EP4097688A1 - Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine - Google Patents

Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine

Info

Publication number
EP4097688A1
EP4097688A1 EP21700767.3A EP21700767A EP4097688A1 EP 4097688 A1 EP4097688 A1 EP 4097688A1 EP 21700767 A EP21700767 A EP 21700767A EP 4097688 A1 EP4097688 A1 EP 4097688A1
Authority
EP
European Patent Office
Prior art keywords
machine
data sets
evaluation unit
measured values
sensor system
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
EP21700767.3A
Other languages
English (en)
French (fr)
Inventor
Shankar Deepak Srinivasan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Rolls Royce Deutschland Ltd and Co KG
Original Assignee
Rolls Royce Deutschland Ltd and Co KG
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Rolls Royce Deutschland Ltd and Co KG filed Critical Rolls Royce Deutschland Ltd and Co KG
Publication of EP4097688A1 publication Critical patent/EP4097688A1/de
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F02—COMBUSTION ENGINES; HOT-GAS OR COMBUSTION-PRODUCT ENGINE PLANTS
    • F02C—GAS-TURBINE PLANTS; AIR INTAKES FOR JET-PROPULSION PLANTS; CONTROLLING FUEL SUPPLY IN AIR-BREATHING JET-PROPULSION PLANTS
    • F02C7/00—Features, components parts, details or accessories, not provided for in, or of interest apart form groups F02C1/00 - F02C6/00; Air intakes for jet-propulsion plants
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G06N3/0455—Auto-encoder networks; Encoder-decoder networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/091—Active learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Definitions

