenommen wurden, oder durch Vornahme einer Informationseinschätzung, wobei Erfahrung und Beurteilung benutzt werden, möglichst verfeinert durch Überprüfen des Ansprechens des Kalman-Filters auf Betriebsmessungsänderungen entsprechend bekannten Komponentenänderungen und Sensorfehlern.

Einzelbeschreibung eines analytischen Verfahrens

Um den Kalman-Filter aufzubauen, ist der folgende Eingang erforderlich:
a) Tabellen für die Komponentenaustauschrate und die Umgebungsaustauschrate, wie dies oben erwähnt wurde, und diese werden benutzt, um die System-Matrix zu erzeugen; diese Tabellen enthalten die aufgestellten Beziehungen zwischen Komponentenänderungen und Betriebsänderungen und die Änderungen bei den Betriebsmessungen infolge von Umgebungs- und Leistungsmeßfehlern,
b) eine Anzahl erwarteter Werte von Betriebsmessungen unter Flugbedingungen und Leistungen, bei denen die Analyse für ein Bezugstriebwerk durchgeführt werden soll, d. h. es kann ein Triebwerk mit einem gewünschten Betriebsverhalten mit anderen Triebwerken verglichen werden; da die besten Abschätzungen von Komponentenänderungen und Sensorfehlern, die durch das Kalman-Filter erzeugt werden, relativ zu diesem Bezugswert sind, folgt daraus, daß die Komponentenänderungen und Sensorfehler des Bezugstriebwerks sämtlich Null sind: bei der Betriebsanalyse werden prozentuale Unterschiede zwischen beobachteten und erwarteten Werten von Betriebsmessungen dem Kalman-Filter eingegeben, um die gewünschte beste Abschätzung von Komponentenänderungen und Sensorfehlern zu erhalten, die diese Unterschiede hervorrufen,
c) eine Gruppe von Standardabweichungen der Wiederholbarkeit in den Betriebsmessungen, Flugbedingungsmessungen und Leistungsmessungen, aus denen die nicht wiederholbare a-priori-Messungs-Kovarianz-Matrix berechnet wird,
d) eine Gruppe von Standardabweichungen in den Komponentenänderungen und Sensorfehlern um ihren normalen Wert herum (gewöhnlich Null): diese werden benutzt, um eine a-priori-Komponentenänderung und eine Sensorfehler- Kovarianz-Matrix zu erzeugen, gewöhnlich (aber nicht notwendigerweise beschränkt auf) eine Diagonalmatrix, die die Quadrate der Standardabweichungen enthält.
Wenn man das Konzept des Kalman-Filters betrachtet, dann ist die Grundgleichung, die die vorgenommene Analyse definiert und die einen Ausgangspunkt für das Kalman-Filter bildet:
y = C*x + v
wobei:
y = (m*1) Reihenvektor der Differenz zwischen beobachteten und erwarteten Werten der Betriebsmessungen,
C = (m*n) System-Matrix wie oben beschrieben, die die Wirkungen der Betriebsmessungen gegebener Änderungen bei den Komponentenbetriebsparametern, Umgebungs- und Leistungsmessungssensorfehler und Betriebsmessungssensorfehler definiert,
x = (n*1) Reihenvektor von Änderungen in den Komponentenbetriebsparametern und Sensorfehlern,
v = (m*1) Reihenvektor von störausdrücken in den Betriebsmessungsdifferenzen, unter der Annahme, daß diese normal verteilt sind, mit einer mittleren Null und einer bekannten Kovarianz R.
Es ist ersichtlich, daß die Gleichung die Beziehung zwischen den Betriebsmessungsdifferenzen aus der Erwartung und den Komponentenänderungen und Sensorfehlern wiedergibt, die diese erzeugen. Die Störausdrücke repräsentieren einen bestimmten Grad der Verfälschung der Betriebsmessungsdifferenzen infolge von zufälligen Fehlern im Meßsystem.
Wie bereits erwähnt, gibt es, da die Zahl von Ausdrücken (n) in x gewöhnlich beträchtlich größer ist als die Zahl der Ausdrücke (m) in y, keine einheitliche Lösung, die erkennen läßt, welcher Ausdruck oder welche Ausdrücke in x eine Änderung in y erzeugt hat. Alles, was durch eine mathematische Analyse möglich ist, ist eine "beste Abschätzung", d. h. eine Lösung, die ausgedrückt ist als der wahrscheinlichste Vektor der Komponentenänderungen und Sensorfehler, der einen beobachteten Vektor von Betriebsmessungsdifferenzen erzeugt hat. Über den Algorithmus, der als Kalman-Filter bekannt ist, kann diese Abschätzung getroffen werden.
Das Kalman-Filter kann in der folgenden Gruppe von Gleichungen ausgedrückt werden:
= &sub0; + K* (y-C*x&sub0;)
K = Q*CT* (C*Q*CT + R)&supmin;¹
P&sub1; = (I-K*C)*Q
Dabei ist:
= (n*1) Reihenvektor der besten Abschätzungen der Komponentenänderungen und Sensorfehler, nachdem Betriebsmeßdifferenzen aus der Erwartung beobachtet wurden,
&sub0; = (n*1) Reihenvektor der besten Abschätzungen der Komponentenänderungen und Sensorfehler, bevor Betriebsmeßdifferenzen aus der Erwartung beobachtet wurden. Dieser Vektor ist gewöhnlich Null; in diesem Falle = K *y,
y = (m*1) Reihenvektor der Betriebsmeßdifferenzen, die erwartet werden,
K = (n*m) Kalman-Verstärker-Matrix,
C = (m*n) System-Matrix, die sich auf Betriebsmeßdifferenzen gegenüber Komponentenänderungen und Sensorfehlern bezieht,
Q = (n*n) a-priori-Kovarianz-Matrix von Komponentenänderungen und Sensorfehlern,
