DE60206241T2

DE60206241T2 - Fehlerdiagnose

Info

Publication number: DE60206241T2
Application number: DE60206241T
Authority: DE
Inventors: Ankush Cranfield Gulati; Riti Cranfield Singh; Marco Chellaston Zedda
Original assignee: Rolls Royce PLC
Current assignee: Rolls Royce PLC
Priority date: 2001-11-01
Filing date: 2002-08-30
Publication date: 2006-06-29
Anticipated expiration: 2022-08-31
Also published as: DE60206241D1; EP1566716B1; US20030088809A1; EP1566716A3; EP1566716A2; GB0126298D0; EP1338936A1; EP1338936B1; US7017079B2

Description

Diese Erfindung bezieht sich auf Verfahren und Systeme zur Fehlerdiagnose, insbesondere aber nicht unbedingt ausschließlich, zur Detektion von Fehlern in Mehrkomponentensystemen, gewöhnlich etwa einer Kraft- bzw. Energieerzeugungsanlage, deren Leistungsverhalten durch eine Reihe von indirekt messbaren Leistungsparametern gekennzeichnet ist. Eine insbesondere ins Auge gefasste Anwendung der Erfindung ist dabei die Detektion und mengenmäßige Erfassung von Fehlern in einer Gasturbine.
Die Analyse des Leistungsverhaltens von Gasturbinen ist sowohl für den Test von Entwicklungsmotoren als auch die Überwachung der Bedingung von Betriebsmotoren wichtig. Insbesondere die Fähigkeit, die Komponente/n, die für den Leistungsverlust verantwortlich ist/sind, genau und zuverlässig zu identifizieren, wäre besonders vorteilhaft. Es liegt aber in der Natur der Gasturbine, dass es dabei eigene Probleme gibt, die es zu lösen gilt, wenn dies in der Praxis erreicht werden soll.
Wie auch bei anderen Kraftanlagen kann das Leistungsverhalten einer Gasturbine hinsichtlich einer Reihe von Leistungsparametern für die verschiedenen Komponenten des Systems ausgedrückt werden. Gewöhnlich werden für die Kennzeichnung des Leistungsverhaltens einer Gasturbine die Effizienz- und Fließfunktion von Kompressoren und Turbinen sowie der Abgabekoeffizient von Düsen herangezogen. Es ist aber bemerkenswert, dass diese Leistungsparameter nicht direkt gemessen werden können. Sie werden aber mit Messparametern wie Wellengeschwindigkeiten, mittleren Drücken und Temperaturen, Schub und Luftströmen in Bezug gesetzt, und ein Leistungsverlust einer Komponente wird durch die Änderungen dieser messbaren Parameter (die hierin nachfolgend als "Messparameter" bezeichnet werden) wiedergegeben.
Unter Annahme eines bestimmten Arbeitspunkts, der gewöhnlich durch die Umgebungsbedingungen und die Leistungseinstellung (Einlasstemperatur und Druck, wie z.B. Treibstofffluss, oder andere solche Betriebsparameter) definiert wird, kann die Beziehung zwischen den Messparametern und den Leistungsparametern z.B. in einem Leistungssimulationsmodell, das die Aerothermodynamik der Komponenten der Gasturbine beschreibt, dargestellt werden. Im Prinzip ermöglicht dies die Berechnung der Leistungsparameter und noch wichtiger der Änderung dieser aus den jeweiligen Bezugswerten. Andererseits sollte es wiederum möglich sein, aus diesen berechneten Werten einen Leistungsabfall einer oder mehrerer Komponenten zu detektieren und somit die Ursache für den Leistungsabfall abzuleiten.
In der Praxis war es aber schwierig, die berechneten Änderungen der Leistungsparameter zur Gegenwart von Fehlern in spezifischen Komponenten genau und zuverlässig in Bezug zu setzen, insbesondere wenn die Abweichungen von der Normal- oder Basislinienleistung relativ gering sind. Dies geht zumindest zum Teil auf die Nichtlinearität der Beziehung zwischen den Messparametern und den Leistungsparametern zurück.
Dieser Diagnoseaufgabe steht aber noch eine Reihe weiterer Hindernisse gegenüber. So arbeiten insbesondere Sensoren, die zur Gewinnung der Messparameter verwendet werden, notwendigerweise in einer rauen Arbeitsumgebung. Dies führt zu großem Messrauschen und einer hohen Wahrscheinlichkeit von systematischen Fehlern (z.B. Messungenauigkeiten) in der Sensorenreihe. Dieselben Probleme betreffen auch die gemessenen Betriebsparameter (z.B. Umgebungs- und Leistungseinstellungsparameter). Damit ein Diagnoseverfahren wirksam ist, muss es diese Messunsicherheitseffekte berücksichtigen können.
Die Bezeichnung "Fehler" wird hierin und nachfolgend verwendet, um Abweichungen von Leistungsparametern, die mit den Komponenten assoziiert werden, von den erwarteten oder Referenzwerten, die oftmals als Basislinienwerte bezeichnet werden, als auch Fehler in den gemessenen Werten, die sich aus Messfehlern ergeben, zu benennen. Von besonderem Interesse sind dabei die Isolierung der fehlerhaften Komponente/n im System und die Quantifizierung des Leistungsverlusts. In dieser Hinsicht kann die Identifizierung der fehlerhaften Messungen (d.h. Messfehlern) wichtig sein, da sie zu falschen Bezeichnungen der Werte von zugewiesenen Leistungsparametern führen kann.
Ein Ansatz zum Bewerten der Leistungsparameter und Betriebsparameter basiert auf der Optimierung (gewöhnlich Minimierung) einer Zielfunktion. So kann z.B. in Zusammenhang mit einem Mehrkomponentensystem, dessen Leistungsverhalten hinsichtlich einer Reihe von Leistungsparametern, die wiederum mit Messparametern in Bezug gesetzt werden, ausgedrückt werden kann, wie folgt ausgedrückt werden: z = h(x, w) + b + v worin:
z ε R^M der Messparametervektor und M die Anzahl von Messparametern ist;
x ε R^N der Leistungsparameter-Δ-Vektor (d.h. die relative Schwankung der Leistungsparameter in Bezug auf einen Basislinien- oder Referenzwert) und N die Anzahl an Leistungsparametern ist;
w ε R^P der Betriebsparametervektor (d.h. der Vektor der tatsächlichen Umgebungs- und Leistungseinstellungsparameter, welche die Betriebsbedingung des Systems darstellen) und P die Anzahl an Betriebsparametern ist;
h() eine Vektor-Wert-Funktion ist (die in vielen Fällen eine nichtlineare Funktion ist), die die Beziehung zwischen den Leistungsparametern und den Messparametern darstellt;
b ein Messfehlervektor ist; und
v ein Messrauschvektor ist.
Die gemessenen Werte der Umgebungsparameter neigen ebenso dazu, durch Rauschen und Fehler betroffen zu sein, wodurch sich wie folgt ergibt: u = w + b w + v w worin: u der Vektor der Messwerte der Betriebsparameter ist; b _w der Vektor der Fehler auf diesen Messwerten ist; und v _w der Vektor des Rauschens auf diesen Messwerten ist.
Eine geeignete Zielfunktion für die Minimierung könnte sein:
worin:
z_odj (w) der Wert der j-ten Messung (d.h. das j-te Element des Messparametervektors) im "off-Design", nicht verschlechtertem Zustand, ist; und
σj die Rauschstandardabweichung der j-ten Messung ist. Es wird angenommen, dass Rauschen eine Gauss'sche Wahrscheinlichkeitsdichtefunktion (pdf) aufweist, wobei aber Diskrepanzen zu diesem Model möglich sein können. Aus diesem Grund werden in der vorgeschlagenen Zielfunktion anstelle der herkömmlicheren Verwendung von quadrierten Werfen Absolutwerte verwendet, da Absolutwerte eine bessere Unempfindlichkeit ergeben. Die Verwendung von Absolutwerten ergibt auch eine bessere Unempfindlichkeit gegenüber Modellfehlern, z.B. während der Simulation des nachfolgend beschriebenen Gasturbinenleistungsverhaltens. Ist diese Unempfindlichkeit nicht erforderlich, so können quadrierte Werte verwendet werden.
Diese Zielfunktion (J) ist ein Maß für die Konsistenz zwischen den tatsächlichen Messungen aus dem System, d.h. den Messwerten der Messparameter (z) und den berechneten Werten der Messparameter, die durch Anwendung der Funktion h() berechnet werden, was gewöhnlich in einem Leistungssimulationsmodell ausgeführt ist.
Die Minimierung der Zielfunktion (J) ergibt geschätzte Werte für die Leistungs- und Betriebsparameter (x, w). Es existiert eine Vielzahl von Techniken zur Minimierung der Zielfunktion, diese müssen daher hier nicht im Detail erklärt werden. Ein bevorzugter Ansatz besteht darin, einen Genetischen Algorithmus (GA), der nachfolgend detaillierter beschrieben ist, zu verwenden. Diese und andere Optimierungstechniken beinhalten im Allgemeinen zahlreiche Schätzungen der Zielfunktion, bevor eine Minimal- (oder ansonsten Optimal-) Lösung gefunden wird.
Ein einfacher Vergleich zwischen den geschätzten Werten der auf die obige Weise erhaltenen Leistungsparameter und den Referenz- oder Basislinienwerten für die Leistungsparameter kann somit im Prinzip Leistungsverlust und somit mögliche Fehler aufzeigen. In diesem Ansatz werden, obwohl der Bezug auf die Standardabweichung der Messungen eine gewisse Rauschtoleranz bereitstellt, mögliche Messfehler in einem oder mehreren der M Messparameter nicht berücksichtigt. In der Praxis führt dieser Grundansatz somit nicht zu einer zufriedenstellenden Bewertung der Leistungsparameter und ermöglicht in der Folge nicht die genaue Identifizierung von fehlerhaften Komponenten des Systems.
Ein modifizierter Ansatz, in welchem Messfehler bei der Optimierung (z.B. Minimierung) der Zielfunktion berücksichtigt werden, wurde von Zedda M. und Singh R., "Gas Turbine Engine and Sensor Diagnostics", IS10/UNK010, XIV International Symposium on Air-Breathing Engines (ISABE), 5-10. September 1999, Florenz, Italien, und von Zedda M. und Singh R., "Gas Turbine Engine and Sensor Fault Diagnosis Using Optimisation Techniques", AIAA 99-2530, AIAA/SAE/ASME/ASEE 35th Joint Propulsion Conference and Exhibit, 20.-24. Juni 1999, Los Angeles, Kalifornien, vorgeschlagen.
Im Wesentlichen stellt dieser modifizierte Ansatz ein Verfahren zum Bewerten des Leistungsverhaltens von und/oder zum Detektieren von Fehlern in Komponenten eines Mehrkomponentensystems bereit, in welchem eine Höchstanzahl M_bias an Fehlermessungen ausgewählt wird. Die Zielfunktion J(x, w) wird unter Verwendung einer Evolutionsoptimierungstechnik, umfassend zahlreiche Bewertungen von J(w, x), optimiert. Jedes Mal, wenn die Zielfunktion J(x, w) bewertet wird, wird eine Vielzahl von möglichen Werten für die Zielfunktion berechnet, wobei jeder mögliche Wert durch die Bestimmung der Zielfunktion mit einer anderen M_bias der eliminierten Messparameter berechnet wird. Der Minimalwert der Vielzahl von berechneten möglichen Werten wird daraufhin als Wert der Zielfunktion zugeordnet.
Die von Zedda und Singh vorgeschlagene Evolutionsoptimierungstechnik verwendet ein Evolutionsprogramm (EP), das eine modifizierte Form eines Genetischen Algo rithmus (GA) darstellt. GAs sind ein populärer Ansatz zur Lösung von Problemen, die komplexe, gewöhnlich nicht-gleichmäßige, Funktionen umfassen. Insbesondere eignen sie sich dazu, Mehrkomponentensysteme zu bewerten. Sie können auf Probleme der Optimierung, z.B. der Minimierung, der Zielfunktion J(x, w) angewendet werden, um die Werte für die Leistungsparameter x und die Betriebsparameter w auf Grundlage der Messwerte der Messparameter z zu bewerten.