  • the present disclosure relates in particular to a sensor system and a method for recognizing a state of at least one machine, as well as to a computer program product.
  • analysis tools can be provided which allow automatic status detection for large amounts of data. Such analysis tools typically have to be adapted to a specific purpose, which in many cases is too time-consuming.
  • Kl artificial intelligence
  • the object of the present invention is to enable an improved detection of the state of machines.
  • a sensor system for recognizing a state of at least one machine.
  • the sensor system comprises one or more sensors for acquiring measured values of at least one machine, at least one communication interface and an evaluation unit.
  • the evaluation unit is set up to acquire a plurality of data sets, each of which includes measured values from the one or more sensors. Furthermore, the evaluation unit is set up to select part of the data records by means of active learning and to provide the selected part of the data records to the at least one communication interface.
  • Active learning is a special case of machine learning in which a (learning) algorithm is designed to query a user (or another information source) (interactively) in order to obtain desired results at new data points.
  • a (learning) algorithm is designed to query a user (or another information source) (interactively) in order to obtain desired results at new data points.
  • particularly relevant and / or decision-relevant data records can be used specifically for recognizing the state of the at least one machine, which enables an improved detection of the state of machines.
  • a measure of the relevance of one or more data records is determined. This enables, for example, an optimized selection of training data sets for a machine learning model, which can then automatically and precisely monitor the condition of at least one machine after a particularly short training period.
  • the sensors are each designed to measure a physical variable, for example to measure a temperature, a speed, a rotational speed or a pressure.
  • the measured values can be recorded in the form of time series data.
  • the evaluation unit receives several measured values that follow one another in time from one sensor or several sensors.
  • the evaluation unit includes, for example, one or more computers.
  • the at least one communication interface can comprise a software interface and / or a hardware interface.
  • the data records that are provided at the at least one communication interface and selected by means of active learning allow the state of the at least one machine to be recognized, for example by a user.
  • the evaluation unit can be set up to specify a sequence for the selected data records by means of active learning. In this way, the most relevant data records can be processed first, so that a particularly rapid improvement in the status recognition can be achieved.
  • the evaluation unit can further be set up to subdivide the multiple data records with respect to the at least one parameter of the data records into at least two groups by means of a separation line, and to carry out the selection of the part of the data records based on the distance of the parameters of the respective data records from the separation line .
  • the evaluation unit is set up to receive a classification of the data records provided at the at least one communication interface with regard to the state of the at least one machine.
  • the classification includes two or three choices.
  • a choice is made from two answers (e.g. A or B) or from three answers (e.g. A, B or C).
  • the classification corresponds, for example, to the result of a yes / no decision or a decision between the options A (eg yes), B (eg no) and C (eg “unknown” or “undefined”).
  • the evaluation unit receives the classification in each case in the form of classification data units.
  • the classification data units each include, for example, the indication “yes” or “no” or some other indication of positive or negative, for example 1 or 0.
  • the evaluation unit can be set up to analyze the classified data sets, in particular by means of machine learning, in order to record at least one parameter of the respective data set (eg a minimum and / or a maximum and / or a standard deviation).
  • the evaluation unit is set up to use the recorded at least one parameter of the classified data sets in order to train a machine learning model. Since the training of the machine learning model is based on the selection of the part of the data sets made by means of active learning, a significantly improved quality of the training and consequently the decision-making using the machine learning model trained in this way is possible. Such training also allows extensive automation. Furthermore, the amount of data required for training the machine learning models can be reduced, since optimal training data sets can be selected. Furthermore, a simple adaptation to a wide variety of different applications is possible. An adaptation of the machine learning model to different use cases beyond the training is not necessary for many use cases.
  • the machine learning model For training the machine learning model, for example, properties of the respective selected part of the data are extracted in the form of the at least one parameter (e.g. a maximum value, a minimum value, a median, a mean value, a variance or the like), the training being carried out based on these parameters. At least one of the parameters can be a statistical parameter.
  • the machine learning model can be or comprise a classification model. In particular, the machine learning model can be or comprise an artificial neural network.
  • the evaluation unit is set up to use the trained machine learning model to classify further data sets with measured values, in particular to recognize the state of at least one machine.
  • a particularly reliable detection of the state of a machine can be carried out automatically with an optimally trained machine learning model.
  • the at least one machine is, for example, a gas turbine engine, in particular a multiplicity of gas turbine engines.
  • gas turbine engines in particular, it is often desirable to detect a deteriorating state of a sensor or a component monitored by a sensor as early as possible, which is made possible by the machine learning models trained as described above.
  • a method for recognizing a state of at least one machine comprises generating measured values of the at least one machine by means of one or more sensors; the acquisition, with an evaluation unit, of a plurality of data sets with measured values from the one or more sensors; selecting, with the evaluation unit and by means of active learning, a part of the data sets; and providing the selected part of the data records on at least one communication interface for recognizing the state of the at least one machine.
  • the sensor system can be used according to any configuration described herein.
  • the trained machine learning model can be used to classify further (in particular not yet classified) data sets with measured values.
  • the corresponding machine can be serviced depending on the classification of the further data records.
  • the evaluation unit can generate a corresponding command. Alternatively or additionally, a message is sent.
  • a computer program product comprising instructions which, when executed by one or more processors, cause the one or more processors to perform the steps of the method according to any embodiment described herein to execute.
  • FIG. 1 shows an aircraft in the form of an aircraft with several gas turbine engines
  • FIG. 2 is a side sectional view of a gas turbine engine
  • FIG. 3 shows a sensor system for recognizing a state of at least one machine
  • FIG. 4 details of the system according to FIG. 3;
  • FIGS. 5 to 8 different examples of measured values
  • FIG. 9 shows a method for training a machine learning model
  • FIG. 10 shows an embodiment of an evaluation unit of the system according to FIG. 3;
  • FIGS 11A-11C details of active learning.
  • FIG. 1 shows an aircraft 8 in the form of an aircraft.
  • the aircraft 8 comprises a plurality of gas turbine engines 10.
  • FIG. 2 shows one of the gas turbine engines 10 of the aircraft 8 with a main axis of rotation 9.
  • the gas turbine engine 10 comprises an air inlet 12 and a fan 23 which generates two air flows: a core air flow A and a bypass air flow B.
  • the gas turbine engine 10 comprises a core 11 which the core air flow A.
  • the core engine 11 comprises, in axial flow order, a low-pressure compressor 14, a high-pressure compressor 15, a combustion device 16, a high-pressure turbine 17, a low-pressure turbine 19 and a core thrust nozzle 20.
  • An engine nacelle 21 surrounds the gas turbine engine 10 and defines a bypass duct 22 and a bypass thrust nozzle 18.
  • the bypass air flow B flows through the bypass duct 22.
  • the fan 23 is attached to the low-pressure turbine 19 via a shaft 26 and an epicyclic planetary gear 30 and is driven by it.
  • the core air flow A is accelerated and compressed by the low-pressure compressor 14 and passed into the high-pressure compressor 15, where further compression takes place.
  • the compressed air expelled from the high pressure compressor 15 is directed into the combustion device 16, where it is mixed with fuel and the mixture is burned. The resulting ones are called
  • Combustion products then propagate through the high pressure and low pressure turbines 17, 19 and thereby drive them before they are ejected through the nozzle 20 to provide a certain thrust.
  • the high pressure turbine 17 drives the high pressure compressor 15 through a suitable connecting shaft 27.
  • the fan 23 generally provides the majority of the thrust.
  • the epicyclic planetary gear 30 is a reduction gear.
  • Low-pressure compressors can be understood to include the turbine stage with the lowest pressure or the compressor stage with the lowest pressure (ie that they do not include the fan 23) and / or the turbine and compressor stage which are interconnected by the connecting shaft 26 at the lowest speed in the engine (ie that it does not include the transmission output shaft which drives the fan 23), mean.
  • the “low pressure turbine” and “low pressure compressor” referred to here may alternatively be known as the “medium pressure turbine” and “medium pressure compressor”.
  • the fan 23 may be referred to as a first compression stage or compression stage with the lowest pressure.
  • gas turbine engines to which the present disclosure may find application may have alternative configurations.
  • such engines can have an alternative number of compressors and / or turbines and / or an alternative number of connecting shafts.
  • the gas turbine engine shown in Figure 2 has a split flow nozzle 20, 22, which means that the flow through the bypass duct 22 has its own nozzle which is separate from the engine core nozzle 20 and radially outward therefrom.
  • this is not limiting and any aspect of the present disclosure may also apply to engines in which the flow through the bypass duct 22 and the flow through the core 11 are in front of (or upstream) a single nozzle, which may be referred to as a mixed flow nozzle, mixed or combined.
  • One or both nozzles can have a fixed or variable range.
  • gas turbine engine such as a gas turbine engine.
  • B in an open rotor (in which the fan stage is not surrounded by an engine nacelle) or a turboprop engine.
  • the geometry of the gas turbine engine 10 and components thereof is or are defined by a conventional axis system which has an axial direction (which is aligned with the axis of rotation 9), a radial direction (in the direction from bottom to top in Figure 2) and a circumferential direction (perpendicular to the view in Figure 2) includes.
  • the axial, radial and circumferential directions are perpendicular to one another.
  • sensors are arranged on the gas turbine engine 10, of which several sensors 60-62 arranged at different points on the gas turbine engine 10, specifically temperature sensors for measuring temperatures, are shown here by way of example.
  • FIG. 3 shows a sensor system 50.
  • the sensor system 50 comprises the sensors 60-62 arranged in the present case on the gas turbine engine 10, an evaluation unit 52 and at least one communication interface 58, 59, in the present case two
  • the evaluation unit 52 comprises, for example, one or more (adjacent or spaced apart) computers.
  • the evaluation unit 52 is set up to receive several data sets, each with measured values from the sensors 60-62, and a part by means of active learning of the data records to be selected. Furthermore, the evaluation unit 52 is set up to provide the selected part of the data records for recognizing the state of at least one machine, in this case the gas turbine engine 10, to the communication interface 58.
  • a memory 53 of the evaluation unit 52 there is at least one
  • Machine learning model 51 is stored, in particular a plurality of machine learning models 51 are stored or can be stored. The several
  • Machine learning models 51 can represent multiple instances of the same machine learning model.
  • the evaluation unit 52 is a
  • Communication interface 58 communicatively coupled to sensors 60-62 in order to acquire data, specifically measured values thereof. Furthermore, the evaluation unit 52 is communicatively coupled to at least one interface 81 (via the communication interface 58 or a further communication interface). In the present example, the interface 81 is graphical
  • GUI User interfaces
  • a user can classify one or more data record (s) selected by means of active learning.
  • the user can also select the part of the measured values of the respective data record that is the reason for the selected classification. For example, the user can decide whether a respective data record includes measured values that indicate a specific condition of the gas turbine engine 10, such as the wear or defect of a component.
  • the sensor system 50 can receive this classification (and optionally the selected part of the measured values) of the respective data record via the communication interface 58 and thus train the machine learning model 51.
  • the machine learning models 51 are designed for machine learning and in the present example include a random forest and / or an artificial neural network.
  • the sensor system 50 also includes a further machine learning model 57, which will be explained in more detail below. Based on the trained machine learning models 51, 57, data sets with Measured values are classified in order to make automated data-driven decisions, e.g. to trigger maintenance work.
  • Instructions 54 which are part of a computer program product which cause a processor 55 of evaluation unit 52 to carry out the method shown in FIG. 9 (or at least part of it, in particular at least steps S11 to S13) are also stored in memory 53.
  • the memory 53 is, for example, a non-volatile memory.
  • the processor 55 includes, for example, a CPU, a GPU, and / or a tensor processor.
  • the evaluation unit 52 further comprises a selector 56 (e.g. stored in the memory 53).
  • the selector 56 is designed for active learning.
  • the selector 56 is set up, for example, to select one or more data records (as a subset) from a large number of data records based on a predetermined rule, e.g. to select the data record that is to be used for the next classification, e.g. for which the selector 56 is the largest Probability is determined that this data set has the greatest training effect for the machine learning model 51.
  • the selector 56 provides this data record to the interface 81 via the communication interface 58.
  • the selector 56 can provide selected data sets via a software-based communication interface 59, e.g. to one or more machine learning models 51, 57.
  • the selector 56 determines, for example, an order for the selected data sets.
  • the evaluation unit 52 is optionally stationed on the ground and the gas turbine engine 10 can be moved relative thereto.
  • FIG. 4 shows further details of the sensor system 50.
  • measured values from the sensors 60-62 are stored in the form of a large number of time series and as raw data.
  • the time series originate, for example, from several flights of the gas turbine engine 10, from the several gas turbine engines 10 of the aircraft 8 and / or from gas turbine engines 10 of several aircraft 8 (or, in general, from several machines).
  • the transmission from the sensors 60-62 to the database 100 takes place, for example, via a data cable or wirelessly, for example via GSM or another mobile communication standard, in particular via the communication interface 58.