P&sub1; = (n*n) eine a-posteriori-Kovarianz-Matrix der besten Abschätzungen der Komponentenänderungen und Sensorfehler,
der Exponent T bezeichnet die Matrixtransposition,
der Exponent -1 bezeichnet die Matrixinversion,
I bezeichnet die Einheitsmatrix geeigneter Dimension,
R = (m*m) a-priori-Messungswiederholbarkeits- Kovarianz-Matrix, die in der folgenden Form geschrieben werden kann:
R = C'*V*C'T
dabei ist
V = (t*t) Diagonalmatrix der Quadrate von Standardabweichungen der Wiederholbarkeiten, wobei t = Zahl der Umgebungsmessungen plus Zahl der Betriebsmessungen,
C' = (m*t) Matrix, die sowohl die Umgebungsänderungsratentabelle als auch eine Einheitsmatrix enthält, die miteinander verkettet sind.
Die R-Matrix enthält demgemäß die Varianzen und die Kovarianzen der scheinbaren Wiederholbarkeit in den Betriebsmeßdifferenzen, die sowohl von der Wiederholbarkeit bei den beobachteten Betriebsmessungen und der Wiederholbarkeit der erwarteten Betriebsmessungen herrühren, d. h. eine Folge der Wiederholbarkeit in der Flugbedingung und in er Leistungsmessung, die die Werte der erwarteten Betriebsmessungen definieren.
In bezug auf eine ins einzelne gehende Ableitung der Kalman-Filter-Gleichungen wird auf "Applied Optimal Estimation", A. Gelb, M. I. T. Press 1974, verwiesen. Die Gleichungen drücken aus, daß K proportional ist der Ungewißheit der Abschätzung und umgekehrt proportional der Ungewißheit in der Messung y; K bestimmt daher die Änderungen, die für &sub0; gemacht wurden, um zu erzeugen, je nach der relativen Gewißheit von y und .
Die Benutzung einer früheren Information über erwartete Werte von Komponentenänderungen und Sensorfehlern, Ungewißheiten sowohl in den erwarteten Werten und Komponentenänderungen und Sensorfehlern und die Ungewißheiten in den Messungen beruhen auf der Entscheidung eines erfahrenen Beobachters. Das heißt, wenn keine Ungewißheit über die mathematische Beziehung zwischen den Variablen besteht, aber Betrachtungen der Wiederholbarkeit eine große Ungewißheit in den Messungen anzeigen, dann wird die beste Abschätzung der Beziehung nicht durch Messungen beeinträchtigt, die nicht mit der aufgestellten mathematischen Beziehung konform gehen. Wenn andererseits die Beziehung ungewiß und die Messungswiederholbarkeit voraussichtlich vernachlässigbare Ungewißheiten ergibt, dann wird die beste Abschätzung der Beziehung in hohem Maße durch die Messungen bestimmt.
Allgemein sind zuerst nur ungenügende Daten für eine ordnungsgemäße statistische Analyse dieser Faktoren verfügbar. Aus praktischen Erwägungen heraus werden daher die Werte in der Q-Matrix wenigstens anfänglich durch Entscheidung des Benutzers gewählt. Um eine Messung zu erhalten, wie geeignet die gewählten Werte sind, ist es bei einer anfänglichen Verarbeitung der Eingangsdaten möglich (durch Erzeugung des Produktes K*C), die Gruppe von Vektoren zu erhalten, die am besten die Komponentenbetriebsänderungen und Sensorfehler für Betriebsmeßdifferenzen abschätzt, die geeignet sind als Einheitsänderung einer jeden Komponentenänderung oder eines Sensorfehlers, um wiederum die Ergebnisse zu überprüfen und um zu sehen, ob für eine spezielle Änderung des Betriebsverhaltens einer Komponente oder eines Sensorfehlers eine unerwünschte Konfusion der ersuchten Änderung oder des Fehlers mit den anderen Änderungen und Fehlern, die eingeschlossen sind, auftritt. Sollte dies beobachtet werden, dann kann die Q-Matrix so modifiziert werden, daß die mögliche Konfusion auf ein Minimum vermindert wird.
In einem Idealfall wäre das Produkt (K*C) eine Einheitsmatrix; eine Konfusion zwischen den verschiedenen Parametern liefert die Diagonalen der Matrixwerte minus jenem Einheitswert, und als von Null abweichende Diagonalelemente. Ein bevorzugtes Verfahren zur Verfeinerung der Q-Matrix beruht auf einer ersten Normalisierung der K*C)-Matrix durch Teilen jeder Reihe durch das entsprechende Diagonalelement der P&sub1;-Matrix. Bei der normalisierten Matrix werden dann die Werte in jeder Reihe durch das Diagonalelement jener Reihe geteilt, so daß eine Matrix erzeugt wird, in der sämtliche Diagonalelemente Einheitswerte sind; dieser letztgenannte Schritt wird in erster Linie durchgeführt, um die relativen Größen dieser Diagonalelemente gegenüber anderen Werten ihrer Reihenvektoren zu bestimmen.
Bei der Durchführung des Vergleichs wünscht der Benutzer zu gewährleisten, daß kein Verhältnis größer ist als der Einheitswert und daß die Zahl der Verhältnisse größer als 0,6, anders als das Diagonalelement selbst, minimiert sein sollte. Das Ziel besteht darin, daß für jede Reihe die Zahl von Verhältnissen größer als der Durchschnitt der Absolutwerte aller Verhältnisse minimiert sein sollte. Eine Möglichkeit, dies durchzuführen, ist die Benutzung eines Algorithmus, beispielsweise des Downhill-Simplex-Verfahrens (Nelder and Mead, S. 308, Computer Journal, Bd. 7, 1965), um die Komponentenänderung und die Sensorfehler-Standardabweichungen einzustellen (d. h. die Quadratwurzel der Diagonalelemente der Q-Matrix), bis die Summe der Absolutwerte der von den Diagonalen abweichenden Ausdrücke in der normalisierten (K*C)-Matrix minimiert ist, wobei den Elementen ein besonderes Gewicht verliehen wird, die Absolutwerte besitzen, die größer sind als 0,6, und Elemente mit Absolutwerten, die größer als 1,0 sind.