GAs sind im Grunde genommen Suchalgorithmen auf der Grundlage der Mechanik der natürlichen Selektion. Eine Population möglicher Lösungen für ein Problem, wobei jede dieser durch einen String an Information dargestellt ist, kann anfänglich geschaffen werden. Jede dieser möglichen Lösungen wird bewertet, um ihre "Fitness" zu bestimmen, tatsächlich dabei die Wahrscheinlichkeit, dass sie nahe der korrekten Lösung liegt. Eine zweite Folgepopulation möglicher Lösungen wird daraufhin auf Grundlage einer Kombination eines Prinzips des Überlebens der Bestangepaßten unter den Strings ("Selektion") mit einem strukturierten wenngleich auch zufälligen Informationsaustausch zwischen den Strings ("Crossover") und einer Änderung der Information innerhalb der Strings ("Mutation") mit dem Ziel, einen Teil des innovativen Gespürs eines menschlichen Ansatzes zu imitieren, geschaffen. Dieser Vorgang wird für eine Reihe von Generationen durchgeführt, bis die Populationen der Lösungen mit der korrekten Lösung konvergieren (oder sich dieser hoffentlich zumindest annähern).
Anlässlich des Beispiels der oben beschriebenen Zielfunktion,
umfasst die Population der ersten Generation eines GA eine Reihe von Strings, wobei jeder String eine Schätzung an den Werten der Leistungsparameter x und der Betriebsparameter w darstellen. Die Zielfunktion wird daraufhin für jeden String in der Population bewertet, und es wird jedem String auf Grundlage des der Zielfunktion zugewiesenen Werts ein Fitness-Wert zugewiesen – ein niedriger Wert der Zielfunkti on zeigt die Wahrscheinlichkeit einer besseren Bewertung der Parameter an, und somit wird eine höhere Fitness zugewiesen.
Eine zweite Generation von Strings wird daraufhin geschaffen, wobei die besser angepaßten Strings der ersten Generation im Vergleich zu jenen der zweiten Generation eine bessere Überlebenschance während eines Selektionsprozesses haben. Die für die zweite Generation ausgewählten Strings werden ebenfalls einem Crossover und einer Mutation unterzogen. Crossover tritt zufällig zwischen ausgewählten String-Paaren auf, in welchen z.B. eine zufällige Position entlang der Länge der Strings ausgewählt wird und alle Werte der Elemente (d.h. die Leistungs- und/oder Betriebsparameter) in den Strings, nach dieser Position untereinander vertauscht werden. Bei der Mutation werden einzelne Strings zufällig ausgewählt, und es werden ein oder mehrere Elemente der ausgewählten Strings mutiert, indem z.B. eine zufällig erzeugte Anzahl zugegeben wird.
Fachleuten auf dem Gebiet der Techniken sind verschiedene Formen der drei Operatoren, der in EP/GAs verwendeten Selektion, Crossover und Mutation, bekannt.
Die von Zedda und Singh vorgeschlagene Evolutionsoptimierungstechnik verwendet eine einzigartig begrenzte Form dieses Ansatzes auf Grundlage des GA, um die Zielfunktion zu optimieren. Spezifisch wird vorgeschlagen, eine Grenze für die maximale Anzahl an von Fehlern betroffenen Komponenten im System anzunehmen, welche wiederum eine Höchstanzahl an von Fehlern betroffenen Leistungsparametern definiert (d.h. jene Parameter, die das Leistungsverhalten der von Fehlern betroffenen Komponenten definieren). Diese Annahme dient dazu, auf eine strukturierte Weise sowohl die Anfangsgeneration der im GA verwendeten Population sowie die Schaffung von nachfolgenden Generationen unter Verwendung von Selektions-, Crossover- und Mutationsoperatoren zu begrenzen.
Insbesondere werden die Strings in der Anfangsgeneration kategorisiert, um Subpopulationen zu bilden, welche als "Fehlerklassen" bezeichnet werden, wobei jede Fehlerklasse eine mögliche Folge hinsichtlich fehlerhafter Komponenten darstellt. An hand des sehr einfachen Beispiels eines Dreikomponentensystems und aufgrund der Annahme, dass maximal eine Komponente fehlerhaft sein kann, gibt es drei Fehlerklassen, eine für jeden Fehler in jeder Komponente. Unter der Annahme, dass maximal zwei Komponenten fehlerhaft sein können, gibt es drei zusätzliche Fehlerklassen, welche die möglichen Kombinationen von fehlerhaften Paaren der drei Komponenten darstellen.
In einem allgemeineren Beispiel mit X Komponenten können beliebig 1 bis S dieser fehlerhaft sein, wodurch es X!/(X-1) !1! Fehlerklassen für den Fall gibt, dass nur eine Komponente fehlerhaft sein kann, X!/(X-2) !2! Fehlerklassen für den Fall, dass 2 Komponenten fehlerhaft sein können, und so weiter bis zu X!/(X-S) !S! Fehlerklassen für den Fall, dass S Komponenten fehlerhaft sein können. Die Gesamtanzahl an Fehlerklassen stellt somit die folgende Summe dar: X!/(X-1) !1! + X!/(X-2) !2! + ... + X!/(X-S) !S!.
In der anfänglichen Schaffung der Strings werden die Werte, die ihren Elementen, welche die geschätzten Werte der Leistungsparameter x darstellen (vorzugsweise als Δ-Werte ausgedrückt, d.h. eine Prozentvariation von den nicht verschlechterten Basislinienwerten), zugewiesen sind, gemäß der Fehlerklasse, denen die Strings angehören, beschränkt. Somit dürfen nur die Leistungsparameter, die mit der/den von Fehlern betroffenen Komponente/n der Fehlerklasse assoziiert werden, von den Basislinienwerten variieren (d.h. sie dürfen im bevorzugten Fall der Δ-Werte nicht-Null sein).
Bei der Schaffung der nachfolgenden Generationen von Strings während des Vorgangs der GA-Optimierung ist es für den Selektions-Operator zulässig, auf die gesamte Population einzuwirken, so dass alle Fehlerklassen mit einander in Konkurrenz stehen, sollte dies gewünscht sein.
Andererseits wird, wenn der Crossover-Operator verwendet wird, dieser darauf beschränkt, auf Paare von aus derselben Fehlerklasse ausgewählten Strings einzuwir ken. Auf diese Weise verunreinigen sich die Fehlerklassen nicht mit unpassenden von Fehlern betroffenen Parametern, wie dies der Fall wäre, wenn zwischen den Fehlerklassen ein Crossmating auftreten würde.
Ähnlich ist der Mutations-Operator darauf beschränkt, eine Verunreinigung der Fehlerklassen durch von Fehlern betroffene Leistungsparameter, die nicht mit den von Fehlern betroffenen Komponenten der Klasse assoziiert sind, zu verhindern. Dies wird erreicht, indem der Mutations-Operator so beschränkt wird, dass er nicht auf die String-Elemente einwirkt, welche andere Leistungsparameter als die mit den von Fehlern betroffenen Komponenten innerhalb einer Klasse assoziierten Leistungsparameter darstellen.
Nach einer Reihe von Iterationen aufgrund von konkurrierender Selektion über die Fehlerklassen sollten alle bis auf eine Population aussterben oder ausgelöscht werden, und die übrige Klasse mit der Mehrheitspopulation sollte die "korrekte Fehlerklasse" für die von Fehlern betroffenen Leistungsparameter sein. Auf diese Weise ist es möglich, die fehlerhaften Komponenten zu identifizieren.
Der beschränkte Ansatz zur Optimierung der Zielfunktion wurde aufgezeigt, um zufriedenstellende Ergebnisse zu liefern, wenn das untersuchte Mehrkomponentensystem gut instrumentiert ist, d.h. wenn eine relativ große Anzahl von Messparametern aus dem System gemessen werden kann. Ein typisches Beispiel für ein gut instrumentiertes System ist eine Gasturbine in ihrem Entwicklungsstadium.
Es kommt dabei aber zu Problemen, wenn relativ wenige Messparameter vom untersuchten System zur Verfügung stehen, wie dies z.B. im Durchgangstest für eine Gasturbine gewöhnlich der Fall wäre. Das Problem ist dabei insbesondere akut, wenn die Anzahl an verfügbaren Messungen zur Bewertung der Zielfunktion, wobei eine Eliminierung der Parameter durch Messfehler berücksichtigt ist, geringer als die Anzahl an zu bewertenden Leistungsparametern und Betriebsparametern ist.
In der Vergangenheit wurde vorgeschlagen, diese fehlenden Daten durch die Verwendung von Messungen von einer Vielzahl von Arbeitspunkten aus zu gewinnen, um zusätzliche Daten aus dem begrenzten Sensorensatz zu extrahieren. Eine solche Mehrfach-Arbeitspunktanalyse (MOPA) ist z.B. in Stamatis, A., Papaliou, K.D., 1988: "Discrete operating condition gas path analysis", AGARD Conference Preprint Nr. 448, Quebec, Kanada, beschrieben. Die Lösung eines Problems mit Hilfe von MOPA ist aufgrund der größeren Anzahl von Betriebsparametern, die berücksichtigt werden müssen, und aufgrund der gestiegenen Komplexität, die in die Zielfunktion eingebracht wird, beträchtlich komplexer als der Ansatz mit einem einzelnen Arbeitspunkt, wodurch es schwierig wird, die Optimierung durchzuführen.
Wie in Gulati A., Zedda M. und Singh R., "Gas Turbine engine and Sensor multiple operating point analysis using optimization techniques", AIAA 2000-3716, AIAA/SAE/ASME/ASEE, 36th Joint Propulsion Conference and Exhibit, 17.-19. Juli 2000, Huntsville, Alabama, beschrieben ist, wurden zufriedenstellende Ergebnisse unter Verwendung eines MOPA-Ansatzes in Kombination mit dem zuvor ausgeführten Ansatz der beschränkten Optimierung erzielt.
Wurde der Ansatz der beschränkten Evolutionsoptimierung nach entweder Zedda und Singh oder Gulati, Zedda und Singh angewendet, so stellt ein gelegentliches Problem dabei aber das Aussterben oder das Auslöschen der korrekten Fehlerklasse dar. Dies wird im Allgemeinen mit der Konvergenz zu einer "nicht-korrekten Fehlerklasse" hin in Zusammenhang gebracht. Das Problem ist insbesondere akut, wenn die Fehler niedrige Verschlechterungsraten (z.B. weniger als 1%) der Systemkomponenten umfassen.
Im Allgemeinen stellt die vorliegende Erfindung Verfahren und Systeme zur Datenverarbeitung in Bezug auf das Leistungsverhalten von Systemen mit einer Reihe von unterschiedlichen Komponenten bereit, wobei die Zielsetzung dabei die Detektion von "Fehlern" in den Komponenten des Systems ausmacht. Die vorliegende Erfindung schlägt in bevorzugten Ausführungsformen eine Optimierungstechnik auf Grundlage eines Evolutionsprogramms (EP) vor, die für die Optimierung der oben diskutierten Zielfunktion geeignet ist, wenngleich die Erfindung auch noch auf breiterem Gebiet angewendet werden kann.
Insbesondere haben die Erfinder der vorliegenden Erfindung erkannt, dass bei Anwendung des oben beschriebenen Ansatzes der beschränkten Evolutionsoptimierung das Problem des Aussterbens oder Auslöschens der korrekten Fehlerklasse durch eine nicht gleichmäßige Verteilung von Strings mit hoher Fitness unter den Strings in der Anfangspopulation ausgelöst werden kann. D.h. gelegentlich empfängt die korrekte Fehlerklasse nur eine relativ kleine Anfangszahl von Strings mit hoher Fitness. Dies führt zu einer reduzierten Population für diese Klasse, was danach zu einem geringeren Fitness-Wert führen kann. Auf diese Weise kann die Population einer inkorrekten Fehlerklasse auf Kosten der korrekten Fehlerklasse wachsen. Somit führen die Erfinder der vorliegenden Erfindung das Konzept der unabhängigen Optimierung der Zielfunktionen für die jeweiligen Fehlerklassen ein, so dass die Selektion der oder jeder besten Fehlerklasse auf Grundlage von vollständig oder im Wesentlichen vollständig optimierten Zielfunktionen erfolgen kann.
Somit stellt ein erster Aspekt der vorliegenden Erfindung ein Verfahren zur Bewertung des Leistungsverhaltens von Komponenten eines Mehrkomponentensystems (das eine Kraftanlage wie ein Gasturbinenmotor sein kann) bereit,
wobei das Leistungsverhalten jeder Komponente im System durch einen oder mehrere Leistungsparameter definiert wird, und
die Leistungsparameter x zu den Messparametern z in Bezug gesetzt werden, die als eine Funktion h() der Leistungsparameter x und der Betriebsparameter w, die einen Betriebszustand des Systems definieren, ausgedrückt werden können;
wobei das Verfahren wie folgt umfasst:

(a) das Festlegen einer angenommenen Höchstanzahl an von Fehlern betroffenen Komponenten und auf deren Grundlage das Definieren einer Reihe von Fehlerklassen, die den möglichen Folgen hinsichtlich der fehlerhaften Komponenten entsprechen,
(b) das Schaffen einer anfänglichen Population von Strings für jede Fehlerklasse, wobei jeder String eine Vielzahl von Elementen umfasst, die den Leistungsparametern x und den Betriebsparametern w entsprechen, wobei den Stringelementen Werte zugeordnet werden, die geschätzte Werte der genannten Parameter darstellen und die darauf beschränkt sind, nur von Fehlern betroffene Werte für die Leistungsparameter anzuzeigen, welche das Leistungsverhalten von der oder den von Fehlern betroffenen Komponente/n der entsprechenden Klasse definieren,
(c) das Optimieren einer Zielfunktion J(x, w) für jede Klasse, die eine Messung der Konsistenz zwischen den vom System erfassten gemessenen Werten der Messparameter z und den berechneten Werten der Messparameter, die unter Verwendung der Funktion der Leistungsparameter und Betriebsparameter h(x, w) berechnet wurden, bereitstellt, und
(d) das Auswählen der Klasse oder Klassen, die den besten Wert oder die besten Werte der Zielfunktion aufweist/aufweisen; wobei die Optimierung im Schritt (c) für jede Klasse unabhängig von der Optimierung für die anderen Klassen durchgeführt wird und ein Evolutionsprogramm ist, das die folgenden Schritte umfasst:
(i) das Bewerten der Zielfunktion für jeden der Strings in der entsprechenden Population und auf deren Grundlage das Zuordnen eines Fitnesswerts zu jedem String und
(ii) das Schaffen einer Nachfolgegeneration von Strings unter Verwendung eines Selektionsoperators und von zumindest einem aus einem Crossover-Operator und einem Mutationsoperator, wobei der Selektionsoperator die zugeordneten Fitnesswerte heranzieht, um jene Strings zu bestimmen, die in der Nachfolgegeneration übernommen werden, wobei der Crossover-Operator, falls er verwendet wird, nur auf Stringpaare aus derselben Fehlerklasse einwirkt und wobei der Mutationsoperator, falls er verwendet wird, eingeschränkt ist, so dass er nicht auf die Stringelemente einwirkt, die jene Leistungsparameter darstellen, die nicht die Leistungsparameter sind, die mit den von Fehlern betroffenen Komponenten innerhalb der entsprechenden Klasse assoziiert sind.

