ES2332874T3

ES2332874T3 - Monitorizar la salud de una central de produccion de energia.

Info

Publication number: ES2332874T3
Application number: ES01945535T
Authority: ES
Inventors: Paul Anuzis; Steve P. King; Dennis M. King; Lionel Tarassenko; Paul Hayton; Simukai Utete
Original assignee: Oxford Biosignals Ltd
Current assignee: Oxford Biosignals Ltd
Priority date: 2000-07-05
Filing date: 2001-07-05
Publication date: 2010-02-15
Anticipated expiration: 2021-07-05
Also published as: ATE441836T1; JP4859328B2; DK1297313T3; US20020040278A1; DE60139778D1; AU2001267749A1; JP2004502932A; WO2002003041A1; EP1297313A1; GB0016561D0; EP1297313B1; US6928370B2

Abstract

Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de: construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema; predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración del instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta; comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.

Description

Monitorizar la salud de una central de producción de energía.

Sector de la invención

Esta invención se refiere a procedimientos y sistemas de procesamiento de datos para monitorizar la salud de un sistema. Los procedimientos y sistemas de procesamiento de datos de la invención están especialmente, aunque no necesariamente exclusivamente, adaptados para monitorizar la salud de una central de producción de energía, que incluye por ejemplo turbinas de gas, motores de combustión interna de ignición por chispa o por compresión.

Antecedentes

La salud de un sistema se puede considerar como la medida de la condición de un sistema respecto a unas pautas esperadas. Un sistema con buena salud es aquel cuya condición coincide con precisión con las expectativas, mientras que un sistema con mala salud es uno cuya condición difiere de lo esperado, que presenta por ejemplo un deterioro o un posible problema con el sistema. Por lo tanto, la capacidad para monitorizar la salud de un sistema puede permitir detectar este deterioro y/o problemas y, sí es necesario, tratarlos a tiempo.

Por ejemplo, US-5684718 describe un sistema que no es en tiempo real para monitorizar el funcionamiento de un generador eléctrico en el cual los datos de vibración y carga se combinan para producir una única señal que entonces se compara con datos almacenados representativos de unas combinaciones aceptables máximas de los dos parámetros. Esencialmente, el sistema es un "cuadro de vigilancia" automático que emite avisos cuando hay vibraciones que exceden límites aceptables.

Con la finalidad de determinar la condición, y consecuentemente la salud, de un sistema, es normal monitorizar y analizar una serie de indicadores medibles que reflejan por sí mismos aspectos de la condición del sistema. Por ejemplo, tomando el ejemplo de una turbina de gas, se pueden monitorizar parámetros de funcionamiento tales como las temperaturas y presiones de funcionamiento y velocidades de eje de la turbina. Para obtener una imagen de conjunto más completa de las condiciones del motor, estos parámetros de funcionamiento se pueden completar con otros indicadores de condición que incluyen, por ejemplo, medidas de vibración y medidas de las partículas arrastradas en el circuito de aceite.

Especialmente, en sistemas mecánicos complejos como las turbinas de gas, el número de indicadores que hay que monitorizar para obtener una imagen de conjunto útil de la condición del sistema puede ser elevado. Esto significa a su vez que la tarea de análisis de series de indicadores completas para determinar la salud del motor es compleja, que suele implicar disponer de un experto especializado para analizar los datos posteriormente.

Volviendo al ejemplo de la turbina de gas, es por ejemplo conocido recoger datos de funcionamiento y vibración del motor en el tiempo para analizarlos posteriormente por parte de uno o más expertos. En general, los datos de funcionamiento se compararán con datos de simulación del mismo motor y a partir de esta comparación, un experto se formará una imagen de la salud del motor. Asimismo, se revisará una pequeña cantidad de datos, que darán una visión superficial de los cambios generales del comportamiento del motor. Sí se detecta un problema, entonces los datos de vibración podrán ser analizados con más detalle, en general por otro experto, que buscará cualquier indicación anormal que pudiera ser un síntoma de problemas mecánicos subyacentes que podrían conducir a una pérdida de salud y de operabilidad.

EP-A-1014054 propone un proceso para monitorizar el diagnóstico vibracional de máquinas rotativas en el que se usan parámetros de funcionamiento, tales como salida efectiva y corriente de salida, para predecir parámetros de vibración para su comparación con los parámetros medidos correspondientes.

Resumen de la invención

Es un objetivo general de la presente invención proporcionar un procedimiento y un sistema de procesamiento de datos para facilitar la adquisición y el análisis de indicadores de condición de una manera tal que se pueda evaluar la salud general de un sistema más rápidamente.

Asimismo, unos aspectos primero y segundo de la invención proponen procedimientos para monitorizar la salud de un sistema según las reivindicaciones 1 y 3 respectivamente.