  • the database 100 is stored in the memory 53, for example.
  • the data stored in the database 100 are processed and stored in a further database 101, which can also be a transient data flow.
  • a further database 101 can also be a transient data flow.
  • uninteresting data cannot be transferred in order to simplify further processing.
  • the measured values are further processed and stored in a further database 102 in order to carry out an analysis of the measured values with regard to suitable time series.
  • This analysis takes place in block 117.
  • data sets with measured values are selected from a larger number of data sets.
  • suitable candidates are selected from data records, in particular each with a time series from a sensor 60-62 or with in each case a plurality of time series (in particular spanning the same time period) from a plurality of the sensors 60-62.
  • the selection of the part of the data records is done by means of active learning.
  • the selected part of the data records is provided to the communication interface 58 for recognizing the state of the at least one machine 10.
  • measured values in certain time segments can allow particularly precise conclusions to be drawn about the state of the sensor or a machine monitored by the sensor.
  • certain signatures in the data can represent an indication of a deteriorating state of the sensor or of a component that is monitored or can be monitored with it.
  • the selected candidates or pointers to them are optionally stored in a database 110.
  • an import script retrieves these candidates from the database 102 (or the database 101) in block 118 and provides them to a block 111 (optionally via a further database 106).
  • a classification data unit and a selected part of the measured values of the respective candidate are recorded for all or for some of the candidates.
  • the classification data units indicate a classification of the candidate into one of several predetermined classes.
  • the classification data units and / or the selected parts of the measured values are provided by one or more users. This takes place, for example, via the interface 81 and / or the communication interface 58.
  • the classification data units and selected parts of the candidates are stored in a database 108 and provided to a block 112.
  • an instance of the machine learning model 51 is trained (e.g. for each user) based on the classification data units and selected parts of the candidates that were provided by the user.
  • properties of the selected part of the measured values are extracted in the form of parameters.
  • the extracted parameters and / or values calculated from them are the input parameters for the training. Examples of such parameters will be explained further below in connection with FIG.
  • the data stored in the database 108 are provided to a block 113, which can also access the database 107.
  • the (optional) superordinate machine learning model 57 is generated in block 113.
  • the superordinate machine learning model 57 optionally corresponds to that
  • Machine learning model 51 is e.g. with the (optionally weighted and / or selected) input parameters of several instances of the
  • Machine learning model 51 trained.
  • the superordinate machine learning model 57 and / or its input parameters is / are stored in a database 109 (which is, for example, stored in memory 53 is deposited).
  • Machine learning model 57 shown on a user interface.
  • the database 103 comprises the data of the database 102 to which optional selection or correction scripts have been applied.
  • the databases 102 and 103 instead of the databases 102 and 103, only the database 102 is provided.
  • the higher-level machine learning model 57 is applied to the measured values in the database 103 (or 102) in order to classify the measured values.
  • the results of the classification from block 115 are stored in a database 104, optionally also data from the database 103 (or 102).
  • data-driven decisions are made, e.g. the execution of maintenance work is triggered.
  • the execution of maintenance work is triggered.
  • a message is generated and transmitted, e.g. by email, indicating a decision.
  • the data on which the decisions are based are optionally stored in a database 105.
  • the databases 100 to 104 (which can also be logical steps through a data flow) are optionally part of an engine equipment health management, EHM, of the gas turbine engine 10 and / or are stored in the memory 53.
  • the database 105 can be stationed on the ground, for example.
  • the databases 100, 101, 102, 103, 104 and / or 105 can have separate physical memories or, alternatively, can be databases of a logical architecture, with, for example, several or all of the databases having the same physical memory .
  • One or more of the blocks 111 to 118, in particular all of the blocks 111 to 118 can be stored in the form of instructions 54 in the memory 53 and can be executed by the processor 55.
  • FIG. 5 shows exemplary measured values 70 in the form of time series data. A large number of measured values are plotted against time. Specifically, the measured values indicate a (first) temperature difference, which can be determined using two spaced apart sensors of a machine, in this case a diesel engine (alternatively e.g. analogously from one or two of the sensors 60-62) in the form of temperature sensors and has been determined here.
  • a (first) temperature difference can be determined using two spaced apart sensors of a machine, in this case a diesel engine (alternatively e.g. analogously from one or two of the sensors 60-62) in the form of temperature sensors and has been determined here.
  • FIG. 6 shows, by way of example, further measured values 70 in the form of time series data.
  • a large number of measured values are plotted against time over the same period of time as the measured values in FIG. 5.
  • the measured values in FIG Diesel engine can be determined in the form of temperature sensors and has been determined here, namely a different pair of sensors 60-62 than in FIG. 5.
  • a selected part 71 of the measured values 70 is also illustrated in FIG. 6.
  • the selected part 71 comprises conspicuous areas of the measured values. When measured values are conspicuous depends on the respective application. In the present example, values of the temperature difference below a certain limit and strong fluctuations in the values are noticeable.
  • the selected part 71 generally comprises one or more temporal subsections of the measured values 70 (along the X axis). Optionally, the selected part 71 also includes a restriction along the Y-axis.
  • FIG. 7 illustrates exemplary parameters that can be calculated from an exemplary selected part 71 of measured values 70.
  • the parameters can be, for example, a maximum value, a minimum value, a median, a mean value, a variance, the sum of the squared individual values, the length of the selected part in time direction, a Autocorrelation or a parameter derived from it, the number of values above or below the mean value, the longest time interval above or below the mean value, the sum of the changes in the slope sign, a slope, a standard deviation and / or a number of peaks .
  • Some of these parameters are highlighted graphically in FIG.
  • One or more, for example all of these parameters can be used as input parameters for training the corresponding machine learning model 51.
  • ratios of the parameters mentioned can be formed and used as input parameters for the training, for example mean value / variance, length / sum of the squared individual values or other ratios.
  • FIG. 8 illustrates that time series data from several sensors can optionally be plotted in a multidimensional manner (here two-dimensionally), so that the selected part 71 of the measured values 70 can be selected in a multidimensional manner.
  • a multidimensional manner here two-dimensionally
  • several measured values that are correlated with one another can show particularly clear abnormalities, which can then be selected particularly easily and precisely.
  • a point in the multidimensional representation corresponds to several different measured values at the same point in time.
  • clusters of data points are determined in the multi-dimensional representation and e.g. their distances from one another and / or sizes, e.g. radii and / or their number of data points contained therein.
  • FIG. 9 shows a method for classifying measured values, comprising the following steps:
  • Step S1 Providing a trained machine learning model, in particular a trained superordinate machine learning model 57.
  • a method for training the machine learning models 51 comprising steps S10 to S14:
  • Step S10 generating measured values of at least one machine, in particular at least one gas turbine engine, by means of the one or more sensors 60-62, the measured values 70 being recorded in particular in the form of time series data and in particular displaying measured values from one or more gas turbines 10.
  • Step S11 acquisition, by the evaluation unit 52, of data sets with measured values 70 obtained by means of the one or more sensors 60-62.
  • Step S12 Select, with the evaluation unit 52 and by means of active learning, a part of the data records.
  • Step S13 Providing, in particular by means of the evaluation unit 52, the selected part of the data records on the communication interface 58 (in particular for display on the interface 81) for recognizing the state of the at least one machine.
  • Step S13 can further include: receiving, by evaluation unit 52, of classification data units relating to the measured values 70, the classification data units received by evaluation unit 52 relating to the data records provided at communication interface 58. Furthermore, step S13 comprises receiving, by the evaluation unit 52 and for each of the classification data units, a selected part 71 of the measured values 70.
  • Step S14 Training, by means of the evaluation unit 52, of one or more machine learning models 51 based on the classification data units and the selected parts 71 of the measured values 70, the machine learning models 51 comprising, for example, an artificial neural network.
  • machine learning models 51 e.g. several instances of the same type of machine learning model 51 are optionally trained (e.g. in that the above steps are each carried out by several users) and a superordinate machine learning model 57 is created from the several
  • Step S2 comprises the classification, by the evaluation unit 52, of data records with measured values 70 acquired by means of the one or more sensors 60-62 using the at least one machine learning model 51 and / or the superordinate machine learning model 57.
  • the optional step S3 comprises the generation, by the evaluation unit 52 and based on the classification of the data records of the measured values 70, of a command which indicates that maintenance work is being carried out.
  • FIG. 10 shows schematically an optional embodiment of the evaluation unit 52.
  • the database 102 is provided in which the data sets with the measured values obtained from the sensors 60-62 are stored.
  • the data records can come from IoT devices (Internet of Things), from an engine control unit ECU or any other device for collecting physical data.
  • each data record has measured values that each span an equally long period of time.
  • Each data set can comprise measured values from one or, in particular, several sensors 60-62.
  • the data records stored in the database 102 are provided to the block 117 via a communication link K1 (which is, for example, the block 117 explained in connection with FIG. 4).
  • the block 117 provides (in particular successively) a part of the data records stored in the database 102 as candidates to the interface 81 via a communication connection K2.
  • the measured values of the respective candidates are displayed via the interface 81 (communication connection K3) so that a user can classify them by making appropriate entries via the interface 81.
  • the user selects a part of the measured values of the respective data record which comprises fewer measured values than the entire corresponding data record. This is the part of the measured values that gives rise to the respective classification.
  • the user can be an expert who, based on their experience with a particularly good hit rate, identifies anomalies in the Can recognize records (but is unable to classify the potentially enormous amounts of records from database 102).
  • An anomaly can be, for example, when a threshold value is exceeded, a specific trend, a sudden change or the like.
  • the block 112.1 represents, for example, part of the block 112 explained with reference to FIG. 4.
  • This block 112.1 comprises an algorithm for learning features of the candidates, for example in the form of a neural network or a so-called variational autoencoder.
  • Data parameters (signals) and features selected by the user e.g. in the form of the parameters described above) (especially for the (time) domain) are used to train the algorithm.
  • the characteristics of a respective candidate are represented, for example, by numerical values inserted in a one-dimensional or multi-dimensional vector space.
  • a further machine learning model is created in block 112.2, e.g. in the form of a random forest classifier, a logistic regressor or a so-called support vector machine.
  • This machine learning model is designed to predict whether a further (new, unclassified) data set has an anomaly or not.
  • the block 112.2 represents, for example, part of the block 112 explained with reference to FIG. 4.
  • the block 112.2 also receives the classification of the user via a communication link K6.
  • the machine learning model represents a classification learning algorithm.
  • the flow of information for training machine learning models takes place via the communication links K4 and K5 (dashed lines).
  • the next candidate to be displayed to the user is determined by means of active learning.
  • the trained algorithm for learning features is used for each candidate (for example each data record stored in the database 102) applied to identify characteristics of the candidates.
  • the classification learning algorithm is used to determine which of the candidates is the one that promises the greatest learning effect (is the newest in terms of its characteristics, so to speak). For this purpose, for example, a distance to a separation boundary between different classes and / or to a separation boundary of a single class is determined.
  • the maximum information content that is relevant for the machine learning model is determined. For example, an entropy value is determined.
  • blocks 112.1 and 112.2 are connected via communication links K7, K8.
  • FIG. 11A shows, by way of example, features of a multiplicity of candidates plotted in two dimensions (e.g. two different temperature or pressure values or the like). Each point plotted represents a candidate.
  • the candidates are divided into two classes and the task of the classification learning algorithm (e.g. in the form of the machine learning model 51 or 57) is to find out which class the candidates belong to.
  • the classes correspond to different states of the gas turbine engine 10 or, in general, of a machine. For example, one class indicates a defective state, the other class a correct state.
  • Figure 11B shows the same candidates with some randomly selected candidates highlighted that have been classified and used to train the classification learning algorithm. Based on this, a separation line L separating the classes is drawn. This is suboptimal.
  • FIG. 11 C shows selected candidates highlighted by means of active learning. These result in a separation line (e.g. determined using a regression algorithm), which enables a much better separation of the classes.
  • active learning for example, the candidate who is closest to the separation line is always selected for this purpose. Alternatively or additionally, those candidates are selected who have the lowest confidence level in the Have prediction of the class.
  • so-called entropy sampling is used. The most informative data sets are selected in this way. It should be mentioned that this also enables training that is not only particularly precise but also enables robust predictions to be made particularly quickly.
  • the separation line can be curved or straight, and also be part of a multi-dimensional separation boundary. It is understood that the invention does not relate to those described above
  • gas turbine engine 10 instead of the gas turbine engine 10, another machine, in particular generally a motor and / or power unit, for example a piston engine, can also be used.
  • a motor and / or power unit for example a piston engine