Gewöhnlich ist eine Reihe weiterer Iterationen um die Schritte (i) und (ii) des Optimierungsprozesses herum erforderlich, um Konvergenz zu erreichen, und somit werden die Schritte (i) und (ii) vorzugsweise nacheinander viele Male wiederholt. Mit den weiteren Iterationen konvergiert die Population jeder Fehlerklasse zu einem String hin, der die beste Bewertung des tatsächlichen Leistungsverhaltens und der Betriebsparameter für diese Klasse darstellt. Vorzugsweise werden die Schritte (i) und (ii) für jede Klasse gleich oder im Wesentlichen gleich viele Male wiederholt.
Somit gibt es durch die Beschränkung des Crossovers und der Mutation in der durch die Integrität jeder Fehlerklasse definierten Weise und durch die getrennte Optimierung jeder Fehlerklasse zum Zweck der Selektion zwischen den Fehlerklassen keine Konkurrenz. Am Ende der Iterationen um die Schritte (i) und (ii) herum stellt die Fehlerklasse mit dem besten Wert (d.h. dem niedrigsten Wert im Fall einer Minimierungsoptimierung) der Zielfunktion die fehlerhaften Komponenten dar. Auch quantifizieren die Werte der Leistungsparameter x, die den besten Wert der Zielfunktion erzeugen, den Leistungsverlust in den fehlerhaften Komponenten.
Ein weiterer Vorteil besteht darin, dass die Werte der Zielfunktion für jede Fehlerklasse zur Verfügung stehen, wodurch ein Vergleich zwischen den Fehlerklassen ermöglicht wird. Im zuvor beschriebenen Ansatz nach Zedda und Singh überlebte nur eine Fehlerklasse, so dass ein Vergleich nicht möglich war.
Ein weiterer Vorteil liegt darin, dass die Optimierungen der Zielfunktionen für die Fehlerklassen parallel (d.h. simultan) durchgeführt werden können, z.B. auf einer entsprechenden Anzahl von Prozessoren. Somit kann, obwohl die Berechnungslast im Vergleich zu bekannten Verfahren erhöht werden kann, die tatsächliche Zeit, die man braucht, um eine bestimmte Lösung zu erreichen, verringert werden.
Falls dies erwünscht ist, kann die Suchleistung, die durch den oben vorgeschlagenen Ansatz des Evolutionsprogramms durchgeführt wird, dadurch verbessert werden, dass diese mit etwas ergänzt wird, das als lokale Suche oder Optimierungslogarithmus bezeichnet werden könnte. Eine geeignete Form des lokalen Suchalgorithmus, die für diesen Zweck verwendet werden kann, sind sogenannte Evolutionsstrategien (ES), die z.B. in Michalewicz, Z., 1996: "Genetic Algorithms + Data Structures = evolution programs", Springer Verlag, 3. Ausgabe, beschrieben sind. Andere geeignete Formen sind z.B. neuronale Netzwerke, auf Analysen basierende Techniken sowie Fuzzy-Logik-Techniken.
Somit kann das Verfahren den weiteren Schritt des weiteren Optimierens der Zielfunktion für die oder jede ausgewählte Fehlerklasse durch Durchführung einer lokalen Suche auf jeder ausgewählten Fehlerklasse umfassen. Insbesondere wenn eine Vielzahl von Klassen im Schritt (d) ausgesucht wurde und wenn die optimierten Zielfunktionen der ausgewählten Fehlerklassen ähnliche Werte aufweisen (wie dies manchmal der Fall ist), kann das Ergebnis dieses fakultativen zusätzlichen Schritts verwendet werden, um die "korrekte" Fehlerklasse zu identifizieren. Selbst wenn es nicht möglich ist, die "korrekte" Fehlerklasse auf diese Weise zu identifizieren, wurde oftmals herausgefunden, dass die konkurrierenden ausgewählten Fehlerklassen eine oder mehrere Komponenten gemein haben, wobei diese Komponenten eher dazu neigen, die fehlerhaften Komponenten zu sein.
Alternativ (oder zusätzlich) dazu kann die vorliegende Erfindung einen lokalen Suchalgorithmus verwenden, um periodisch die besseren Strings in jeder Fehlerklasse der Reihe von Fehlerklassen zu verfeinern. So könnten z.B. die besten m Strings in jeder Fehlerklasse verwendet werden, um eine Reihe von ES (eine für jede Fehlerklasse) in allen n Iterationen (d.h. Generationen) des GA (oder anderen EP) zu initialisieren. Die ES werden mit Ausgang von diesen Anfangswerten für eine feststehende Anzahl von Iterationen laufen gelassen. Sind die Endlösungen durch eine ES besser (d.h. führt dies zu niedrigeren Werten der Zielfunktion) als die m Strings, mit denen die ES initialisiert wurde, so werden die Strings durch die Ergebnisse der ES vor der nächsten Iteration des GA substituiert. Gewöhnlich wäre m = 5 und n = 10 geeignet, um das Verfahren ein wenig zu verbessern, ohne dabei die Berechnungslast zu stark zu erhöhen.
Das Verfahren ermöglicht auch, dass Messfehler bei der Optimierung der Zielfunktion berücksichtigt werden, indem z.B. der von Zedda und Singh beschriebene Ansatz verwendet wird.
Die Messparameter können aus dem System an einer Vielzahl von Arbeitspunkten erfasst werden, so dass das Verfahren der Erfindung einen MOPA-Ansatz, wie er z.B. durch Gulati, Zedda und Singh beschrieben wurde, implementiert.
Das oben beschriebene Verfahren der Erfindung kann praktischerweise in einer Software implementiert werden, um auf einem geeigneten Digital-Computer, der eine oder mehrere Speichervorrichtungen zum Speichern verschiedener Daten und einen oder mehrere Prozessoren zum Ausführen der Verfahren umfasst, ausgeführt zu werden.
Somit stellen weitere Aspekte der Erfindung jeweils einen Computer oder vernetzte Computer bereit, die operativ konfiguriert sind, um das Verfahren des vorangegangenen Aspekts der Erfindung zu implementieren; Computer-Programmierungsprodukt oder -produkte (so z.B. ROM, RAM, Floppy Disks, Festplatten, optische CDs, Magnetbänder und andere computer-lesbare Medien), die den Computer-Code für das Implementieren des Verfahrens des vorangegangenen Aspekts der Erfindung tragen; und ein Computerprogramm an sich, um das Verfahren des vorangegangenen Aspekts der Erfindung zu implementieren.
Aspekte der Erfindung sind weiters anhand von Beispielen mit Bezug auf die begleitenden Zeichnungen beschrieben, worin:
1 die allgemeine Anordnung eines beispielhaften Diagnosesystems gemäß einer Ausführungsform der Erfindung darstellt;
2 ein einfaches System veranschaulicht, das als Beispiel für eine Sensor-Validationsfunktion des Diagnosesystems verwendet wird;
3 die Verwendung des Simulationsmodels veranschaulicht, um den Rausch- und Fehlerwert zu berechnen;
4 ein Balkendiagramm der optimierten Zielfunktionen für alle Fehlerklassen einer ersten Simulation darstellt, wie dies durch das beispielhafte Diagnosesystem bestimmt wird;
5 die Darstellung einer Reihe von Strings ist, die die Population jeder Fehlerklasse der Simulation der 4 als Funktion der Iterationsanzahl gemäß einer durch ein vergleichbares Diagnosesystem durchgeführten Diagnose darstellen;
6 ein Balkendiagramm der optimierten Zielfunktionen für alle Fehlerklassen einer zweiten Simulation darstellt, wie dies durch das beispielhafte Diagnosesystem bestimmt wird; und
7 eine Darstellung der Reihe von Strings ist, die die Population jeder Fehlerklasse der Simulation der 6 als eine Funktion der Iterationsanzahl gemäß einer durch ein vergleichbares Diagnosesystem durchgeführten Diagnose darstellen.
Die vorliegende Erfindung wurde in einem beispielhaften Diagnosesystem ausgeführt. 1 zeigt die grundlegende Anordnung des Systems. Die Eingaben in das System sind die gemessenen Werte der Messparameter z und die gemessenen Werte der Betriebsparameter u. Die Höchstanzahl der verzerrten Messungen M_bias und die Standardabweichung der Messstörung σ sind ebenfalls Eingaben in das System. Die Höchstanzahl an von Fehlern betroffenen Komponenten und somit die Höchstanzahl an von Fehlern betroffenen Parametern N_perf wurde im System in diesem Beispiel zuvor bestimmt.
Das System selbst umfasst einen genetischen Algorithmus (GA) auf Grundlage eines Optimierers, der in einer Software implementiert ist. In diesem Optimierer ist die Zielfunktion ausgeführt, auf welcher die Optimierung gemeinsam mit Routinevorgängen beruht, um die notwendige Population an Lösungen, die in Fehlerklasse unterteilt sind, zu etablieren, und um den beschränkten GA laufen zu lassen, um die Zielfunktion in der oben beschriebenen Art und Weise zu minimieren. Das System umfasst auch ein Leistungssimulationsmodell, um die berechneten Werte der Messparameter h(x, w) und Z_odj (w) auf Grundlage der geschätzten Leistungs- und Betriebsparameter, die für die Bewertung der Zielfunktion erforderlich sind, bereitzustellen.
Die Ausgabe vom Diagnosesystem sind, wenn die Optimierung abgeschlossen wurde, die schließlich geschätzten Werte der Leistungsparameter-Δ-Werte x (d.h. die Variation der Leistungsparameter von den Basislinienwerten) und Betriebsparameter w gemeinsam mit einer Identifizierung der verzerrten Messparameter k, 1.
Mit Bezug auf 2 wird die Art und Weise, wie Messverzerrungen berücksichtigt werden können (wird als "Sensorvalidation" bezeichnet), beispielhaft verdeutlicht.
2 veranschaulicht ein Rohr, das in zwei Teile, A und B, unterteilt ist. Ein Strom fließt durch das Rohr hindurch. Die Drücke an den Stationen 1, 2 und 3 werden gemessen. Das Leistungsverhalten der Teile A und B wird durch die Variablen X_A bzw. X_B quantifiziert. Die drei Drücke (P) sind bekannte Funktionen der Leistungsparameter: P1 = h1(XA, XB) (1) P3 = h3XA, XB) (2) P2 = h2XA, XB) (3)
Es wird angenommen, dass in P₂ ein Fehler vorhanden ist.
Der klassische Ansatz zur Berechnung der Leistungsparameter besteht aus der Minimierung der folgenden Zielfunktion
Bei Betrachtung der Gleichungen (1) bis (3) ist ersichtlich, dass drei Gleichungen (eine für jede Messung) zur Verfügung stehen, um die zwei Leistungsparameter X_A, X_B zu berechnen. Es gibt eine redundante Gleichung. Ist in den gemessenen Drücken keine Verzerrung durch systematischen Fehler vorhanden, so sind alle drei Gleichungen gegenseitig konsistent (jede dieser kann als eine Kombination der anderen 2 ausgedrückt werden), und so kann der tatsächliche Niedrigstwert der ausgewählten Zielfunktion (4) (d.h. Null) erreicht werden. Ist aber eine der Messungen ungenau, so gibt es keine gegenseitige Konsistenz, und in diesem Fall erreicht die Zielfunktion (4) nach der Optimierung nicht Null, wenn alle Messungen verwendet werden. Diese Unfähigkeit, die Zielfunktion zu minimieren, zeigt, dass es ein Sensorproblem gibt, aber dadurch wird der fehlerhafte Sensor nicht identifiziert. Darüber hinaus ist die Berechnung der Leistungsparameter eher ungenau, da sie auf Grundlage der fehlerhaften Druckmessung beruht.
Die Anwendung eines Sensorvalidationsverfahrens gemäß des Ansatzes nach Zedda und Singh schlägt vor, dass die Zielfunktion wie folgt sein sollte:
Das Verfahren funktioniert aber nicht, wenn nur 3 Messungen verfügbar sind, da eine der drei Kombinationen, die durch Eliminierung des 1 Sensors (P₁ und P₂ oder P₁ und P₃ oder P₂ und P₃) erhalten werden, eine Lösung bereitstellen kann, in welcher die Zielfunktion gleich Null ist. Dies geht darauf zurück, dass es keine Redundanz im übrigen Satz (2 Unbekannte, 2 Gleichungen) gibt, wenn eine Messung bei der Berechnung der Zielfunktion nicht verwendet wird.
Steht aber eine andere Messung zur Verfügung, die zu einem aus X_A und X_B in Bezug gesetzt werden kann, so etwa M₃, so lässt die Eliminierung von 1 von 4 Messungen eine gewisse Redundanz im in der Zielfunktion verwendeten Satz zurück: 2 Unbekannte werden unter Verwendung von 3 Messungen berechnet. Wird die verzerrte Messung in der Zielfunktion verwendet, so erzeugt die resultierende Inkonsistenz einen größeren Wert der Funktion, während bei Ausschluss der verzerrten Messung der minimierte Wert Null ist. Wichtig dabei ist, dass die Anzahl an Messungen, die verwendet werden, um die Zielfunktion zu bilden, größer als die Anzahl an Parametern ist, die zu berechnen sind (zumindest eine mehr), so dass die Redundanz eine Überprüfung der Eigenkonsistenz des Messsatzes ermöglicht. Dies bedingt, dass R > 1 ist, worin R das Maß der relativen Redundanz ist, die oben beschrieben wurde.
So lange es eine adäquate Redundanz in den für die Bewertung des Systems zur Verfügung stehenden Gleichungen gibt, ermöglicht das vorgeschlagene Verfahren somit, dass die durch systematischen Messfehler verzerrte Messung eliminiert wird. Dadurch stellt die Minimierung der Zielfunktion auch eine genaue Bewertung der Leistungsparameter und Betriebsparameter (x, w) bereit.
Wurden diese Parameter etabliert, so können sie je nach Wunsch verwendet werden, gemeinsam mit dem Leistungssimulationsmodel, um eine Schätzung des kombinierten Rauschens und der die Messwerte der Messung und die Betriebsparameter betreffenden Verzerrungen zu erhalten, wie dies in 3 dargestellt ist. Wie ersichtlich ist, werden die gemessenen Werte u der Betriebsparameter einfach von den geschätzten tatsächlichen Werten w, die sich nach der Optimierung der Zielfunktion ergeben, abgezogen, wodurch sich die Rausch- und Fehlerwerte b _w, v _w für diese Messungen ergeben. Um das Rauschen zu bestimmen, werden die Fehlerwerte b, v für die Messparameter, die geschätzten Leistungs- und Betriebsparameter als Eingaben in das Leistungssimulationsmodell verwendet, um die Messparameter zu berechnen. Diese berechneten Werte werden daraufhin von den tatsächlichen Messungen abgezogen, um das Rauschen und die Verzerrung zu ergeben. Ist der kombinierte Wert aus Rauschen und Verzerrung für einen beliebigen Parameter mehr, als dem Rauschen allein zugeschrieben werden kann (z.B. mehr als das Dreifache der Rauschen-Standardabweichung), so wird eine Verzerrung angenommen. Falls dies erwünscht ist, kann für zukünftige Berechnungen die verzerrte Messung durch einen geschätzten Wert ersetzt werden.
Wie bereits oben beschrieben wurde, wird ein GA verwendet, um die Zielfunktion gemäß der vorliegenden Erfindung zu minimieren. Bemerkenswerte Merkmale des GA sind:

1) Die Zielfunktion ist eine Funktion des Leistungsparametervektors x (Effizienz und Strömungskapazitäten) und des Betriebsparametervektors w (z.B. Umgebungsdruck und Temperatur und Treibstofffluss).
2) Die Population für jede Fehlerklasse wird zufällig innerhalb von Beschränkungen initialisiert, die durch den Benutzer spezifiziert werden, so etwa –/+ 3 % für die Strömungskapazitäten und 0 B 3 % für die Wirkungsgrade. Dies erfolgt durch die Verwendung eines Zufallszahlengenerators. Einige der Fehlerklassen stellen Fehler in einer einzelnen Motorkomponente dar, andere stellen Fehler dar, die zwei Komponenten betreffen.
3) Die Klassen werden daraufhin getrennt voneinander durch drei Prinzipoperatoren der genetischen Algorithmen, d.h. Selektion, Crossover und Mutation, verarbeitet. Alle Fehlerklassen bleiben durch die Iterationen hindurch bestehen, und die Zielfunktion wird für jede Fehlerklasse bestimmt.
4) Der Selektionsoperator verwendet z.B. den Stochastischen Universal-Sampling-Algorithmus (Baker, J. E. 1987: "Reducing bias and inefficiency in the selection algorithm", Proceedings of the Third International Conference on Genetic Algorithms), aber Fachleute auf dem Gebiet der Technik wissen auch über ähnlich effektive alternative Selektionstechniken Bescheid.
5) Der Crossover-Operator wird an Stringpaare angelegt, die zur selben Fehlerklasse gehören. Ein Crossmating zwischen den verschiedenen Fehlerklassen ist nicht erlaubt.
6) Die Mutation, die den letzten angewendeten Operator darstellt, verringert mit fortschreitenden Generationen die Größe und ist so beschränkt, dass sie nur die von Fehlern betroffenen Parameter innerhalb einer Fehlerklasse mutiert. Die Mutation addiert oder subtrahiert, wenn sie angewendet wird, einen zufälligen Wert von/zu den von Fehlern betroffenen Parameter, während sie sicherstellt, dass die maximalen Beschränkungen (z.B. ± 3% für die Strömungsfunktionen und 0-3% für die Effizienzen) erfüllt werden.
7) Das Auftreten von sowohl Crossover als auch Mutation gründet auf der Wahrscheinlichkeit, was zu Beginn der Iterationen festgelegt wurde. Für das Diagnosesystem sind die Wahrscheinlichkeiten von Crossover z.B. 0,8 und von Mutation z.B. 0,2.