Wenn die Analyse ohne weitere Verfeinerung durchgeführt wird, führen die zugrundeliegenden mathematischen Prinzipien, wie bereits erwähnt, in allen analysierten Komponentenänderungen und Sensorfehlern zu Abweichungen von Null, und es wird ein Ergebnis geliefert, bei dem die beobachteten Betriebsmeßänderungen eine Folge aller möglichen Komponentenänderungen und Sensorfehler sind, die sie verursacht haben mögen. Die Einführung eines "Schmier"-Effektes, der zu den tatsächlichen Komponentenänderungen und Sensorfehlern führen kann, wird unterbewertet. Gemäß der vorliegenden Erfindung wird das Ergebnis so verarbeitet, daß die Abschätzungen um die signifikanteren Komponentenänderungen und Sensorfehler konzentriert werden, die durch die Basisanalyse des Kalman-Filters hervorgerufen werden. Dies bedeutet die selektive Entfernung individueller Änderungen und Fehler, wobei alle beobachteten Wirkungen über die verbleibenden Änderungen und Fehler wieder verteilt werden, bis die Analyse ein Ergebnis liefert, das dem Beobachter geeigneter erscheint und das beispielsweise zeigt, daß die beobachtete Betriebsänderung ganz oder hauptsächlich einer kleinen Zahl von bedeutenden Komponentenänderungen und/oder Sensorfehlern zugrundeliegt.
Ein bevorzugtes Verfahren zur Durchführung dieses Prozesses zur Konzentration des Beitrags von Änderungen umfaßt die folgenden Schritte:
a) berechne eine objektive Funktion f;
f = (y-C* )T*R&supmin;¹* (y-C* )
(dies gibt ein Maß des Betrages einer unerklärten Messungsänderung und besitzt eine chi-quadratische Verteilung mit der Zahl der Freiheitsgrade gleich der Zahl der Betriebsmessungen),
b) normalisiere jedes Element des Vektors durch Teilung durch die Quadratwurzel des jeweiligen Diagonalelementes der P&sub1;-Matrix, um den Vektor n mit Elementen zu erzeugen, die gegeben sind durch:
i-tes Element von = i-te Element von / (i-tes Diagonalelement von P&sub1;)
c) Komponentenänderungen und Sensorfehler, deren Elemente in n Absolutwerte besitzen, die kleiner sind als der Durchschnittswert aller Absolutwerte der Elemente in n, werden entfernt (wenigstens eines, aber nicht alle der Komponentenänderungen und Sensorfehler werden bei diesem Schritt entfernt),
d) das Kalman-Filter wird wieder durchlaufen mit nur jenen Komponentenänderungen und Sensorfehlern, die nicht bereits im Schritt (c) entfernt wurden, um einen neuen Vektor der besten Abschätzungen von Komponentenänderungen und Sensorfehlern zu erzeugen,
e) die Schritte (a), (b) und (d) werden wiederholt; bei jeder Wiederholung werden jene Komponentenänderungen und Sensorfehler, deren Elemente in n Absolutwerte haben, die niedriger sind als in dem vorhergehenden Durchlauf, entfernt,
f) die Wiederholungen der Schritte (a), (b) und (d) werden fortgesetzt, bis nur eine Komponentenänderung oder ein Sensorfehler verbleibt, und die Reihe von Vektoren bester Abschätzungen der Komponentenänderungen und Sensorfehler (jeder mit einer unterschiedlichen Zahl von Änderungen und Fehlern), die durch jeden Durchlauf des Kalman- Filters erzeugt wurden, werden nacheinander in der Ordnung, in der sie erzeugt wurden, numeriert,
g) es wird das Maximum für den objektiven Funktionswert gewählt, entweder empirisch, oder durch Berechnung aus der chi-quadratischen Wahrscheinlichkeitsverteilung, wobei die Zahl der Freiheitsgrade (die gleich ist der Zahl der Betriebsmessungen) und eine vom Benutzer definierte Wahrscheinlichkeit Anwendung finden: der -Vektor aus dem Schritt (f) mit der höchsten Zahl, dessen entsprechender objektiver Funktionswert kleiner ist als dieses Maximum, wird als die "beste Antwort" ausgewählt, d. h. das gewählte Ergebnis enthält die kleinste Gruppe von Komponentenänderungen und/oder Sensorfehlern, die aufeinanderfolgend zur Berechnung der beobachteten Betriebsmessungsdifferenzen dienen (wenn keine der Objektiv-Funktionswerte kleiner als das Maximum ist, wird das Grundergebnis des Kalman-Filters aus dem ersten Durchlauf als "beste Antwort" hergenommen),
h) die "beste Antwort" wird weiter dadurch modifiziert, daß Komponentenänderungen und Sensorfehler entfernt werden, deren Elemente in Absolutwerte aufweisen, die kleiner sind als entweder ein benutzerspezifischer Absolutwert oder eine benutzerspezifische Absolutzahl von Standardabweichungen: dem Benutzer wird daher die bedeutendste Gruppe von berechneten Komponentenänderungen und Sensorfehlern dargeboten, die die beobachteten Betriebsmessungsdifferenzen erzeugten.