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Mechanical Engineering (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

Ein Sensorsystem (50) zum Erkennen eines Zustands zumindest einer Maschine (10) umfasst einen oder mehrere Sensoren (60-62) zum Erfassen von Messwerten der zumindest einen Maschine (10), zumindest eine Kommunikationsschnittstelle (58, 59) und eine Auswerteeinheit (52), die dazu eingerichtet ist, mehrere Datensätze mit Messwerten des einen oder der mehreren Sensoren (60-62) zu erfassen, mittels aktivem Lernen einen Teil der Datensätze zu selektieren und den selektierten Teil der Datensätze zum Erkennen des Zustands der zumindest einen Maschine (10) an die zumindest eine Kommunikationsschnittstelle (58, 59) bereitzustellen.

Description

Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer
Maschine
Beschreibung
Die vorliegende Offenbarung bezieht sich insbesondere auf ein Sensorsystem und ein Verfahren zum Erkennen eines Zustands zumindest einer Maschine, sowie auf ein Computerprogrammprodukt.
Derzeit selektieren regelmäßig Menschen bestimmte Daten, z.B. zur Ermittlung fehlerhafter Sensoren oder anderer Komponenten von Maschinen. Immer größere Datenmengen zur Zustandserkennung von Maschinen können jedoch die verfügbare Arbeitszeit weit übersteigen. Alternativ können Analysetools bereitgestellt werden, welche eine automatische Zustandserkennung bei großen Datenmengen erlauben. Derartige Analysetools müssen aber typischerweise an einen bestimmten Einsatzzweck angepasst werden, was in vielen Fällen zu zeitaufwändig ist.
Ferner ist es bekannt, eine künstliche Intelligenz, Kl, mit Daten und einer Klassifikation dieser Daten zu trainieren, z.B. durch die Bereitstellung eines Fotos eines Fahrrads und die Angabe „Fahrrad“. Eine Schwierigkeit liegt jedoch in der oftmals großen Menge an Trainingsdaten, die ein möglichst gutes Training der Kl erschweren.
Aufgabe der vorliegenden Erfindung ist es, eine verbesserte Erfassung des Zustands von Maschinen zu ermöglichen.
Gemäß einem Aspekt wird ein Sensorsystem zum Erkennen eines Zustands zumindest einer Maschine bereitgestellt. Das Sensorsystem umfasst einen oder mehrere Sensoren zum Erfassen von Messwerten zumindest einer Maschine, zumindest eine Kommunikationsschnittstelle und eine Auswerteeinheit. Die Auswerteeinheit ist dazu eingerichtet, mehrere Datensätze zu erfassen, die jeweils Messwerte des einen oder der mehreren Sensoren umfassen. Ferner ist die Auswerteeinheit dazu eingerichtet, mittels aktivem Lernen einen Teil der Datensätze zu selektieren und den selektierten Teil der Datensätze an die zumindest eine Kommunikationsschnittstelle bereitzustellen.
Aktives Lernen ist ein Spezialfall des maschinellen Lernens, bei dem ein (Lern-) Algorithmus dazu ausgebildet ist, einen Benutzer (oder eine andere Informationsquelle) (interaktiv) abzufragen, um gewünschte Ergebnisse an neuen Datenpunkten zu erhalten. Hierbei können also gezielt zur Erkennung des Zustands der zumindest einen Maschine besonders relevante und/oder entscheidungserhebliche Datensätze herangezogen werden, was eine verbesserte Erfassung des Zustands von Maschinen zu ermöglicht. Hierzu wird z.B. ein Maß für die Entscheidungserheblichkeit von einem oder mehreren Datensätzen ermittelt. Dies ermöglicht z.B. eine optimierte Auswahl von Trainingsdatensätzen für ein Maschinenlernmodell, welches dann automatisch und nach besonders kurzer Trainingsdauer präzise den Zustand der zumindest einen Maschine überwachen kann.
Die Sensoren sind jeweils zur Messung einer physikalischen Größe ausgebildet, z.B. zur Messung einer Temperatur, einer Geschwindigkeit, einer Drehzahl oder eines Drucks. Die Messwerte können in Form von Zeitreihendaten erfasst werden. Beispielsweise erhält die Auswerteeinheit mehrere zeitlich aufeinanderfolgende Messwerte von einem Sensor oder mehreren Sensoren. Die Auswerteeinheit umfasst z.B. einen oder mehrere Computer. Die zumindest eine Kommunikationsschnittstelle kann eine Softwareschnittstelle und/oder eine Hardwareschnittstelle umfassen. Die an der zumindest einen Kommunikationsschnittstelle bereitgestellten, mittels aktivem Lernen selektierten Datensätze erlauben die Erkennung des Zustands der zumindest einen Maschine, z.B. durch einen Benutzer.
Die Auswerteeinheit kann dazu eingerichtet sein, mittels aktivem Lernen eine Reihenfolge für die selektierten Datensätze vorzugeben. Auf diese Weise können die relevantesten Datensätze zuerst bearbeitet werden, sodass eine besonders schnelle Verbesserung der Zustandserkennung erzielbar ist.
Die Auswerteeinheit kann weiter dazu eingerichtet sein, die mehreren Datensätze in Bezug auf den zumindest einen Parameter der Datensätze mittels einer Separationslinie in zumindest zwei Gruppen zu unterteilen, und die Selektion des Teils der Datensätze basierend auf dem Abstand der Parameter der jeweiligen Datensätze von der Separationslinie durchzuführen. Hierdurch ist es möglich, eine Klassifikation gerade derjenigen Datensätze anzufragen, mit denen ein Maschinenlernmodell die größten Schwierigkeiten hat oder hätte. Wird das Maschinenlernmodell gerade mit diesen Datensätzen trainiert, kann es besonders trennscharf zwischen den verschiedenen Klassifikationen unterscheiden.
Optional ist die Auswerteeinheit dazu eingerichtet, eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine zu empfangen. Beispielsweise umfasst die Klassifikation zwei oder drei Entscheidungsmöglichkeiten. Zum Beispiel wird bei der Klassifikation aus zwei Antworten (z.B. A oder B) oder aus drei Antworten (z.B. A, B oder C) ausgewählt. Die Klassifikation entspricht z.B. dem Ergebnis einer Ja/Nein- Entscheidung oder einer Entscheidung zwischen den Möglichkeiten A (z.B. ja), B (z.B. nein) und C (z.B. „unbekannt“ oder „Undefiniert“). Zum Beispiel empfängt die Auswerteeinheit die Klassifikation jeweils in Form von Klassifikationsdateneinheiten. Die Klassifikationsdateneinheiten umfassen beispielsweise jeweils die Angabe „ja“ oder „nein“ oder eine andere Angabe von positiv oder negativ, z.B. 1 oder 0. Ferner kann die Auswerteeinheit dazu eingerichtet sein, die klassifizierten Datensätze, insbesondere mittels maschinellem Lernen, zu analysieren, um zumindest einen Parameter des jeweiligen Datensatzes zu erfassen (z.B. ein Minimum und/oder ein Maximum und/oder eine Standardabweichung).
Gemäß einer Weiterbildung ist die Auswerteeinheit dazu eingerichtet, den erfassten zumindest einen Parameter der klassifizierten Datensätze zu verwenden, um ein Maschinenlernmodell zu trainieren. Indem das Training des Maschinenlernmodells basierend auf der mittels aktivem Lernen getroffenen Auswahl des Teils der Datensätze erfolgt, ist eine deutlich verbesserte Qualität des Trainings und folglich der Entscheidungsfindung mittels dem derart trainierten Maschinenlernmodell möglich. Das derartige Training erlaubt zudem eine weitgehende Automatisierung. Ferner kann die zum Training der Maschinenlernmodelle notwendige Datenmenge reduziert werden, da optimale Trainingsdatensätze selektiert werden können. Des Weiteren ist eine einfache Anpassung an vielfältige verschiedene Anwendungsfälle möglich. Eine Anpassung des Maschinenlernmodells an verschiedene Anwendungsfälle über das Training hinaus ist für viele Anwendungsfälle nicht nötig. Zum Training des Maschinenlernmodells werden z.B. Eigenschaften des jeweiligen selektierten Teils der Daten in Form des zumindest einen Parameters (z.B. ein Maximalwert, ein Minimalwert, ein Median, ein Mittelwert, eine Varianz oder dergleichen) extrahiert, wobei das Training basierend auf diesen Parametern durchgeführt wird. Bei zumindest einem der Parameter kann es sich um einen statistischen Parameter handeln. Das Maschinenlernmodell kann ein Klassifikationsmodell sein oder umfassen. Insbesondere kann das Maschinenlernmodell ein künstliches neuronales Netz sein oder umfassen.
Optional ist die Auswerteeinheit dazu eingerichtet, das trainierte Maschinenlernmodell dazu einzusetzen, weitere Datensätze mit Messwerten zu klassifizieren, insbesondere um den Zustand zumindest einer Maschine zu erkennen. Auf diese Weise kann mit einem optimiert trainierten Maschinenlernmodell automatisiert eine besonders verlässliche Erkennung des Zustands einer Maschine durchgeführt werden. Insbesondere ist es so möglich, eine besonders große Anzahl von Datensätzen mit einer hohen Präzision zu klassifizieren. Die zumindest eine Maschine ist beispielsweise ein Gasturbinentriebwerk, insbesondere eine Vielzahl von Gasturbinentriebwerken. Gerade bei Gasturbinentriebwerken ist es häufig wünschenswert, möglichst frühzeitig einen sich verschlechternden Zustand eines Sensors oder einer durch einen Sensor überwachten Komponente zu erkennen, was die wie vorstehend beschrieben trainierten Maschinenlernmodelle ermöglichen.
Gemäß einem Aspekt wird ein Verfahren zum Erkennen eines Zustands von zumindest einer Maschine bereitgestellt. Das Verfahren umfasst das Erzeugen von Messwerten der zumindest einen Maschine mittels einem oder mehreren Sensoren; das Erfassen, mit einer Auswerteeinheit, mehrerer Datensätze mit Messwerten des einen oder der mehreren Sensoren; das Selektieren, mit der Auswerteeinheit und mittels aktivem Lernen, eines Teils der Datensätze; und das Bereitstellen des selektierten Teils der Datensätze an zumindest einer Kommunikationsschnittstelle zum Erkennen des Zustands der zumindest einen Maschine.
Bei dem Verfahren kann das Sensorsystem nach einer beliebigen, hierin beschriebenen Ausgestaltung verwendet werden.
Optional ist vorgesehen, dass die Auswerteeinheit eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine empfängt und, optional, basierend darauf ein Maschinenlernmodell trainiert. Das trainierte Maschinenlernmodell kann dazu einsetzt werden, weitere (insbesondere noch nicht klassifizierte) Datensätze mit Messwerten zu klassifizieren. Dabei kann in Abhängigkeit von der Klassifikation der weiteren Datensätze die entsprechende Maschine gewartet werden. Hierzu kann die Auswerteeinheit einen entsprechenden Befehl erzeugen. Alternativ oder zusätzlich wird eine Nachricht versendet.
Gemäß einem Aspekt wird ein Com puterprogramm produkt bereitgestellt, umfassend Anweisungen, die, wenn sie durch einen oder mehrere Prozessoren ausgeführt werden, den einen oder die mehreren Prozessoren dazu veranlassen, die Schritte des Verfahrens nach einer beliebigen, hierin beschriebenen Ausgestaltung auszuführen.