Im Zusammenhang mit GAs kann ein Problem mit der Berechnungsleistung auftreten, die erforderlich ist, um Konvergenz zu erreichen. Jede Iteration beinhaltet die Bewertung der Zielfunktion für die meisten Strings, und unter dem Gesichtpunkt der Berechnungsleistung liegt die Hauptbelastung auf dem Laufenlassen des Leistungssimulations-Codes (Berechnung h(x, w) und z_odj(w). Ein solcher Code kann ein modifiziertes Newton-Raphson-Verfahren zur Verbesserung der Konvergenz des Leistungssimulationsmodells umfassen.
Es ist wichtig anzumerken, dass während keines Stadiums der Fehlerdiagnose eine Linearisierung erfolgt. Der vollständig nicht-lineare Ansatz liefert genaue Ergebnisse, selbst wenn die Bewertung komplizierter ist.
Auch weist, wie bereits zuvor angeführt, jede Fehlerklasse eine anfängliche Stringpopulation auf. Für den Fall, dass zwei die Höchstanzahl an Fehlerkomponenten ist, gibt es Klassen für Fehler in einer einzelnen Komponente und Klassen für Fehler in zwei Komponenten. Die Anzahl an Strings, die anfänglich jeder Fehlerklasse zugeordnet wird, kann proportional zur Anzahl an variierenden Leistungsparametern für diese Klasse sein. So können z.B. die die Klasse identifizierenden Fehler im HP-Kompressor und der Turbine anfänglich aus einer Anzahl von Strings bestehen, die viermal größer ist als die die Klasse identifizierenden Fehler in nur der Rückstoßdüse, da erstere die Variation von vier Leistungsparametern (Effizienz und Strömungskapazität von HP-Kompressor und Turbine) enthalten, während zweitere die Variation nur eines einzigen Leistungsparameters (Düsenabgaben-Koeffizient) umfasst. Die vorrangige Überlegung geht aber gewöhnlich dahin, die Gesamtanzahl an Strings auszuwählen, um den höchsten Genauigkeitsgrad in der kürzest möglichen Zeit zu erhalten. Auch kann die Anzahl an Strings, die jeder Fehlerklasse zugeordnet ist, als von einer Wahrscheinlichkeitsdichtefunktion abweichend angesehen werden, d.h. je größer die Anzahl an Strings in einer gegebenen Fehlerklasse ist, desto wahrscheinlicher ist es, dass die Fehlerklasse als jene ausgewählt wird, die einen besten Wert der optimierten Funktion bereitstellt. Somit kann es sein, dass Fehlerklassen mit weniger Komponenten mehr Strings benötigen, als dies die Proportionalität einfach vermuten lassen würde.
Das Diagnosesystem verwendet eine Optimierungstechnik, die eine MOPA basierend auf Pareto-Optimalität (wie von Gulati, Zedda und Singh beschrieben) durchführt und für die Gasturbinenanalyse maßgeschneidert wurde. Die Fitness wird auf der Grundlage von Stufen berechnet. Die gesamte Population jeder Fehlerklasse wird mit jeder anderen auf Pareto-Optimalität und die besten Individuen der Population (d.h. jenen mit den niedrigsten Werten der Zielfunktion wird eine Stufe 1 zugewiesen) hin untersucht. Diese werden daraufhin entnommen, und die restliche Population wird mit einander verglichen, und den besten Individuen wird Stufe 2 zugewiesen. Dieser Vorgang wird fortgesetzt, bis allen Individuen in der jeweiligen Population eine Stufe zugewiesen wurde. Die Fitness für die Reproduktion/Selektion wird daraufhin nicht-linear in einer solchen Weise zugeordnet, dass die Populationselemente in der Stufe 1 die höchste Fitness erhalten. f(i) = 1/(Stufe (i))worin: f = Fitness des i-ten String und Stufe = Stufe des i-ten String.
Somit wird den Strings in Stufe 1 die höchste Selektionschance für weitere Generationen zugewiesen, und den Strings in der letzten Stufe die geringste Chance. Nach einer feststehenden Anzahl von Iterationen/Generationen, was durch die Bedienperson bestimmt wird, wird die Endlösung als die individuelle Form der ersten Stufe angenommen, worin die Werte x und w zum niedrigsten Wert einer Summierung der einzelnen Zielfunktionswerte für jeden Arbeitspunkt führen.
Das beispielhafte Diagnosesystem wurde unter Verwendung von Daten für den RB 199 Motor getestet, aber es kann auch auf andere Motoren mit ähnlichem Instrumen tensatz angewendet werden. Es wurde ein präzises und nicht-lineares Dauerbetriebs-Leistungssimulationsmodell von Rolls-Royce (RRAP) verwendet.
Der Motor, für den die Technik entwickelt wurde, der RB 199 Motor, ist eine Dreiwellen-Gasturbine, und für den Zweck dieser Studie wurden für diese 8 Komponenten angenommen (diese sind: äußeres Gebläse (F_out), inneres Gebläse (F_in), Zwischendruck-Kompressor (IPC), Hochdruckkompressor (HPC), Hochdruckturbine (HPT), Zwischendruckturbine (IPT); Niedrigdruckturbine (LPT) und Düse (Noz)). Für jede Komponente sind die Strömungskapazitäten und Wirkungsgrade die Leistungspararneter von Interesse, mit Ausnahme der Düse, für welche dies der Düsenabgabe-Koeffizient (C_D) ist.
Der Motor weist zehn Messungen auf, wobei eine dieser (der Treibstofffluss) als leistungsbestimmender Parameter verwendet wird. Die anderen neun Messungen sind Gebläseeingangsgesamtluftstrom, HP-Wellengeschwindigkeit, LP-Wellengeschwindigkeit, Außengebläse-Ausgangsdruck und Temperatur, HPC-Ausgangsdruck und Temperatur, IPC-Ausgangsdruck und Schub.
Es ist anzumerken, dass es keine Messungen innerhalb der Turbine gibt, und dass die Analyse der Turbinen somit auf Daten vom Kompressor beruht. Auch für die IP-Wellengeschwindigkeit gibt es keine Messung. Die Aufgabe der Leistungsanalyse wird aus diesem Grund doppelt erschwert, d.h. es gibt nicht nur weniger Messungen, sondern sie sind auch nicht das, was man sich üblicherweise erwünscht.
Von zwei Komponenten wird angenommen, dass sie von Fehlern betroffen sind. Es wurde eine Reihe von Simulationen für eine Vielzahl von Fehlern und Graden der Komponentenverschlechterung durchgeführt.
Zum Vergleich wurden die Simulationen unter Verwendung eines Vergleichs-Diagnosesystems wiederholt, das sich vom oben beschriebenen beispielhaften Diagnosesystem insofern unterscheidet, als der Selektionsoperator auf alle Strings aller Fehlerklassen einwirkte. Somit ermöglichte das Vergleichssystem, dass Fehler klassen ausstarben, so dass gewöhnlich schließlich nur eine Klasse dominierte, d.h. gemäß der von Gulati, Zedda und Singh beschriebenen Technik.
Tabelle 1 zeigt die Fehlerklassenanzahlen der Fehlerklassen des RB 199 Motors mit einer oder zwei Komponenten.
Tabelle 1
Das beispielhafte und das Vergleichs-Diagnosesystem wurden auf Daten einer ersten Simulation angelegt, welche die folgenden Fehler darstellte:

– IPC (2% Strömungsfunktion, 1% Wirkungsgrad) und
– LPT (1% Strömungsfunktion, 1% Wirkungsgrad).

Dies entspricht der Fehlerklasse 25 in Tabelle 1.
4 zeigt ein Balkendiagramm der optimierten Zielfunktionen für alle Fehlerklassen, die durch das Beispielsystem bestimmt wurden, nach einer vorbestimmten Anzahl an Iterationen. Es ist ersichtlich, dass die Fehlerklasse 25 den niedrigsten Wert aufweist. Somit konnte das System erfolgreich die korrekte Fehlerklasse identifizieren.
5 zeigt andererseits eine Darstellung der Anzahl von Strings, die die Population jeder Fehlerklasse als eine Funktion der Iterationsanzahl gemäß der durch das Vergleichssystem durchgeführten Diagnose darstellen. In diesem Fall starb die Fehlerklasse 25 aus und hatte in keinem Stadium die größte Population von Strings. Die Erfinder der vorliegenden Erfindung glauben, dass die anfänglich zufällig gewählte Population für die Klasse 25 unzureichend "fit" war. Anstelle dessen wies von etwa 20 Iterationen an die inkorrekte Fehlerklasse 24 die dominante Population auf.
Die Diagnosesysteme wurden auf eine weitere Simulation mit einem Datensatz angewendet, der die folgenden Fehler darstellt:

– IPC (–0,4% Kapazität, –0,7% Wirkungsgrad) und
– HPC (–0,7% Kapazität, –0,7% Wirkungsgrad).