Weitere Entwicklungen des Verfahrens

Das bisher beschriebene Verfahren ist eines, bei welchem eine Analyse zu einer Information führt, die auf einer Gruppe von Betriebsmessungsdifferenzen basiert, die zu einem bestimmten Zeitpunkt durchgeführt werden. In gewissen Fällen, wo die Vorrichtung über eine Zeitdauer überwacht werden muß, ist es möglich, eine Zahl von Gruppen von Betriebsmessungsdifferenzen zu erhalten, die aufeinanderfolgend über die Zeit gesammelt wurden. Jede bestimmte Type von Betriebsmessungsdifferenzen, die über die Zeit gesammelt wurden, kann als eine Zeitserie in ihrem eigenen Recht betrachtet und unter Benutzung einer Zahl bekannter Techniken verarbeitet werden, beispielsweise durch:
a) Bewegung des Durchschnitts,
b) Exponentialglättung,
c) Bayesian-Folgerung.
Die Bayesian-Folgerung ist das bevorzugte Verfahren zur Verarbeitung zeitlich folgender Daten, da eine beobachtete Zeitfolge verarbeitet werden kann, um zu erzeugen:
a) Pegelabschätzungen, d. h. Abschätzungen des Wertes eines Parameters, in dem so weit als möglich unechte Störungen von Punkt zu Punkt entfernt wurden,
b) Trendabschätzungen, d. h. Abschätzungen der Änderungsgeschwindigkeit der betreffenden Parameter,
c) Differenzen zwischen dem beobachteten Wert des betreffenden Parameters und des Wertes, der von Pegel- und Trendabschätzungen vorausgesagt würde, die dem vorherigen Punkt in der Zeitfolge zugeordnet waren.
Weitere Einzelheiten dieses Verfahrens finden sich in "Bayesian Forecasting", P. J. Harrison und C. F. Stevens, J. Royal Statistical Soc., 1976, und "A Bayesian Approach to Short-Term Forecasting", P. J. Harrison und C. F. Stevens, Operational Research Quarterly, Bd. 2 Nr. 4, 1971. Die Gleichungen werden wie folgt benutzt:
wobei q&sub1;&sub1;/r, Q&sub1;&sub2;/r, q&sub2;&sub2;/r die Pegelvarianz, die Pegel- Trend-Kovarianz und die Trendvarianz sind, jeweils geteilt durch die Varianz der Wiederholung der Beobachtungen, sind,
p&sub1;&sub1;/r, p&sub1;&sub2;/r, p&sub2;&sub2;/r die Pegelabschätzvarianz, die Pegel-Trend-Abschätzkovarianz und die Trendabschätzvarianz, jeweils geteilt durch die Wiederholung der Beobachtungen, sind.
Obs = beobachteter Parameterwert,
Delta = Differenz zwischen beobachtetem Parameterwert und dem Wert, der von den vorherigen Pegel- und Trendabschätzungen vorausgesagt wurde,
Le el = Pegelabschätzung,
Tre d = Trendabschätzung,
s&sub1;, s&sub2;, s&sub3; werden durch die obigen Gleichungen definiert und benutzt, um die Algebra zu vereinfachen,
der Index k bezeichnet den gegenwärtigen Punkt in der Zeitfolge,
der Index k-1 bezeichnet den vorherigen Punkt in der Zeitfolge.
Sämtliche verfügbaren Betriebsmessungsdifferenzen, die über die Zeit gesammelt wurden, können unter Benutzung der obigen Algorithmen (oder unter Benutzung einer bekannten Technik) verarbeitet werden, um Gruppen von Meßdifferenzpegelabschätzungen, Trendabschätzungen und Differenzen zwischen beobachteten und vorausgesagten Werten zu erzeugen (oder Ausgängen der anderen bekannten Techniken), entsprechend den jeweils beobachteten Gruppen von Betriebsmessungsdifferenzen. Die anderen bekannten Techniken können in gleicher Weise in Verbindung mit Zeitfolgedaten verarbeitet werden, um Resultate gemäß ihren bekannten Fähigkeiten zu erzeugen. Im Falle des Bayesian-Inferencing kann jede Gruppe von erzeugten Meßdifferenzpegelabschätzungen als Eingang in das Verfahren gemäß der Erfindung benutzt werden, um Abschätzungen von Komponentenänderungen und/oder Sensorfehlern zu liefern, die so weit als möglich durch unechte Störungen in den Betriebsmeßdifferenzen nicht beeinträchtigt sind.
Außerdem kann jede Gruppe von Meßdifferenztrendabschätzungen als Eingang für das erfindungsgemäße Verfahren benutzt werden, um Abschätzungen der Änderungsgeschwindigkeit der Komponentenänderungen und/oder der Sensorfehler zu liefern, und jede Gruppe von Differenzen zwischen beobachteten und vorausgesagten Meßdifferenzen kann als Eingang in dem Verfahren benutzt werden, um plötzliche Änderungen in den Komponentenänderungen und/oder Sensorfehlern von einem Punkt nach dem nächsten festzustellen. Wenn andere bekannte Algorithmen benutzt werden, können die Gruppen der erzeugten Ausgänge in gleicher Weise als Eingang für das erfindungsgemäße Verfahren benutzt werden, um entsprechende Komponentenänderungs- und/oder Sensorfehlerwertungen vorzunehmen.