El término "signatura", tal como se emplea en el presente texto, pertenece a los valores de una pluralidad de indicadores de condición combinados o mezclados para proporcionar una unidad o cantidad tal como un conjunto, vector o escalar. En el ejemplo de un vector de signatura, los indicadores pueden corresponder a los elementos respectivos del vector. En el ejemplo de una signatura escalar, la magnitud del escalar se puede determinar mediante una función matemática que actúa sobre los valores de los indicadores.

Combinando o mezclando de esta manera los indicadores de condición en una única signatura, y proporcionar una signatura normal con la cual se puedan comparar los datos combinados, se simplifica considerablemente la tarea de evaluación de la salud de un sistema. En especial, puesto que la detección de un acontecimiento equivale a una indicación de un problema potencial o de un sistema con mala salud (es decir una condición de sistema que difiere de lo que se esperaría normalmente), la monitorización de la salud se puede automatizar ampliamente, quitando, o al menos minimizando, la necesidad de la implicación de un experto durante el proceso de monitorización. Esto a su vez significa que se vuelve posible monitorizar continuamente la salud de un sistema, y proporcionar información útil sobre la salud del sistema en tiempo real durante el funcionamiento.

Preferentemente, los indicadores de condición que se combinan para formar la signatura de condición del sistema incluye parámetros de funcionamiento, que en el caso de un sistema mecánico pueden ser velocidades, presiones (por ejemplo presiones de gas, presiones de aceite) y temperaturas por ejemplo. Otros parámetros útiles pueden incluir los considerados convencionalmente como parámetros de estado o de control. Por conveniencia, se hará referencia a estos parámetros empleando únicamente la expresión "parámetros de funcionamiento" en el siguiente texto.

Sin embargo, para obtener una imagen más completa de la salud de un sistema mecánico, incluyendo en la signatura uno o más indicadores de condición relativos a la vibración del sistema.

Se puede considerar, más generalmente, que los indicadores de condición a partir de los cuales se construye la signatura de condición del sistema se pueden derivar a partir de dos o más fuentes de datos distintas. Esto ilustra una fortaleza particular de este enfoque por el hecho de que se puede abarcar una gran variedad de diferentes formas de datos indicadores de signatura de condición del sistema, proporcionando una medida más completa de la salud del sistema de lo que ha sido posible previamente sin muchos análisis.

Preferentemente, se emplean al menos tres indicadores de condición para construir la signatura de condición. Más preferentemente, se emplean al menos 10 e incluso más preferentemente al menos 20 indicadores de condición para construir la signatura de condición.

Según una realización preferida, el sistema comprende un motor con turbina de gas.

La signatura normal del sistema se deduce a partir de un modelo del sistema predefinido que se está monitorizando. Este modelo puede él mismo desarrollarse fuera de línea y luego implantarse durante la ejecución del procedimiento de monitorización de la salud. Más preferentemente, sin embargo, el modelo está concebido para ir refinándose a medida que se ejecuta el procedimiento de modo que se puede ajustar mejor a un sistema específico.

Cualquiera que sea el enfoque que se adopte, el modelo es un "modelo aprendido" desarrollado empleando, al menos parcialmente, un enfoque de dirección por datos. Esto significa que el modelo aprendido aprende a partir de datos de entrenamiento que comprenden series de indicadores de condición que han sido etiquetados como normales (es decir saludables) o anormales (es decir no saludables) según el caso. De hecho, se da a menudo el caso de que hay más mucha más disponibilidad de datos normales que de datos anormales y por lo tanto los datos de entrenamiento pueden incluir solamente ejemplos de datos normales. Esto sigue dando como resultado un modelo efectivo porque los acontecimientos posteriores pueden identificarse como desviaciones del modelo aprendido de normalidad.

La signatura normal del sistema con buena salud se predice a partir de un modelo que define una o más interdependencias entre los indicadores de condición. Esto permite al modelo especificar una frontera continua en un espacio de N dimensiones (en el que cada dimensión se refiere a una de los N indicadores de condición) correspondientes a los límites del funcionamiento del sistema con buena salud. Esto contrasta con los enfoques de "cuadro de vigilancia" para establecer los límites del funcionamiento del sistema con buena salud que no capturan las interrelaciones (a menudo complejas) y correlaciones entre indicadores de condición.

Por lo tanto, por ejemplo, se da a menudo el caso de que el comienzo de un problema o fallo en un sistema específico se manifiesta mediante pequeños cambios en un número de indicadores de condición que individualmente, sin embargo, permanecen en sus rangos asignables respectivos. El enfoque de "cuadro de vigilancia", que solo es capaz de detectar cambios sensibles de parámetros individuales, fallarían en el reconocimiento de ocurrencia de problema o fallo. En cambio, cuando la signatura de condición para el sistema con buena salud se predice a partir de un modelo que define a una o más interdependencias entre los indicadores de condición los diversos pequeños cambios en los indicadores de condición pueden tener un efecto acumulativo para llevar a la signatura de condición fuera de las fronteras normales en el Espacio de N dimensiones.