Als weiterer Test der Fähigkeit des Beispielsystems wurden einige der anderen Komponenten zufällig ausgewählt und um –0,2% sowohl in Bezug auf Effizienz als auch auf Kapazität verschlechtert. Eine solche Situation ist effektiv eine, in welcher das in der Diagnose verwendete Motorenleistungssimulationsmodell nicht mit den tatsächlichen Leistungscharakteristiken des Testmotors übereinstimmt. Diese Situation gibt es tatsächlich in der Praxis, da es gewöhnlich eine gewisse Variation der tatsächlichen Motorenleistungen gibt, und somit sind Leistungsmodelle für durchschnittliche Motoren gedacht.
6 zeigt ein Balkendiagramm der optimierten (minimierten) Zielfunktionen für alle Fehlerklassen, die durch das Beispielsystem bestimmt wurden, nach einer vorbestimmten Anzahl an Iterationen, und 7 zeigt eine Darstellung einer Reihe von Strings, welche die Population jeder Fehlerklasse als eine Funktion der Iterationsanzahl gemäß der vom Vergleichssystem durchgeführten Diagnose darstellen.
Erneut ist ersichtlich, dass das beispielhafte Diagnosesystem, eine Ausführungsform der vorliegenden Erfindung, es erfolgreich schaffte, die korrekte Fehlerklasse (d.h. Fehlerklasse 22) zu identifizieren, während das Vergleichs-Diagnosesystem die Stringpopulation der Fehlerklasse 22 nach nur etwa vier Iterationen auslöschte und nicht korrekt die Fehlerklasse 16 identifizierte.
Andere Fehlerklassen (z.B. 11 und 17) wiesen minimierte Zielfunktionen auf, die relativ nahe an jener der Fehlerklasse 22 lagen. Eine nachfolgende Analyse zeigte aber, dass diese anderen Klassen alle zumindest eine Komponente mit der Fehlerklasse 22 gemeinsam hatten. Eine auf den Klassen 11, 17 und 22 durchgeführte lokale Suche kann dazu gedient haben, die Klasse 22 weiter zu unterscheiden.
Diese Ergebnisse zeigen, dass das Verfahren der vorliegenden Erfindung die Genauigkeit und Robustheit von Optimierungstechniken auf EP-Basis verbessern kann, und dass es insbesondere zweckdienlich in Motorendiagnosesystemen implementiert werden kann, wenn erwünscht wird, Komponentenfehler der Ordnung 1 % oder weniger zu detektieren.

Claims

Verfahren zum Abschätzen des Leistungsverhaltens von Komponenten in einem Mehrkomponentensystem, wobei das Leistungsverhalten einer jeden Komponente im System durch einen oder mehrere Leistungsparameter x definiert ist und die Leistungsparameter x zu Messparametern z in Bezug gesetzt sind, die als Funktion h () der Leistungsparameter x und der den Betriebszustand des Systems definierenden Betriebsparameter w ausgedrückt werden können; wobei das Verfahren Folgendes umfasst: (a) das Festlegen einer angenommenen Höchstanzahl von von Fehlern betroffenen Komponenten und auf deren Grundlage das Definieren einer Reihe von Fehlerklassen, die den möglichen Folgen hinsichtlich der fehlerhaften Komponenten entsprechen, (b) das Schaffen einer anfänglichen Population von Strings für jede Fehlerklasse, wobei jeder String eine Vielzahl von Elementen umfasst, die den Leistungsparametern x und den Betriebsparametern w entsprechen, wobei den Stringelementen Werte zugeordnet werden, die geschätzte Werte der genannten Parameter darstellen und die darauf beschränkt sind, nur von Fehlern betroffene Werte für die Leistungsparameter anzuzeigen, welche das Leistungsverhalten von der oder den von Fehlern betroffenen Komponente(n) der entsprechenden Klasse definieren, (c) das Optimieren einer Zielfunktion J(x, w) für jede Klasse, die eine Messung der Konsistenz zwischen den vom System erfassten gemessenen Werten der Messparameter z und den berechneten Werten der Messparameter, die unter Verwendung der Funktion der Leistungsparameter und der Betriebsparameter h(x, w) berechnet wurden, bereitstellt, und (d) das Auswählen der Klasse oder Klassen, die den besten Wert oder die besten Werte der Zielfunktion aufweist; wobei die Optimierung für jede Klasse unabhängig von der Optimierung für die anderen Klassen durchgeführt wird und ein Evolutionsprogramm ist, das die folgenden Schritte umfasst: (i) das Bewerten der Zielfunktion für jeden der Strings in der entsprechenden Population und auf deren Grundlage das Zuordnen eines Fitnesswerts zu jedem String, und (ii) das Schaffen einer Nachfolgegeneration von Strings unter Verwendung eines Selektionsoperators und von zumindest einem aus einem Crossover-Operator und einem Mutationsoperator, wobei der Selektionsoperator die zugeordneten Fitnesswerte heranzieht, um jene Strings zu bestimmen, die in der Nachfolgegeneration übernommen werden, wobei der Crossover-Operator, falls er verwendet wird, nur auf Stringpaare aus derselben Fehlerklasse einwirkt und wobei der Mutationsoperator, falls er verwendet wird, eingeschränkt ist, sodass er nicht auf die Stringelemente einwirkt, die jene Leistungsparameter darstellen, die nicht die Leistungsparameter sind, die mit den von Fehlern betroffenen Komponenten innerhalb der entsprechenden Klasse assoziiert sind.
Verfahren nach Anspruch 1, weiters umfassend: (e) das Verwenden eines lokalen Suchalgorithmus zur weiteren Optimierung der Zielfunktion der oder einer jeden der im Schritt (d) ausgewählten Klasse.
Verfahren nach Anspruch 1 oder 2, weiters umfassend das Verwenden eines lokalen Suchalgorithmus in Schritt (c), um die besseren Strings in der Population periodisch zu verfeinern.
Verfahren nach einem der vorangegangenen Ansprüche, weiters umfassend: das Auswählen einer Höchstanzahl M_bias von von Fehlern betroffenen Messungen, und wobei das Verfahren jedes Mal, wenn während der Optimierung die Zielfunktion J(x, w) bewertet wird, das Berechnen einer Vielzahl von möglichen Werten für die Zielfunktion umfasst, wobei jeder mögliche Wert durch das Bestimmen der Zielfunktion mit einer anderen M_bias der eliminierten Messparameter berechnet wird und der kleinste der Vielzahl von berechneten möglichen Werten als Wert der Zielfunktion zugeordnet wird.
Verfahren nach einem der vorangegangenen Ansprüche, worin: die Messparameter z für zwei oder mehr unterschiedliche Arbeitspunkte des Systems bereitgestellt sind, wobei Schritt (i) der Optimierung weiters das Bewerten der Zielfunktion für jeden der Strings für jeden der zwei oder mehr unterschiedlichen Arbeitspunkte umfasst.
Verfahren nach einem der vorangegangenen Ansprüche, worin die Funktion (h), die die Messparameter zu den Betriebsparametern in Bezug setzt, in einem Leistungssimulationsmodell ausgeführt ist, das zur Simulation des Leistungsverhaltens des Mehrkomponenten-Gasturbinenmotors, auf den das Verfahren angewendet wird, konzipiert ist.
Computer oder miteinander verbundene Computer, der/die zur Umsetzung des Verfahrens nach einem der Ansprüche 1 bis 6 operativ konfiguriert ist/sind.
Computerprogrammierungsprodukt oder Computerprogrammierungsprodukte, das/die den Computerkode zur Implementierung des Verfahrens nach einem der Ansprüche 1 bis 6 trägt/tragen.
Computerprogramm zur Implementierung des Verfahrens nach einem der Ansprüche 1 bis 6.