Beispiele der analytischen Verfahren nach der Erfindung

In der weiteren Beschreibung der Erfindung wird auf die 10 beiliegende Zeichnung Bezug genommen. In dieser Zeichnung zeigen:
Fig. 1 eine schematische Darstellung der analytischen Situation, mit welcher sich die Erfindung befaßt,
Fig. 2 die System-Matrix der Fig. 1,
Fig. 3 eine schematische Schnittansicht einer Einwellengasturbine, welche die Betriebsmeßstellen angibt, die benutzt werden zur Analyse des Verfahrens unter Verwendung des erfindungsgemäßen Verfahrens, und
Fig. 4 ein Flußdiagramm, welches die Anwendung des erfindungsgemäßen Verfahrens zur Abschätzung von Pegeln und Trends veranschaulicht.
Die Fig. 1 veranschaulicht schematisch die Art und Weise, auf die der Vektor x einer unbekannten Komponentenänderung und unbekannter Sensorfehler einen beobachteten Vektor y von beobachteten Differenzen in den Betriebsmessungen erzeugt. Die Änderungen werden der Vorrichtung aufgeprägt, d. h. im Ausführungsbeispiel der Gasturbine, die in Fig. 3 dargestellt ist, und bei dieser Vorrichtung führt die gegenseitige Unabhängigkeit der Variablen des Systems zu Betriebsmeßdifferenzen, deren Beobachtung bis zu einem gewissen Grade durch Störungen oder zufällige Veränderungen (v) verfälscht werden können. Die Beziehungen zwischen Komponentenänderungen und Sensorfehlern und beobachteten Betriebsmeßänderungen werden durch die System-Matrix C gemäß Fig. 2 definiert. Dies führt zu einer (m*j)- Komponentenaustauschratentabelle, die die Wirkungen kleiner Änderungen in einer Serie von j Komponentenbetriebsparametern bei einer Serie von m Betriebsmessungen bei speziellen Umgebungsänderungen und einem spezifischen Leistungspegel liefert. Außerdem zeigt eine Umgebungsänderungsratentabelle in Form einer (m* k)-Austauschratentabelle die Wirkungen auf die m Betriebsmessungen von kleinen Änderungen in den (k-1)-Umgebungsbedingungen und dem Leistungspegel, und schließlich ist eine Tabelle für Sensorfehler vorgesehen, die feststellt, daß ein spezieller Fehler in einer Betriebsmessung eine entsprechende Änderung in jener Messung erzeugt, während alle anderen Messungen unbeeinflußt bleiben.
Fig. 3 zeigt ein Einwellen-Gasturbinenstrahltriebwerk mit einem Kompressor 100 unmittelbar stromab eines Lufteinlasses 102, der über eine sich drehende Welle 104 mit einer Turbine 106 gekuppelt ist, die einer Verbrennungseinrichtung 108 nachgeschaltet ist. Durch den Einlaß 102 wird Luft in den Kompressor eingesaugt, und die komprimierte Luft wird mit Brennstoff verbrannt, der in die Verbrennungseinrichtung eingespritzt wurde, und die heißen Verbrennungsgase strömen über die Turbine, um die Welle 104 anzutreiben, bevor diese Gase als Strahl durch eine Auslaßdüse 110 austreten. Die Figur zeigt, daß die Messungen, die im Betrieb abgenommen werden, in diesem Falle jene sind, die von einem normalen Prüfstandinstrumentarium verfügbar sind. Sie bestehen aus der Einlaßluftströmungsrate (WIA), dem Einlaßgesamtdruck (P2) und der Gesamttemperatur (T2), der Wellendrehzahl (NH), dem Kompressorausgangsgesamtdruck (P3) und der Gesamttemperatur (T3), der Brennstoffströmungsrate (WFE), der Turbinenaustrittsgesamttemperatur (T7) und dem Gesamttriebwerksschub (FN), und letzterer liefert einen Leistungspegelparameter.
In der Tabelle 1 ist die Komponentenaustausch-Ratentabelle dargestellt, die die prozentuale Änderung bei jeder dieser Messungen für eine einprozentige Änderung des Komponentenbetriebsparameters angibt. Die Komponentenbetriebsparameter sind hier der Kompressorwirkungsgrad (DE25) und die Kapazität (CW25), der Turbinenwirkungsgrad (DE4) und die Kapazität (CW4) und die Schubdüsenflächenänderung (A8).
Die Tabelle 2 zeigt die Umgebungsaustausch-Ratentabelle, in der die prozentuale Änderung jeder Messung für einen einprozentigen Fehler in der Schubsensormessung (FNS), in der Einlaßdrucksensormessung (P2S) und der Einlaßtemperatursensormessung (T2S) dargestellt sind.
Diese ersten zwei Tabellen sind mit einer Matrix verkettet, die die Wirkungen der Betriebsmeßsensorfehler zeigt, um die System-Matrix gemäß Tabelle 3 zu liefern. Die Matrix der Meßfehler zeigt, daß ein einprozentiger Sensorfehler für irgendeine Messung eine entsprechende Änderung in jeder Messung, aber keiner anderen, verursacht. In diesem Beispiel wird eine geringe Vereinfachung dadurch erlangt, daß man annimmt, daß kein Fehler in der Messung der Wellendrehzahl vorhanden ist.
Aus Erfahrung und der Beurteilung der benutzten Anlage werden Standardabweichungen von der Reproduzierbarkeit der Messungen des Instrumentariums erzeugt, wie dies in Tabelle 4 dargestellt ist. Aus diesen Werten kann eine a-priori- Messungs-Reproduzierbarkeit-Kovarianzmatrix R gemäß Tabelle 5 erzeugt werden. Die Matrix ist symmetrisch und wird demgemäß durch die unteren Dreieckselemente definiert, die herausgestellt sind.
In der Tabelle 6 sind Standardabweichungen der Komponentenbetriebsparameter bzw. der Sensorfehler aufgelistet, die, wenn sie quadriert werden, eine a-priori-Diagonal-Kovarianzmatrix Q von Komponentenänderungen und Sensorfehlern liefern.
Aus den Daten der vorhergehenden Tabellen kann die Kalman- Verstärkermatrix K erlangt werden, wie dies in Tabelle 7 dargestellt ist, um in einem ersten Durchlauf benutzt zu werden. Diese Daten liefern auch eine a-posteriori- Kovarianzmatrix P&sub1; der besten Abschätzungen von Komponentenänderungen und Sensorfehlern gemäß den Annahmen der Tabellen 1 bis 6. Die Testmessungen liefern einen Vektor y, der dann mit diesen Daten gemäß den Formeln ausgedrückt werden kann, die weiter oben für einen ersten Durchlauf des Kalman-Filters angegeben wurden. In folgenden Durchgängen ergibt sich eine ähnliche Prozedur, wobei als modifizierter Eingang die progressiv kleinere Zahl von Komponentenänderungen und Sensorfehlern benutzt wird, die verbleiben, wenn nach jedem Durchlauf eine oder mehrere ausgeschieden werden.
Um die Arbeitsweise des Konzentrationsverfahrens zu veranschaulichen, wird ein simuliertes Beispiel beschrieben, welches auf dem Triebwerk gemäß Fig. 3 basiert und auf den Daten der vorhergehenden Tabellen, wobei die Analyse der speziellen Gruppe von Komponentenbetriebsparameteränderungen und Sensorfehlern betrachtet wird, indem als Eingang die Betriebsmeßdifferenzen benutzt werden, die durch diese Änderungen und Fehler erzeugt werden. So zeigt Tabelle 8 für das Triebwerk die Betriebsmeßdifferenzen, die durch eine -1-%ige Änderung des Kompressorwirkungsgrades, einen -0,5-%igen Fehler im Triebwerksschubsensor (der Schub wird benutzt als Betriebspegelparameter) und einen +0,5-%igen Fehler im Turbinenabgastemperatursensor. Wenn diese Messungsänderungen einer Analyse durch das Kalman-Filter unterworfen werden, ergeben sich die Ergebnisse gemäß Tabelle 9.