Es werden nun beispielhaft Ausführungsformen mit Bezug auf die Figuren beschrieben; in den Figuren zeigen:
Figur 1 ein Luftfahrzeug in Form eines Flugzeugs mit mehreren Gasturbinentriebwerken;
Figur 2 eine Seitenschnittansicht eines Gasturbinentriebwerks; Figur 3 ein Sensorsystem zum Erkennen eines Zustands zumindest einer Maschine;
Figur 4 Details des Systems gemäß Figur 3;
Figuren 5 bis 8 verschiedene Beispiele von Messwerten;
Figur 9 ein Verfahren zum Trainieren eines Maschinenlernmodells; Figur 10 eine Ausgestaltung einer Auswerteeinheit des Systems gemäß Figur 3; und
Fig. 11A-11C Details zu aktivem Lernen.
Figur 1 zeigt ein Luftfahrzeug 8 in Form eines Flugzeugs. Das Luftfahrzeug 8 umfasst mehrere Gasturbinentriebwerke 10.
Figur 2 stellt eines der Gasturbinentriebwerke 10 des Luftfahrzeugs 8 mit einer Hauptdrehachse 9 dar. Das Gasturbinentriebwerk 10 umfasst einen Lufteinlass 12 und ein Fan 23, der zwei Luftströme erzeugt: einen Kernluftstrom A und einen Bypassluftstrom B. Das Gasturbinentriebwerk 10 umfasst einen Kern 11, der den Kernluftstrom A aufnimmt. Das Kerntriebwerk 11 umfasst in Axialströmungsreihenfolge einen Niederdruckverdichter 14, einen Hochdruckverdichter 15, eine Verbrennungseinrichtung 16, eine Hochdruckturbine 17, eine Niederdruckturbine 19 und eine Kernschubdüse 20. Eine Triebwerksgondel 21 umgibt das Gasturbinentriebwerk 10 und definiert einen Bypasskanal 22 und eine Bypassschubdüse 18. Der Bypassluftstrom B strömt durch den Bypasskanal 22. Der Fan 23 ist über eine Welle 26 und ein epizyklisches Planetengetriebe 30 an der Niederdruckturbine 19 angebracht und wird durch diese angetrieben.
Im Betrieb wird der Kernluftstrom A durch den Niederdruckverdichter 14 beschleunigt und verdichtet und in den Hochdruckverdichter 15 geleitet, wo eine weitere Verdichtung erfolgt. Die aus dem Hochdruckverdichter 15 ausgestoßene verdichtete Luft wird in die Verbrennungseinrichtung 16 geleitet, wo sie mit Kraftstoff vermischt wird und das Gemisch verbrannt wird. Die resultierenden heißen
Verbrennungsprodukte breiten sich dann durch die Hochdruck- und die Niederdruckturbine 17, 19 aus und treiben diese dadurch an, bevor sie zur Bereitstellung einer gewissen Schubkraft durch die Düse 20 ausgestoßen werden. Die Hochdruckturbine 17 treibt den Hochdruckverdichter 15 durch eine geeignete Verbindungswelle 27 an. Der Fan 23 stellt allgemein den Hauptteil der Schubkraft bereit. Das epizyklische Planetengetriebe 30 ist ein Untersetzungsgetriebe.
Es wird angemerkt, dass die Begriffe „Niederdruckturbine“ und
„Niederdruckverdichter“, so wie sie hier verwendet werden, so aufgefasst werden können, dass sie die Turbinenstufe mit dem niedrigsten Druck bzw. die Verdichterstufe mit dem niedrigsten Druck (d. h. dass sie nicht den Fan 23 umfassen) und/oder die Turbinen- und Verdichterstufe, die durch die verbindende Welle 26 mit der niedrigsten Drehzahl in dem Triebwerk (d. h. dass sie nicht die Getriebeausgangswelle, die den Fan 23 antreibt, umfasst) miteinander verbunden sind, bedeuten. In einigen Schriften können die „Niederdruckturbine“ und der „Niederdruckverdichter“, auf die hier Bezug genommen wird, alternativ dazu als die „Mitteldruckturbine“ und „Mitteldruckverdichter“ bekannt sein. Bei der Verwendung derartiger alternativer Nomenklatur kann der Fan 23 als eine erste Verdichtungsstufe oder Verdichtungsstufe mit dem niedrigsten Druck bezeichnet werden.
Andere Gasturbinentriebwerke, bei denen die vorliegende Offenbarung Anwendung finden kann, können alternative Konfigurationen aufweisen. Beispielsweise können derartige Triebwerke eine alternative Anzahl an Verdichtern und/oder Turbinen und/oder eine alternative Anzahl an Verbindungswellen aufweisen. Als ein weiteres Beispiel weist das in Figur 2 gezeigte Gasturbinentriebwerk eine Teilungsstromdüse 20, 22 auf, was bedeutet, dass der Strom durch den Bypasskanal 22 seine eigene Düse aufweist, die von der Triebwerkskerndüse 20 separat und davon radial außen ist. Jedoch ist dies nicht einschränkend und ein beliebiger Aspekt der vorliegenden Offenbarung kann auch auf Triebwerke zutreffen, bei denen der Strom durch den Bypasskanal 22 und der Strom durch den Kern 11 vor (oder stromaufwärts) einer einzigen Düse, die als eine Mischstromdüse bezeichnet werden kann, vermischt oder kombiniert werden. Eine oder beide Düsen (ob Misch- oder Teilungsstrom) kann einen festgelegten oder variablen Bereich aufweisen. Obgleich sich das beschriebene Beispiel auf ein Turbofantriebwerk bezieht, kann die Offenbarung beispielsweise bei einer beliebigen Art von Gasturbinentriebwerk, wie z. B. bei einem Open-Rotor- (bei dem die Fanstufe nicht von einer Triebwerksgondel umgeben wird) oder einem Turboprop-Triebwerk, angewendet werden.
Die Geometrie des Gasturbinentriebwerks 10 und Komponenten davon wird bzw. werden durch ein herkömmliches Achsensystem definiert, das eine axiale Richtung (die auf die Drehachse 9 ausgerichtet ist), eine radiale Richtung (in der Richtung von unten nach oben in Figur 2) und eine Umfangsrichtung (senkrecht zu der Ansicht in Figur 2) umfasst. Die axiale, die radiale und die Umfangsrichtung verlaufen senkrecht zueinander.
Am Gasturbinentriebwerk 10 sind mehrere Sensoren angeordnet, von denen hier beispielhaft mehrere an unterschiedlichen Stellen am Gasturbinentriebwerk 10 angeordnete Sensoren 60-62, konkret Temperatursensoren zur Messung von Temperaturen, dargestellt sind.
Figur 3 zeigt ein Sensorsystem 50. Das Sensorsystem 50 umfasst die vorliegend am Gasturbinentriebwerk 10 angeordneten Sensoren 60-62, eine Auswerteeinheit 52 und zumindest eine Kommunikationsschnittstelle 58, 59, vorliegend zwei
Kommunikationsschnittstellen 58, 59. Die Auswerteeinheit 52 umfasst z.B. einen oder mehrere (benachbart oder beabstandet angeordnete) Computer.
Die Auswerteeinheit 52 ist dazu eingerichtet, mehrere Datensätze, jeweils mit Messwerten der Sensoren 60-62 zu erhalten und mittels aktivem Lernen einen Teil der Datensätze zu selektieren. Ferner ist die Auswerteeinheit 52 dazu eingerichtet, den selektierten Teil der Datensätze zum Erkennen des Zustands zumindest einer Maschine, vorliegend des Gasturbinentriebwerks 10, an die Kommunikationsschnittstelle 58 bereitzustellen.
Auf einem Speicher 53 der Auswerteeinheit 52 ist zumindest ein
Maschinenlernmodell 51 gespeichert, insbesondere sind mehrere Maschinenlernmodelle 51 gespeichert oder speicherbar. Die mehreren
Maschinenlernmodellen 51 können mehrere Instanzen desselben Maschinenlernmodells darstellen. Die Auswerteeinheit 52 ist über eine
Kommunikationsschnittstelle 58 kommunikativ mit den Sensoren 60-62 gekoppelt, um Daten, konkret Messwerte davon zu erfassen. Ferner ist die Auswerteeinheit 52 (über die Kommunikationsschnittstelle 58 oder eine weitere Kommunikationsschnittstelle) kommunikativ mit zumindest einem Interface 81 gekoppelt. Im vorliegenden Beispiel ist das Interface 81 als graphische
Benutzeroberflächen (GUI) ausgebildet und auf einer Anzeige 80, z.B. in Form eines Displays, darstellbar.
Über das Interface 81 kann ein Benutzer einen oder mehrere mittels des aktiven Lernens selektierte(n) Datensatz/Datensätze klassifizieren. Hierbei kann der Benutzer zusätzlich den Teil der Messwerte des jeweiligen Datensatzes auswählen, der Anlass für die gewählte Klassifikation ist. Beispielsweise kann der Benutzer entscheiden, ob ein jeweiliger Datensatz Messwerte umfasst, die einen bestimmten Zustand des Gasturbinentriebwerks 10 anzeigt, etwa den Verschleiß oder Defekt eines Bauteils. Diese Klassifikation (und optional den ausgewählten Teil der Messwerte) des jeweiligen Datensatzes kann das Sensorsystem 50 über die Kommunikationsschnittstelle 58 erhalten und damit das Maschinenlernmodell 51 trainieren.
Die Maschinenlernmodelle 51 sind zum maschinellen Lernen ausgebildet und umfassen im vorliegenden Beispiel einen Random Forest und/oder ein künstliches neuronales Netz. Das Sensorsystem 50 umfasst ferner ein weiteres Maschinenlernmodell 57, welches nachfolgend noch näher erläutert werden wird. Basierend auf den trainierten Maschinenlernmodellen 51, 57 können Datensätze mit Messwerten klassifiziert werden, um automatisiert datengetriebene Entscheidungen zu treffen, z.B. Wartungsarbeiten auszulösen.
Auf dem Speicher 53 sind ferner Anweisungen 54 gespeichert, die Teil eines Computerprogrammprodukts sind, welches einen Prozessor 55 der Auswerteeinheit 52 dazu veranlassen, das in Figur 9 gezeigte Verfahren (oder zumindest einen Teil davon, insbesondere zumindest die Schritte S11 bis S13) durchzuführen. Bei dem Speicher 53 handelt es sich z.B. um einen nichtvolatilen Speicher. Der Prozessor 55 umfasst z.B. eine CPU, eine GPU und/oder ein Tensor-Prozessor.
Die Auswerteeinheit 52 umfasst ferner einen (z.B. im Speicher 53 gespeicherten) Selektor 56. Der Selektor 56 ist zum aktiven Lernen ausgebildet. Hierzu ist der Selektor 56 z.B. dazu eingerichtet, aus einer Vielzahl an Datensätzen anhand einer vorgegebenen Vorschrift einen oder mehrere Datensätze (als Teilmenge) auszuwählen, z.B. jeweils denjenigen Datensatz auszuwählen, der für die nächste Klassifikation heranzuziehen ist, z.B. für den der Selektor 56 die größte Wahrscheinlichkeit ermittelt, dass dieser Datensatz den stärksten Trainingseffekt für das Maschinenlernmodell 51 aufweist. Diesen Datensatz stellt der Selektor 56 jeweils über die Kommunikationsschnittstelle 58 an das Interface 81 bereit. Ferner kann der Selektor 56 selektierte Datensätze über eine softwarebasierte Kommunikationsschnittstelle 59 bereitstellen, z.B. an ein oder mehrere Maschinenlernmodelle 51, 57. Der Selektor 56 bestimmt dabei z.B. eine Reihenfolge für die selektierten Datensätze.
Die Auswerteeinheit 52 ist optional am Boden stationiert und das Gasturbinentriebwerk 10 relativ dazu bewegbar.
Figur 4 zeigt weitere Details des Sensorsystems 50.
In einer Datenbank 100 sind Messwerte von den Sensoren 60-62 in Form von einer Vielzahl von Zeitreihen und als Rohdaten gespeichert. Die Zeitreihen stammen z.B. von mehreren Flügen des Gasturbinentriebwerks 10, von den mehreren Gasturbinentriebwerken 10 des Luftfahrzeugs 8 und/oder von Gasturbinentriebwerken 10 von mehreren Luftfahrzeugen 8 (oder, im Allgemeinen, von mehreren Maschinen). Die Übermittlung von den Sensoren 60-62 an die Datenbank 100 erfolgt z.B. über ein Datenkabel oder drahtlos, beispielsweise über GSM oder einen anderen Mobilkommunikationsstandard, insbesondere über die Kommunikationsschnittstelle 58. Die Datenbank 100 ist z.B. im Speicher 53 gespeichert.
Optional werden die in der Datenbank 100 gespeicherten Daten aufbereitet und in einer weiteren Datenbank 101 gespeichert, wobei es sich auch um einen transienten Datenfluss handeln kann. Dabei können z.B. uninteressante Daten nicht übernommen werden, um die weitere Verarbeitung zu vereinfachen.
Optional erfolgen eine weitere Aufbereitung der Messwerte und eine Speicherung in einer weiteren Datenbank 102, um eine Analyse der Messwerte hinsichtlich geeigneter Zeitreihen vorzunehmen. Diese Analyse erfolgt in Block 117. Dabei werden Datensätze mit Messwerten aus einer größeren Anzahl von Datensätzen ausgewählt.
In Block 117 werden geeignete Kandidaten von Datensätzen, insbesondere mit jeweils einer Zeitreihe eines Sensors 60-62 oder mit jeweils mehreren (insbesondere denselben Zeitraum überspannenden) Zeitreihen von mehreren der Sensoren 60-62 selektiert. Die Selektion des Teils der Datensätze erfolgt dabei mittels aktivem Lernen. Der selektierte Teil der Datensätze wird zum Erkennen des Zustands der zumindest einen Maschine 10 an die Kommunikationsschnittstelle 58 bereitgestellt.
Bei Daten, welche die Grundlage einer Entscheidungsfindung bilden, können Messwerte in bestimmten zeitlichen Abschnitten besonders präzise Rückschlüsse auf den Zustand des Sensors oder einer durch den Sensor überwachten Maschine ziehen lassen. Insbesondere wenn es sich beispielsweise um einen Sensor eines Gasturbinentriebwerks handelt, können bestimmte Signaturen in den Daten ein Indiz für einen sich verschlechternden Zustand des Sensors oder eines damit überwachten oder überwachbaren Bauteils darstellen.
Die ausgewählten Kandidaten oder Zeiger darauf werden optional in einer Datenbank 110 abgelegt. Zum Beispiel ein Import-Skript ruft in Block 118 diese Kandidaten aus der Datenbank 102 (oder der Datenbank 101 ) ab und stellt sie (optional über eine weitere Datenbank 106) an einen Block 111 bereit.
In Block 111 werden für sämtliche oder für einen Teil der Kandidaten jeweils eine Klassifikationsdateneinheit sowie ein selektierter Teil der Messwerte des jeweiligen Kandidaten erfasst. Die Klassifikationsdateneinheiten zeigen eine Klassifikation des Kandidaten in eine von mehreren vorgegebenen Klassen an. Die Klassifikationsdateneinheiten und/oder die selektierten Teile der Messwerte werden dabei durch einen oder mehrere Benutzer bereitgestellt. Dies erfolgt z.B. über das Interface 81 und/oder die Kommunikationsschnittstelle 58.
Die Klassifikationsdateneinheiten und selektierten Teile der Kandidaten werden in einer Datenbank 108 gespeichert und an einen Block 112 bereitgestellt. Im Block 112 wird (z.B. pro Benutzer jeweils) eine Instanz des Maschinenlernmodells 51 basierend auf den Klassifikationsdateneinheiten und selektierten Teilen der Kandidaten trainiert, die durch den Benutzer bereitgestellt wurden. Hierzu werden jeweils Eigenschaften des selektierten Teils der Messwerte in Form von Parametern extrahiert. Optional sind dann die extrahierten Parameter und/oder daraus errechnete Werte, z.B. Verhältnisse zweier Parameter, die Eingangsparameter für das Training. Beispiele für derartige Parameter werden weiter unten im Zusammenhang mit Figur 7 erläutert werden.
Die in der Datenbank 108 abgelegten Daten werden an einen Block 113 bereitgestellt, der auch auf die Datenbank 107 zugreifen kann. Im Block 113 erfolgt eine Erzeugung des (optionalen) übergeordneten Maschinenlernmodells 57. Das übergeordnete Maschinenlernmodell 57 entspricht optional dem
Maschinenlernmodell 51, wird aber z.B. mit den (optional gewichteten und/oder ausgewählten) Eingangsparametern von mehreren Instanzen des
Maschinenlernmodells 51 trainiert.
Das übergeordnete Maschinenlernmodell 57 und/oder dessen Eingangsparameter wird/werden in einer Datenbank 109 abgespeichert (die z.B. im Speicher 53 hinterlegt ist).
Im optionalen Block 114 wird die Erzeugung des übergeordneten
Maschinenlernmodells 57 an einer Benutzeroberfläche dargestellt.
Die Datenbank 103 umfasst die Daten der Datenbank 102, auf welche optionale Auswahl- oder Korrekturskripte angewandt worden sind. Alternativ ist anstelle der Datenbanken 102 und 103 nur die Datenbank 102 vorgesehen.
In Block 115 wird das übergeordnete Maschinenlernmodell 57 auf die Messwerte der Datenbank 103 (oder 102) angewandt, um die Messwerte zu klassifizieren. Die Ergebnisse der Klassifikation aus Block 115 werden in einer Datenbank 104 gespeichert, optional auch Daten aus der Datenbank 103 (oder 102).
In Block 116 werden datengetriebene Entscheidungen getroffen, z.B. die Durchführung von Wartungsarbeiten ausgelöst. Beispielsweise wurde anhand der Klassifikation erkannt, dass einer der Sensoren 60-62 oder eine durch die Sensoren 60-62 überwachte Komponente des Gasturbinentriebwerks 10 (oder im Allgemeinen einer durch das Sensorsystem 50 überwachten Maschine) einen Defekt aufweist und ausgetauscht werden muss. Optional wird eine Nachricht erzeugt und übermittelt, z.B. per E-Mail, die eine Entscheidung angibt.
Optional werden die den Entscheidungen zugrundeliegenden Daten in einer Datenbank 105 abgelegt. Die Datenbanken 100 bis 104 (wobei es sich auch um logische Schritte durch einen Datenfluss handeln kann) sind optional Teil eines Engine Equipment Health Management, EHM, des Gasturbinentriebwerks 10 und/oder im Speicher 53 gespeichert. Insbesondere die Datenbank 105 kann z.B. am Boden stationiert sein. Ferner sei angemerkt, dass die Datenbanken 100, 101, 102, 103, 104 und/oder 105 (optional sämtliche Datenbanken) separate physische Speicher aufweisen können oder alternativ Datenbanken einer logischen Architektur sein können, wobei z.B. mehrere oder alle der Datenbanken denselben physischen Speicher aufweisen.
Einer oder mehrere der Blöcke 111 bis 118, insbesondere sämtliche Blöcke 111 bis 118 können in Form von Anweisungen 54 auf dem Speicher 53 gespeichert und durch den Prozessor 55 ausführbar sein.
Figur 5 zeigt beispielhafte Messwerte 70 in Form von Zeitreihendaten. Hierbei ist eine Vielzahl an Messwerten gegen die Zeit aufgetragen. Konkret zeigen die Messwerte eine (erste) Temperaturdifferenz an, die anhand von zwei beabstandet zueinander angeordneten Sensoren einer Maschine, vorliegend eines Dieselmotors (alternativ z.B. analog von einem oder zwei der Sensoren 60-62) in Form von Temperatursensoren ermittelbar und hier ermittelt worden ist.
Figur 6 zeigt beispielhaft weitere Messwerte 70 in Form von Zeitreihendaten. Auch hierbei ist eine Vielzahl an Messwerten gegen die Zeit aufgetragen und zwar über denselben Zeitraum wie die Messwerte der Figur 5. Konkret zeigen die Messwerte der Figur 6 eine (zweite) Temperaturdifferenz an, die anhand von zwei beabstandet zueinander angeordneten Sensoren der Maschine, vorliegend des Dieselmotors (alternativ z.B. analog von einem oder zwei der Sensoren 60-62) in Form von Temperatursensoren ermittelbar und hier ermittelt worden ist und zwar einem anderen Paar von Sensoren 60-62 als bei Figur 5.
Ferner ist in Figur 6 ein selektierter Teil 71 der Messwerte 70 veranschaulicht. Der selektierte Teil 71 umfasst auffällige Bereiche der Messwerte. Wann Messwerte auffällig sind, hängt vom jeweiligen Einsatzfall ab. Im vorliegenden Beispiel sind Werte der Temperaturdifferenz unterhalb einer bestimmten Grenze und starke Fluktuationen der Werte auffällig. Der selektierte Teil 71 umfasst im Allgemeinen einen oder mehrere zeitliche Teilabschnitte der Messwerte 70 (entlang der X-Achse). Optional umfasst der selektierte Teil 71 auch eine Beschränkung entlang der Y- Achse.
Figur 7 veranschaulicht beispielhafte Parameter, die aus einem beispielhaften selektierten Teil 71 von Messwerten 70 berechnet werden können.
Bei den Parametern kann es z.B. um einen Maximalwert, einen Minimalwert, um einen Median, um einen Mittelwert, um eine Varianz, um die Summe der quadrierten Einzelwerte, um die Länge des selektierten Teils in Zeitrichtung, um eine Autokorrelation oder einen davon abgeleiteten Parameter, um die Anzahl der Werte oberhalb oder unterhalb des Mittelwerts, um das längste Zeitintervall oberhalb oder unterhalb des Mittelwerts, um die Summe der Steigungsvorzeichenänderungen, um eine Steigung, um eine Standardabweichung und/oder um eine Anzahl an Peaks handeln. Einige dieser Parameter sind in Figur 7 graphisch hervorgehoben. Einer oder mehrere, z.B. alle dieser Parameter können als Eingangsparameter für das Training des entsprechenden Maschinenlernmodells 51 verwendet werden. Ferner können Verhältnisse der genannten Parameter gebildet werden und als Eingangsparameter für das Training verwendet werden, z.B. Mittelwert / Varianz, Länge / Summe der quadrierten Einzelwerte oder andere Verhältnisse.
Figur 8 veranschaulicht, dass Zeitreihendaten mehrerer Sensoren optional mehrdimensional (hier zweidimensional) aufgetragen werden können, sodass die Auswahl des selektierten Teils 71 der Messwerte 70 mehrdimensional erfolgen kann. Hierbei können z.B. mehrere miteinander korrelierte Messwerte besonders eindeutige Auffälligkeiten zeigen, die dann besonders leicht und präzise selektiert werden können. Beispielsweise entspricht ein Punkt in der mehrdimensionalen Darstellung mehreren verschiedenen Messwerten zum selben Zeitpunkt.
Optional werden (insbesondere im selektierten Teil) Cluster von Datenpunkten in der mehrdimensionalen Darstellung ermittelt und z.B. deren Abstände zueinander und/oder Größen, z.B. Radien und/oder deren Anzahl von darin enthaltenen Datenpunkten, ermittelt.
Figur 9 zeigt ein Verfahren zum Klassifizieren von Messwerten, umfassend die folgenden Schritte:
Schritt S1: Bereitstellen eines trainierten Maschinenlernmodells, insbesondere eines trainierten übergeordneten Maschinenlernmodells 57.
Hierzu wird z.B. ein Verfahren zum Trainieren der Maschinenlernmodelle 51 durchgeführt, umfassend die Schritte S10 bis S14:
Schritt S10: Erzeugen von Messwerten zumindest einer Maschine, insbesondere zumindest eines Gasturbinentriebwerks, mittels dem einem oder den mehreren Sensoren 60-62, wobei die Messwerte 70 insbesondere in Form von Zeitreihendaten erfasst werden und insbesondere Messwerte von einer oder mehreren Gasturbinen 10 anzeigen.