Dann wird die erste Analyse dem Konzentrationsprozeß unterworfen. Die Tabellen 10 und 11 liefern Berechnungen über insgesamt sechs Durchläufe des Kalman-Filters. Die Reihe 1 der Tabelle 10 zeigt die Ergebnisse des ersten Durchlaufs entsprechend der Tabelle 9, und die Reihe 1 der Tabelle 11 zeigt die Quadratwurzeln der Diagonalen der a-posteriori-Kovarianzmatrix P&sub1;, der die jeweiligen Komponentenänderungen und Sensorfehler zugeordnet sind. Die absoluten Werte der normalisierten Elemente dieses Vektors der Komponentenänderungen und Sensorfehler werden bestimmt, und Werte, die kleiner sind als der Durchschnitt, werden entfernt (vgl. Tabelle 12), und in der zweiten Reihe von Tabelle 10 ist der zweite Durchlauf des Kalman-Filters dargestellt, bei welchem diese entfernten Elemente als Null angenommen werden.
Die Elemente in Reihe 2 der Tabellen 10 und 11, die nach dem zweiten Durchlauf des Kalman-Filters erhalten wurden, zeigen, daß ein Element, nämlich der Triebwerkseinlaßluftströmungssensorfehler, für einen dritten Durchlauf des Kalman-Filters eliminiert werden kann (vgl. Tabelle 12). Auf gleiche Weise zeigen, wie in Tabelle 12 dargestellt, die Elemente in der Reihe 3 der Tabellen 10 und 11, die nach diesen dritten Durchlauf des Kalman-Filters erhalten wurden, daß zwei weitere Elemente, nämlich die Änderung des Turbinenwirkungsgrades und der Einlaßtemperatursensorfehler, für einen vierten Durchlauf des Kalman-Filters eliminiert werden kann. Eine weitere Reiteration des Verfahrens führt zu einer einzigen Komponentenbetriebsänderung, die für den sechsten Durchlauf verbleibt.
Für jeden Durchlauf wird eine objektive Funktion berechnet, basierend auf den sechs Freiheitsgraden des Systems (die Zahl der beobachteten Betriebsmessungen ist sechs). Aus chi-Quadrat-Tabellen mit sechs Freiheitsgraden und einer annehmbaren Wahrscheinlichkeit von 95% wird der Maximalwert der objektiven Funktion als 12,6 bestimmt. In einfachen statistischen Ausdrücken ausgedrückt, heißt dies, daß die Durchläufe 1 und 4 als die beste Antwort betrachtet werden können, weil sie die niedrigsten Werte für die objektive Funktion liefern; indem jedoch die weitere Bedingung angewandt wird, daß die Antwort die Betriebsänderungen in Ausdrücken der minimalen Zahl von Komponentenänderungen und Sensorfehlern ausdrücken sollte, wird der Durchlauf 4 des Kalman-Filters als "beste Antwort" gewählt. Dieses Ergebnis erzeugt Werte, die sehr nahe an den tatsächlichen Komponentenänderungen und Sensorfehlern liegen, die am Ausgang angenommen werden.
Wie oben erwähnt, ist es auch möglich, bekannte Techniken bei einer Zahl von Gruppen von Betriebsmeßdifferenzen anzuwenden, die über eine Zeitdauer beobachtet wurden, um geglättete Werte und Abschätztrends sowie Abweichungen der beobachteten Werte von vorausgesagten Pegeln zu erhalten. Die Anwendung der Kalman-Filter-Technik zur Konzentration der Abschätzungen von Komponentenbetriebsänderungen und/oder Sensorfehlern auf eine minimale Zahl solcher Parameter, wie dies unter Bezugnahme auf die vorhergehenden Figuren und Tabellen beschrieben wurde, für die Ableitung solcher Pegel- und Trendabschätzungen ist schematisch in Fig. 4 dargestellt. Diese zeigt die Messungsdifferenzen, die vom Triebwerk gemäß Fig. 3 erhalten werden und die in einem Falle benutzt werden (Block A) in dem Konzentrationsprozeß, der bereits beschrieben wurde, um eine "beste Antwort" aus der augenblicklichen Gruppe von Daten zu erlangen, und im anderen Falle (Block B) durch eine mittels bekannter Techniken durchgeführte Verarbeitung einer Zahl solcher Gruppen von Daten, die in Intervallen gesammelt wurden, um die Pegel und Trends abzuleiten, die sich aus jenen Daten ergeben. Die Daten vom Block B erfordern selbst eine weitere Analyse, um eine Abschätzung der Pegel und Trends in den Komponentenänderungen und/oder Sensorfehlern zu erzeugen, die den Meßdifferenzpegeln und -trends unterworfen sind, welche im Verfahren des Blockes B erzeugt wurden. Aus diesem Grund wird der Datenausgang vom Block B einem Kalman-Filter eingegeben, indem ein Konzentrationsprozeß der bereits beschriebenen Form durchgeführt wird (Block C).
Fig. 4 zeigt die unterschiedlichen Gruppen von Daten, die im Block B erlangt werden können, nämlich Pegelabschätzungen, Trendabschätzungen und Differenzen (Δ) zwischen beobachteten und vorhergesagten Werten. Jede Gruppe wird getrennt einer Analyse durch das Kalman-Filter unterworfen, mit welchem die Konzentrationstechnik so angewandt wird, daß ein Endausgang erhalten wird, der in zufriedenstellender Weise die Daten in Ausdrücken der geringsten Zahl von Komponentenbetriebsänderungen und/oder Sensorfehlern erklärt.
Aus Fig. 4 ergibt sich auch die Benutzung des Basisausgangs (unkonzentrierter Ausgang) vom Kalman-Filter (Block A) aus einer Reihe von Gruppen von Meßdifferenzeingängen, um die Daten für die Algorithmen zur Glättung und zur Ableitung von Trends in den Daten zu erhalten (Block D), obgleich eine allgemeine Behandlung in der Weise, wie dies in den Blöcken B und C dargestellt ist, zu bevorzugen ist.
Als Beispiel der Art und Weise, wie die vorstehende Analyse von Pegeln und Trends arbeitet, soll nunmehr ein Fall beschrieben werden, bei dem in einer Serie von 20 Gruppen von Meßablesungen von einem Gasturbinentriebwerk nach der 8. Gruppe der Kompressorwirkungsgrad (DE25) mit einer Rate von 0,2% in jeder folgenden Ablesung abzusinken beginnt. Mit den gleichen Sensorquellen- wie bei dem früheren Beispiel der Tabellen 8 bis 12 liefern die Meßdifferenzen für jede der Datengruppen 1 bis 20 die Matrix, die in Tabelle 13 dargestellt ist.
Durch Benutzung dieser Matrix beim Stand der Technik wird eine Pegelabschätzung für die Meßdifferenzen erzeugt (Tabelle 14). Wenn diese Daten durch das Kalman-Filter in reiterativer Weise benutzt werden, wie dies bereits unter Bezugnahme auf die Tabellen 8 bis 12 beschrieben wurde, erscheinen die "besten Antworten" für die geglätteten Werte von Änderungen im Kompressorwirkungsgrad, wie in Tabelle 15 dargestellt. Es ist ersichtlich, daß wegen der Glättung, wenn die Änderung des Pegels das erste Mal erscheint, dies nicht aufgezeichnet wird, weil der Glättungsprozeß eine Änderung anzeigt, die zu klein ist, um ausgewertet zu werden. Wenn dies das erste Mal in der Gruppe 11 erfolgt, wird die tatsächliche Änderung (-0,6) unterbewertet, aber der wirkliche Wert wird sehr bald erhalten (Gruppe 15 aufwärts).
Ein ähnliches Muster tritt auf, wenn die Trendabschätzungen (Tabelle 16) in das Kalman-Filter eingegeben werden und wenn durch das reiterative Verfahren die in Tabelle 17 dargestellten Ergebnisse erzeugt werden, wodurch eine dichte Annäherung an den tatsächlichen Trend aus der Messung 13 aufwärts gezeigt wird.
Aus der vorstehenden Beschreibung ergibt sich, daß die offenbarten Verfahren für einen weiten Bereich von Vorrichtungen und Anlagen benutzt werden können, wenn dies erforderlich ist. Auf dem Feld der Gasturbinen liegt eine weitere Anwendung in der Prüfstand-Eichung; wenn ein spezielles Triebwerk in verschiedenen Prüfständen nacheinander läuft, können die Unterschiede der Sensorfehler in den beiden Prüfständen unter Benutzung des erfindungsgemäßen Verfahrens analysiert werden. Tabelle 1 Komponenten-Austausch-Ratentabelle Tabelle 2 Umgebungs-Austausch-Ratetabelle Tabelle 3 SYSTEM MATRIX Tabelle 4 Instrumenten-Reproduzierbarkeit benutzt zur Erzeugung der R-Matrix Tabelle 5 a-priori-Meß-Reproduzierbarkeits-Kovarianz-Matrix (R)

Tabelle 6

Standard-Abweichungen für die a-priori-Kovarianz-Matrix der Komponentenänderungen und der Sensorfehler

DE25 0.894
CW25 0.950
DE4 0.962
CW4 0.642
A8 1.087
FNS 0.619
P2S 0.764
T2S 0.644
P35 0.568
T35 0.414
T75 0.425
WFES 0.589
W1AS 0.426
Bemerkung: Die Kovarianz-Matrix ist eine Diagonal-Matrix, die aus den Quadraten der obigen Werte gewonnen wurde. Tabelle 7 Kalman-Verstärker-Matrix beim ersten Durchlauf

Tabelle 8

Messung der Differenzen (y), erzeugt durch einen Wirkungsgradabfall des Kompressors um -1%, Abfallschub (Leistungseinstellung) -0,5% Fehler und Turbinenabgastemperaturfehler +0,5%

Kompressorauslaßdruckänderung (P3) +0,254%
Kompressoraustrittstemperaturänderung (T3) +0,570%
Turbinenaustrittstemperaturänderung (T7) +1,809%
Brennstoffströmungsänderung (WFE) +1,697%
Wellendrehzahländerung (NH) +0,061%
Einlaßluftströmungsänderung (WIA) -0,386%

Tabelle 9

Analyse der obigen Meßänderungen durch das Kalman-Filter

Kompressorleistungsänderung (DE25) -0,528% +
Kompressorströmungskapazitätsänderung (CW25) -8,083%
Turbinenwirkungsgradänderung (DE4) -0,524% *
Turbinenströmungskapazitätsänderung (CW4) -0,009%
Schubdüsenquerschnittsflächenänderung (A8) +0,116%
Schubsensorfehler (FNS) -0,387% +
Einlaßdrucksensorfehler (P2S) +0,057%
Einlaßtemperatursensorfehler (T2S) -0,293% *
Kompressoraustrittsdrucksensorfehler (P3S) -0,094%
Kompressoraustrittstemperatursensorfehler (T3S) +0,024%
Turbinenaustrittstemperatursensorfehler (T7S) +0,253% +
Brennstoffströmungssensorfehler (WFES) -0,089%
Einlaßluftströmungssensorfehler (WIAS) +0,175% *

Bemerkungen

1. Die Unterschätzung von Änderungen/Fehlern, die benutzt wurden, um die Messungen zu erzeugen (+), und die Abschätzung unechter Änderungen/Fehler (entsprechende Werte mit * markiert), die durch "Schmieren" verursacht wurden.
2. Es wird angenommen, daß kein Wellendrehzahlsensorfehler vorhanden ist. TABELLE 10 Folgende Abschätzungen von Komponentenänderungen und Sensorfehlern Durchlauf Nr. Objektiver Funktionswert TABELLE 11 Quadratwurzeln von Diagonalen der P&sub1;-Matrix Durchlauf Nr. TABELLE 12 Absolutwerte von normalisierten Auswertungen von Komponentenänderungen und Sensorfehlern, erhalten durch Division der Elemente in Tabelle 10 durch die Elemente in Tabelle 11 und durch Weglassen des Vorzeichens
Bemerkungen
1. * bezeichnet Elemente, die ausgeschieden wurden, weil sie kleiner sind als der Durchschnittswert (nur Durchlauf 1)
2. + bezeichnet Elemente, die ausgeschieden wurden, weil sie kleiner sind als im vorherigen Durchlauf
3. X bezeichnet Elemente, die ausgeschieden wurden, weil sie die kleinsten Werte in dem betreffenden Durchlauf sind TABELLE 13 Meßdifferenzen für 20 serielle Gruppen von Ablesungen Gruppe TABELLE 14 Pegelauswertungen für die Meßdifferenzen Gruppe TABELLE 15 Endauswertung von Änderungspegeln und/oder Fehlern Gruppe TABELLE 16 Trendauswertungen für die Meßdifferenzen Gruppe Tabelle 17 Endauswertung von Trends von Änderungen und/oder Fehlern Gruppe

Claims

1. Verfahren zur Verarbeitung von Daten, die sich auf den Betrieb einer Vorrichtung beziehen, die mehrere Komponenten aufweist, deren individuelles Betriebsverhalten den Betrieb der Vorrichtung beeinflußt, und die mehrere Sensoren besitzt, um einem Betriebsmeßsystem Eingänge zu liefern, wobei die Eingänge von den Sensoren Fehlern unterworfen sind, die Fehler in dem gemessenen Betriebsverhalten der Vorrichtung erzeugen, wobei das Verfahren Änderungen im Betriebsverhalten der Komponenten und in der Größe der Sensorfehler aus einer Reihe von Betriebsmessungen ableitet, wobei das Verfahren die folgenden Schritte umfaßt:

a) es wird eine a-priori-Information definiert, die für ein Kalman-Filter erforderlich ist und folgende Bestandteile aufweist:

i) eine Kovarianz-Matrix von Betriebsmeßänderungen der Komponenten und Sensorfehler,

ii) eine Messung einer nicht reproduzierbaren Kovarianz-Matrix,

iii) eine System-Matrix, die eine Beziehung zwischen beobachteten Betriebsmessungsänderungen und Sensorfehlern liefert;

b) es wird das Betriebsmeßsystem benutzt, um Bezugswerte der Betriebsmessungen der Vorrichtung zu erlangen;