Schritt S11: Erfassen, durch die Auswerteeinheit 52, von mittels dem einem oder den mehreren Sensoren 60-62 gewonnenen Datensätzen mit Messwerten 70.
Schritt S12: Selektieren, mit der Auswerteeinheit 52 und mittels aktivem Lernen, einen Teil der Datensätze.
Schritt S13: Bereitstellen, insbesondere mittels der Auswerteinheit 52, des selektierten Teils der Datensätze an der Kommunikationsschnittstelle 58 (insbesondere zur Darstellung am Interface 81) zum Erkennen des Zustands der zumindest einen Maschine.
Der Schritt S13 kann ferner umfassen: Empfangen, durch die Auswerteeinheit 52, von Klassifikationsdateneinheiten bezüglich der Messwerte 70, wobei sich die durch die Auswerteeinheit 52 empfangenen Klassifikationsdateneinheiten auf die an der Kommunikationsschnittstelle 58 bereitgestellten Datensätze beziehen. Ferner umfasst der Schritt S13 das Empfangen, durch die Auswerteeinheit 52 und für jede der Klassifikationsdateneinheiten, eines selektierten Teils 71 der Messwerte 70.
Schritt S14: Trainieren, mittels der Auswerteeinheit 52, eines oder mehrerer Maschinenlernmodelle 51 basierend auf den Klassifikationsdateneinheiten und den selektierten Teilen 71 der Messwerte 70, wobei die Maschinenlernmodelle 51 z.B. ein künstliches neuronales Netz umfassen.
Dabei werden optional mehrere Maschinenlernmodelle 51, z.B. mehrere Instanzen desselben Typs eines Maschinenlernmodells 51 trainiert (z.B. indem die vorstehenden Schritte jeweils von mehreren Benutzern durchgeführt werden) und ein übergeordnetes Maschinenlernmodell 57 wird aus den mehreren
Maschinenlernmodellen 51 (Instanzen) errechnet. Der Schritt S2 umfasst das Klassifizieren, durch die Auswerteeinheit 52, von mittels der einen oder den mehreren Sensoren 60-62 erfassten Datensätzen mit Messwerten 70 unter Verwendung des zumindest einen Maschinenlernmodells 51 und/oder des übergeordneten Maschinenlernmodells 57.
Der optionale Schritt S3 umfasst das Erzeugen, durch die Auswerteeinheit 52 und basierend auf dem Klassifizieren der Datensätze der Messwerte 70, eines Befehls, welcher eine Durchführung von Wartungsarbeiten anzeigt.
Figur 10 zeigt schematisch eine optionale Ausgestaltung der Auswerteeinheit 52. Gemäß Figur 10 ist die Datenbank 102 vorgesehen, in der die Datensätze mit den von den Sensoren 60-62 erhaltenen Messwerten gespeichert sind. Es sei darauf hingewiesen, dass der Einfachheit halber hauptsächlich auf die Sensoren 60-62 Bezug genommen wird, jedoch können die Datensätze von IoT-Geräten stammen (Internet of Things), von einer Triebwerkssteuerungseinheit ECU oder einer beliebigen anderen Vorrichtung zur Erfassung von physikalischen Daten. Optional weist jeder Datensatz Messwerte auf, die jeweils einen gleich langen Zeitraum überspannen. Jeder Datensatz kann Messwerte von einem oder insbesondere mehreren Sensoren 60-62 umfassen.
Die in der Datenbank 102 gespeicherten Datensätze werden über eine Kommunikationsverbindung K1 an den Block 117 bereitgestellt (bei dem es sich z.B. um den im Zusammenhang mit Figur 4 erläuterten Block 117 handelt).
Der Block 117 stellt (insbesondere sukzessive) über eine Kommunikationsverbindung K2 einen Teil der in der Datenbank 102 gespeicherten Datensätze als Kandidaten an das Interface 81 bereit. Über das Interface 81 werden die Messwerte der jeweiligen Kandidaten dargestellt (Kommunikationsverbindung K3), sodass ein Benutzer diese durch entsprechende Eingaben über das Interface 81 klassifizieren kann. Zusätzlich zur Klassifikation wählt der Benutzer einen Teil der Messwerte des jeweiligen Datensatzes aus, der weniger Messwerte umfasst als der ganze entsprechende Datensatz. Dabei handelt es sich um denjenigen Teil der Messwerte, der den Anlass zur jeweiligen Klassifikation gibt. Der Benutzer kann ein Experte sein, der basierend auf seiner Erfahrung mit einer besonders guten Trefferquote Anomalien in den Datensätzen erkennen kann (der aber nicht in der Lage ist, die potentiell enormen Mengen an Datensätzen aus der Datenbank 102 zu klassifizieren). Eine Anomalie kann z.B. in der Überschreitung eines Schwellenwerts, ein bestimmter Trend, eine sprunghafte Änderung oder dergleichen sein.
Der Block 112.1 stellt z.B. einen Teil des anhand Figur 4 erläuterten Blocks 112 dar. Dieser Block 112.1 umfasst einen Algorithmus zum Lernen von Merkmalen der Kandidaten, z.B. in Form eines neuralen Netzwerks oder eines sogenannten variational Autoencoder. Vom Benutzer gewählte Datenparameter (Signale) und Merkmale (z.B. in Form der oben beschriebenen Parameter) (insbesondere für den (Zeit-)Bereich) werden zum Training des Algorithmus verwendet. Dieser erhält (über die Kommunikationsverbindung K4) z.B. die vollständigen Kandidatendaten, wie sie dem Benutzer angezeigt werden, als Eingabe und den vom Benutzer ausgewählten Teil der Daten als Ausgabe. Die Merkmale eines jeweiligen Kandidaten sind z.B. durch in einem ein- oder mehrdimensionalen Vektorraum eingefügte Zahlenwerte dargestellt.
Basierend auf den in Block 112.1 ermittelten Merkmalen (die über eine Kommunikationsverbindung K5 übermittelt werden), wird in Block 112.2 ein weiteres Maschinenlernmodell erstellt, z.B. in Form eines Random-Forest-Klassifizierers, eines logistischen Regressors oder einer sogenannten Support-Vector-Machine. Dieses Maschinenlernmodell ist dazu ausgebildet, vorherzusagen, ob ein weiterer (neuer, unklassifizierter) Datensatz eine Anomalie aufweist oder nicht. Der Block 112.2 stellt z.B. einen Teil des anhand Figur 4 erläuterten Blocks 112 dar. Der Block 112.2 erhält ferner die Klassifikation des Benutzers über eine Kommunikationsverbindung K6. Das Maschinenlernmodell stellt einen Klassifikationslernalgorithmus dar.
Der Informationsfluss zum Trainieren von Maschinenlernmodellen erfolgt über die Kommunikationsverbindungen K4 und K5 (gestrichelte Linien).
Der jeweils nächste, dem Benutzer anzuzeigende Kandidat wird mittels aktivem Lernen ermittelt. Hierzu wird für jeden Kandidaten (z.B. jeden in der Datenbank 102 gespeicherten Datensatz) z.B. der trainierte Algorithmus zum Lernen von Merkmalen angewandt, um Merkmale der Kandidaten zu ermitteln. Ferner wird der Klassifikationslernalgorithmus angewandt, um zu ermitteln, welcher der Kandidaten derjenige ist, der den größten Lerneffekt verspricht (in Bezug auf seine Merkmale sozusagen am neuesten ist). Hierzu wird z.B. eine Distanz zu einer Separationsgrenze zwischen verschiedenen Klassen und/oder zu einer Separationsgrenze einer einzigen Klasse ermittelt. Alternativ oder zusätzlich wird der maximale Informationsgehalt, der für das Maschinenlernmodell relevant ist, ermittelt. Beispielsweise wird ein Entropiewert ermittelt.
Hierzu stehen die Blöcke 112.1 und 112.2 über Kommunikationsverbindungen K7, K8 in Verbindung.
Die Figuren 11A bis 11 C veranschaulichen optionale Details des aktiven Lernens. Figur 11A zeigt beispielhaft in zwei Dimensionen (z.B. zwei verschiedene Temperatur- oder Druckwerte oder dergleichen) aufgetragene Merkmale einer Vielzahl von Kandidaten. Dabei stellt jeder aufgetragene Punkt einen Kandidaten dar. Die Kandidaten sind dabei in zwei Klassen unterteilt und die Aufgabe des Klassifikationslernalgorithmus (z.B. in Form des Maschinenlernmodells 51 oder 57) ist es, herauszufinden, zu welcher Klasse die Kandidaten zählen. Die Klassen entsprechen verschiedenen Zuständen des Gasturbinentriebwerks 10 bzw. allgemein einer Maschine. Beispielsweise zeigt die eine Klasse einen defekten Zustand an, die andere Klasse einen ordnungsgemäßen Zustand.
Figur 11 B zeigt dieselben Kandidaten, wobei einige zufällig ausgewählte Kandidaten hervorgehoben sind, die klassifiziert und zum Training des Klassifikationslernalgorithmus verwendet worden sind. Basierend darauf wird eine die Klassen separierende Separationslinie L gezogen. Diese verläuft suboptimal.
Figur 11 C zeigt hervorgehoben mittels aktivem Lernen ausgewählte Kandidaten. Diese haben eine Separationslinie (z.B. über einen Regressionsalgorithmus ermittelt) zur Folge, welche eine wesentlich bessere Trennung der Klassen ermöglicht. Mittels aktivem Lernen wird hierfür z.B. stets derjenige Kandidat ausgewählt, der die größte Nähe zur Separationslinie aufweist. Alternativ oder zusätzlich werden diejenigen Kandidaten ausgewählt, welche die geringste Sicherheit (confidence level) in der Vorhersage der Klasse aufweisen. Alternativ oder zusätzlich wird das sogenannte Entropiesampling angewandt. Es werden so die informativsten Datensätze ausgewählt. Es sei erwähnt, dass hierdurch auch ein Training möglich ist, das nicht nur besonders präzise sondern auch besonders schnell zu robusten Vorhersagen gelangen kann.
Die Separationslinie kann gebogen oder gerade sein, und auch einen Teil einer mehrdimensionalen Separationsgrenze sein. Es versteht sich, dass die Erfindung nicht auf die oben beschriebenen
Ausführungsformen beschränkt ist und verschiedene Modifikationen und
Verbesserungen vorgenommen werden können, ohne von den hier beschriebenen Konzepten abzuweichen. Beliebige der Merkmale können separat oder in
Kombination mit beliebigen anderen Merkmalen eingesetzt werden, sofern sie sich nicht gegenseitig ausschließen, und die Offenbarung dehnt sich auf alle
Kombinationen und Unterkombinationen eines oder mehrerer Merkmale, die hier beschrieben werden, aus und umfasst diese.
Insbesondere ist anzumerken, dass anstelle des Gasturbinentriebwerks 10 auch eine andere Maschine, insbesondere allgemein ein Motor und/oder Triebwerk, z.B. ein Kolbenmotor eingesetzt werden kann.
Bezugszeichenliste
8 Luftfahrzeug
9 Hauptdrehachse
10 Gasturbinentriebwerk 11 Kerntriebwerk 12 Lufteinlass
14 Niederdruckverdichter
15 Hochdruckverdichter
16 Verbrennungseinrichtung
17 Hochdruckturbine
18 Bypassschubdüse
19 Niederdruckturbine
20 Kernschubdüse 21 Triebwerksgondel 22 Bypasskanal
23 Fan
24 stationäre Stützstruktur 26 Welle 27 Verbindungswelle 30 Getriebe
50 Sensorsystem
51 Maschinenlernmodell
52 Auswerteeinheit
53 Speicher
54 Anweisungen
55 Prozessor
56 Selektor
57 übergeordnetes Maschinenlernmodell
58, 59 Kommunikationsschnittstelle 60-62 Sensor
70 Daten (Messwerte)
71 selektierter Teil 80 Anzeige 81 Interface
100-110 Datenbank
111-119 Block
A Kernluftstrom B Bypassluftstrom K1-K8 Kommunikationsverbindung L Separationslinie