c) es wird das Betriebsmeßsystem benutzt, um Betriebsmessungen von der Vorrichtung zu erhalten;

d) es werden die Daten, die in den Schritten (b) und (c) erlangt wurden, benutzt, um Betriebsmeßdifferenzen von den Bezugswerten abzuleiten;

e) es werden die in den Schritten (a) und (d) erlangten Daten benutzt, um eine höchstwahrscheinliche Gruppe von Komponentenbetriebsänderungen und Sensorfehlern durch Benutzung eines Kalman-Filters abzuleiten;

wobei das Verfahren durch die folgenden Schritte gekennzeichnet ist:

f) es wird eine objektive Funktion berechnet, die ein Maß der Werte unerklärter Betriebsmeßänderungen und/oder der Werte von Komponentenbetriebsmeßänderungen und Sensorfehlern in der Lösung aus (e) liefert;

g) es wird eine oder es werden mehrere der Komponentenbetriebsänderungen und/oder Sensorfehler ausgeschieden, um eine oder mehrere der Komponentenänderungen und/oder Sensorfehler zur Berechnung zu belassen;

h) es werden die Schritte (e) bis (g) erforderlichenfalls wiederholt, bis die Gesamtzahl von Komponentenbetriebsänderungen und Sensorfehlern, die verbleiben, Eins wird; und

i) es werden die Gruppen berechneter Komponentenbetriebsänderungen und Sensorfehler, die bei jeder Wiederholung des Schrittes (e) erzeugt werden, zusammen mit der entsprechenden objektiven Funktion betrachtet, die gemäß dem Schritt (f) berechnet wurde, um als bestes Ergebnis jene Wiederholung des Schrittes (e) zu identifizieren, die eine minimale Zahl von Komponentenbetriebsänderungen und Sensorfehlern erzeugt hat, die in zufriedenstellender Weise zu den berechneten Betriebsmeßdifferenzen beitragen.

2. Verfahren nach Anspruch 1, bei welchem die objektive Funktion dadurch berechnet wird, daß die Summe der Quadrate der unerklärten Betriebsmeßänderungen gebildet wird, gewichtet gemäß der Messung der nicht reproduzierbaren Kovarianz-Matrix.

3. Verfahren nach den Ansprüchen 1 oder 2, bei welchem die Komponentenbetriebsänderungen und Sensorfehler normalisiert werden, indem individuelle berechnete Komponentenbetriebsänderungen und Sensorfehler durch die Quadratwurzeln der entsprechenden Diagonalelemente einer a-posteriori- Kovarianz-Matrix geteilt werden, die am Ausgang des Kalman- Filters erzeugt wird.

4. Verfahren nach einem der Ansprüche 1 bis 3, bei welchem in dem besten Ergebnis, welches während des Schrittes (i) erzeugt wird, Komponentenbetriebsänderungen und/oder Sensorfehler, deren Werte kleiner sind als ein vorbestimmter niedriger Wert, ausgeschieden werden.

5. Verfahren nach einem der Ansprüche 1 bis 4, bei welchem ein Durchschnitts-Absolutwert der normalisierten Änderung nach einer ersten Wiederholung des Schrittes (e) berechnet wird und ein Bezugswert gebildet wird, um Komponentenbetriebsänderungen und/oder Sensorfehler aus zuscheiden, bevor eine zweite derartige Wiederholung erfolgt.

6. Verfahren nach einem der Ansprüche 1 bis 5, bei welchem am Ende der zweiten und jeder weiteren Wiederholung des Schrittes (e) Änderungen in den Absolutwerten der normalisierten Änderung relativ zu der vorhergehenden Wiederholung für jede der verbleibenden Komponentenbetriebsänderungen und/oder Sensorfehler berechnet und Bezugswerte gebildet werden, um Komponentenbetriebsänderungen und/oder Sensorfehler auszuscheiden, bevor die nächste Wiederholung erfolgt.

7. Verfahren nach Anspruch 6, bei welchem Komponentenbetriebsänderungen und/oder Sensorfehler ausgeschieden werden, wenn sie kleiner sind als ihre entsprechenden Werte in dem vorherigen Durchlauf, wobei wenigstens die größte Änderung oder der größte Fehler aufrechterhalten wird und wenigstens die kleinsten Werte ausgeschieden werden.

8. Verfahren nach einem der Ansprüche 1 bis 7, bei welchem a-priori-Werte für Elemente der Kovarianz-Matrix der Komponentenbetriebsänderungen und Sensorfehler berechnet werden und ein Produkt erzeugt wird mit (i) einer Kalman- Verstärker-Matrix des Kalman-Filters und (ii) mit der System-Matrix, um ein Maß der Konfusion der gewünschten Komponentenbetriebsänderungen und/oder Sensorfehler mit anderen Änderungen und/oder Fehlern infolge der Abschätzungen zu berechnen, wobei diese Abschätzungen eingestellt werden, um die Konfusion, die durch die Berechnung angezeigt wird, zu vermindern.

9. Verfahren nach einem der Ansprüche 1 bis 8, bei welchem eine a-priori-Information, die dem Kalman-Filter zugeführt wird, eine beste Berechnung der Wirkungen der Matrizen von wenigstens einer der vorausgesagten Komponentenbetriebsänderungen und/oder Sensorfehlern aufweist.

10. Verfahren nach einem der vorhergehenden Ansprüche, bei welchem mehrere Gruppen von Betriebsmessungen in Zeitintervallen erlangt und benutzt werden, um Pegel und/oder Trends und/oder Änderungen der vorausgesagten Werte der Komponentenbetriebsänderung und/oder Sensorfehler zu bestimmen.

11. Verfahren nach Anspruch 10, bei welchem die Gruppen von Betriebsmessungen für jene Pegel und/oder Trends analysiert werden und die sich aus der Analyse ergebenden Pegelwerte und/oder Trendwerte und/oder die Differenzen zwischen beobachteten und vorhergesagten Messungen dann einer Verarbeitung im Kalman-Filter unterworfen werden.

12. Verfahren nach Anspruch 10, bei welchem die Gruppen von Betriebsmessungen einer Kalman-Filter-Verarbeitung unterworfen werden und die erlangten Werte dann im Hinblick auf Pegel und/oder Trends und/oder Änderungen von vorausgesagten Werten von Komponentenbetriebsänderungen und/oder Sensorfehlern analysiert werden.