Claims

Ansprüche
1. Sensorsystem (50) zum Erkennen eines Zustands zumindest einer Maschine (10), mit
- einem oder mehreren Sensoren (60-62) zum Erfassen von Messwerten (70) der zumindest einen Maschine (10),
- zumindest einer Kommunikationsschnittstelle (58, 59) und
- einer Auswerteeinheit (52), die dazu eingerichtet ist, mehrere Datensätze mit Messwerten (70) des einen oder der mehreren Sensoren (60-62) zu erfassen, mittels aktivem Lernen einen Teil der Datensätze zu selektieren und den selektierten Teil der Datensätze zum Erkennen des Zustands der zumindest einen Maschine (10) an die zumindest eine Kommunikationsschnittstelle (58, 59) bereitzustellen.
2. Sensorsystem (50) nach Anspruch 1, wobei die Auswerteeinheit (52) dazu eingerichtet ist, mittels aktivem Lernen eine Reihenfolge für die selektierten Datensätze vorzugeben.
3. Sensorsystem (50) nach Anspruch 1 oder 2, wobei die Auswerteeinheit (52) dazu eingerichtet ist, die mehreren Datensätze in Bezug auf zumindest einen Parameter der Datensätze mittels einer Separationslinie in zumindest zwei Gruppen zu unterteilen, und die Selektion des Teils der Datensätze basierend auf dem Abstand der Parameter der jeweiligen Datensätze von der Separationslinie durchzuführen.
4. Sensorsystem (50) nach einem der vorhergehenden Ansprüche, wobei die
Auswerteeinheit (52) dazu eingerichtet ist, eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle (58, 59) bereitgestellten
Datensätze hinsichtlich des Zustands der zumindest einen Maschine (10) zu empfangen.
5. Sensorsystem (50) nach Anspruch 4, wobei die Auswerteeinheit (52) dazu eingerichtet ist, die klassifizierten Datensätze zu analysieren, um zumindest einen Parameter des jeweiligen Datensatzes zu erfassen.
6. Sensorsystem (50) nach Anspruch 5, wobei die Auswerteeinheit (52) dazu eingerichtet ist, den erfassten zumindest einen Parameter der klassifizierten Datensätze zu verwenden, um ein Maschinenlernmodell (51, 57) zu trainieren.
7. Sensorsystem (50) nach Anspruch 6, wobei die Auswerteeinheit (52) dazu eingerichtet ist, das trainierte Maschinenlernmodell (51 , 57) dazu einzusetzen, weitere Datensätze mit Messwerten (70) zu klassifizieren.
8. Sensorsystem (50) nach einem der vorhergehenden Ansprüche, wobei die zumindest eine Maschine (10) zumindest ein Gasturbinentriebwerk ist.
9. Verfahren zum Erkennen eines Zustands von zumindest einer Maschine (10), umfassend:
- Erzeugen (S11) von Messwerten (70) der zumindest einen Maschine (10) mittels einem oder mehreren Sensoren (60-62);
- Erfassen (S11), mit einer Auswerteeinheit (52), mehrerer Datensätze mit Messwerten (70) des einen oder der mehreren Sensoren (60-62);
- Selektieren (S12), mit der Auswerteeinheit (52) und mittels aktivem Lernen, eines Teils der Datensätze; und
- Bereitstellen (S13) des selektierten Teils der Datensätze an zumindest einer Kommunikationsschnittstelle (58, 59) zum Erkennen des Zustands der zumindest einen Maschine (10).
10. Verfahren nach Anspruch 9, wobei das Sensorsystem (50) nach einem der Ansprüche 1 bis 8 verwendet wird.
11. Verfahren nach Anspruch 9 oder 10, wobei die Auswerteeinheit (52) eine Klassifikation der an der zumindest einen Kommunikationsschnittstelle (58, 59) bereitgestellten Datensätze hinsichtlich des Zustands der zumindest einen Maschine (10) empfängt, basierend darauf ein Maschinenlernmodell (51, 57) trainiert und das trainierte Maschinenlernmodell (51 , 57) dazu einsetzt, weitere Datensätze mit Messwerten (70) zu klassifizieren, wobei in Abhängigkeit von der Klassifikation der weiteren Datensätze die entsprechende Maschine (10) gewartet wird.
12. Computerprogrammprodukt, umfassend Anweisungen (54), die, wenn sie durch einen oder mehrere Prozessoren (55) ausgeführt werden, den einen oder die mehreren Prozessoren (55) dazu veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 9 bis 11 auszuführen.
EP21700767.3A 2020-01-31 2021-01-18 Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine Withdrawn EP4097688A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020201239.3A DE102020201239A1 (de) 2020-01-31 2020-01-31 Sensorsystem und Verfahren zum Erkennen eines Zustands zumindest einer Maschine
PCT/EP2021/050910 WO2021151701A1 (de) 2020-01-31 2021-01-18 Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine

Publications (1)

Publication Number Publication Date
EP4097688A1 true EP4097688A1 (de) 2022-12-07

Family

ID=74187316

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21700767.3A Withdrawn EP4097688A1 (de) 2020-01-31 2021-01-18 Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine

Country Status (4)

Country Link
US (1) US20230086842A1 (de)
EP (1) EP4097688A1 (de)
DE (1) DE102020201239A1 (de)
WO (1) WO2021151701A1 (de)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8165826B2 (en) * 2008-09-30 2012-04-24 The Boeing Company Data driven method and system for predicting operational states of mechanical systems
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US20170090866A1 (en) 2015-09-25 2017-03-30 Robert L. Vaughn Universal sensor and/or sensor cluster to provide a detection pattern
US10401847B2 (en) * 2016-12-12 2019-09-03 General Electric Company System and method for issue detection of industrial processes
US10599205B2 (en) * 2017-09-18 2020-03-24 Verizon Patent And Licensing Inc. Methods and systems for managing machine learning involving mobile devices
US12045316B2 (en) * 2018-03-09 2024-07-23 Ciena Corporation Automatic labeling of telecommunication network data to train supervised machine learning
US10969773B2 (en) * 2018-03-13 2021-04-06 Applied Materials, Inc. Machine learning systems for monitoring of semiconductor processing

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RELAN RISHI: "Health Monitoring of Gas Turbine Engine Framework Design and Strategies Rishi Relan A Dissertation Submitted In Partial Fulfilment of the Requirements for the Degree of Master of Philosophy in the Department of Automatic Control and Systems Engineering", 1 June 2015 (2015-06-01), pages 1 - 175, XP093239406, Retrieved from the Internet <URL:https://etheses.whiterose.ac.uk/9576/1/MPhil_RishiRelan_110263933_Final_corrections.pdf> [retrieved on 20250114] *

Also Published As

Publication number Publication date
US20230086842A1 (en) 2023-03-23
WO2021151701A1 (de) 2021-08-05
DE102020201239A1 (de) 2021-08-05

Similar Documents

Publication Publication Date Title
EP4034955B1 (de) Training von maschinenlernmodellen zur datengetriebenen entscheidungsfindung
DE69010193T2 (de) Überwachung.
EP3671632B1 (de) Bildbasierte wartungsvorhersage und detektion von fehlbedienungen
EP3100122B1 (de) Verfahren zum bereitstellen von zuverlässigen sensordaten
DE102017220140B4 (de) Abrufvorrichtung, Abrufverfahren und Abrufprogramm
DE102010025851A1 (de) Verfahren zum Training eines Systems zur Klassifikation eines Wälzlagerzustands sowie Verfahren zur Klassifikation eines Wälzlagerzustands und System zur Klassifikation eines Wälzlagerzustands
DE102017124135A1 (de) Maschinenfehlervorhersage basierend auf einer Analyse von periodischen Informationen in einem Signal
DE10241746B4 (de) Verfahren zur zyklischen Qualitätsbewertung und Prozessüberwachung bei periodischen Produktionsprozessen
DE102020101008B3 (de) Verfahren und vorrichtung zur maschinenüberwachung mit kontinuierlicher verbesserung einer vorausschauenden wartungsdatenbank
EP3340250B1 (de) Bauteilidentifikation bei der fehlerbehandlung von medizinischen geräten
DE102019203149A1 (de) Zeitreihen-datenanalysevorrichtung
WO2021038079A1 (de) Verfahren und vorrichtung zum analysieren eines ablaufprozesses
DE102022111622A1 (de) Computerprogramm und Verfahren zur verbesserten Asbestanalytik mit künstlicher Intelligenz
EP4097688A1 (de) Sensorsystem und verfahren zum erkennen eines zustands zumindest einer maschine
EP3921810B1 (de) Verfahren und vorrichtung zum automatisierten identifizieren eines produktfehlers eines produkts und/oder zum automatisierten identifizieren einer produktfehlerursache des produktfehlers
DE102019214665A1 (de) Training eines Maschinenlernmodells zur datengetriebenen Entscheidungsfindung
DE60208415T2 (de) Verfahren zur optimierung von testdaten
EP1983450A2 (de) Verfahren und Vorrichtung zur Ermittlung und Bereitstellung von Information zu einem Bild
WO2020127285A1 (de) Verfahren und vorrichtung zum bestimmen von segmenten in empfangenen zeitreihendaten einer systemkomponente
EP4184350A1 (de) Computer-implementiertes verfahren zum erkennen eines eingabemusters in mindestens einer zeitreihe einer mehrzahl von zeitreihen
DE102020207062A1 (de) Verfahren und System zum Training eines Maschinenlernmodells
DE102024114462B3 (de) Verfahren und System zur Bewertung einer technischen Anlage
DE10220124A1 (de) Verfahren zur Überwachung des Zustands einer Maschine
EP3787229A1 (de) Verfahren und vorrichtung zur automatischen auswahl von analyseketten zur merkmalsextraktion
DE102024126903A1 (de) Sortieranlagensteuerung

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20220818

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250207

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE APPLICATION HAS BEEN WITHDRAWN

18W Application withdrawn

Effective date: 20250325