Preferentemente, el umbral predeterminado corresponde a desviaciones o variancias significativas estadísticamente de la normalidad tal como se define mediante la signatura normal. Por lo tanto, el desarrollo posterior del modelo (por ejemplo debido a la entrada de más datos de entrenamiento) dará como resultado una variación correspondiente del umbral predeterminado.

En el procedimiento del segundo aspecto de la invención, el modelo comprende una matriz (por ejemplo una matriz de covarianza) con uno o más términos no-diagonales diferentes de cero para definir las inter-dependencias. La etapa de comparar la signatura de condición con la signatura normal puede implicar por lo tanto calcular un valor para las innovaciones normalizadas elevadas al cuadrado (NIS) que se define más abajo en la "Descripción de Reali- zaciones".

Como alternativa, en el procedimiento del primer aspecto de la invención el modelo comprende una red neuronal. Sí hay N indicadores de condición, una realización es una red neuronal entrenada para predecir el valor del indicador N-ésimo a partir de los demás indicadores N-1. La etapa de comparar la signatura de condición con la signatura normal puede implicar por lo tanto calcular un error de predicción que es por ejemplo el cuadrado de la diferencia entre el valor predicho para N y el valor actual. Puede haber N de estas redes predictivas funcionando en paralelo para cada uno de los indicadores de condición. En este caso el error de predicción total puede ser la suma del error de predicciones de cada una de las redes. En otra realización, una red neuronal está entrenada para predecir un subconjunto de N1 indicadores de condición (tales como valores de vibración, por ejemplo en un número de frecuencias clave) a partir de otro
subconjunto de N2 indicadores de condición (tales como los parámetros de funcionamiento), donde N1 + N2 = N.

Preferentemente los instantes definen intervalos sucesivos de 1 segundo de máxima duración (es decir una frecuencia de repetición de 1 Hz frecuencia de repetición). Más preferentemente, los instantes definen intervalos sucesivos de cómo mucho 0.2 segundos de duración (frecuencia de repetición de 5 Hz), incluso más preferentemente como máximo de 0.1 segundos (frecuencia de repetición de 10 Hz). Adquiriendo y procesando los datos de indicadores de condición a estas velocidades, es posible mediante el procedimiento monitorizar la salud del sistema en tiempo real. Por lo tanto, sí se registra en cualquier momento un acontecimiento anormal, el operador del sistema puede emprender acciones apropiadas inmediatamente. Esto puede ser especialmente ventajoso para el funcionamiento de centrales de seguridad crítica tales como motores motor con turbina de gas y aire.

La velocidad de adquisición de datos puede ser, sin embargo, significativamente más rápida que la velocidad de procesamiento. Por ejemplo la velocidad de adquisición de datos puede estar en el intervalo entre 20 Hz a 80 kHz. Entonces, se puede procesar solamente un subconjunto de los datos adquiridos.

Cuando la signatura de condición comprende datos provenientes de diferentes fuentes, por ejemplo datos de funcionamiento y vibración, se da el problema de que los datos pueden no estar bien sincronizados en el tiempo. Sí estos datos asíncronos se combinan para formar la signatura, puede resultar probablemente de ello una imagen distorsionada de la salud del sistema. Por razones similares, datos de entrenamiento empleados para desarrollar un modelo de comportamiento normal del sistema también se deberían sincronizar para evitar distorsiones en el modelo.

Por lo tanto, preferentemente, los indicadores de condición se adquieren de manera síncrona del sistema con una imprecisión de sincronización de 1 segundo como máximo. Más preferentemente la imprecisión de sincronización es como máximo de 0.1, 0.075, 0.0625 o 0.02 segundos. Por "imprecisión de sincronización" debe entenderse la máxima diferencia entre los tiempos de adquisición de cada par de indicadores de condición que forman una determinada signatura de condición. Preferentemente, las medidas son adquiridas del sistema con una imprecisión de sincronización que es menor que la duración de los intervalos de tiempo sucesivos, por ejemplo sí los intervalos de tiempo son de 0.2 segundos de duración, la imprecisión de sincronización puede ser como máximo de 0.075 segundos.

Según otros aspectos, la invención también proporciona sistemas de procesamiento de datos para monitorizar la salud de un sistema según las reivindicaciones 8 y 9 respectivamente, estando los sistemas adaptados para realizar los procedimientos descritos más arriba.

Cada sistema de procesamiento de datos puede comprender también medios de visualización para visualizar

(a): uno o más indicadores de condición,

(b): el resultado de la comparación de la signatura de condición del sistema con la signatura normal y/o

(c): una señal de alerta cuando el comparador indica que se ha sobrepasado el umbral predeterminado (es decir que se ha registrado un acontecimiento).

Breve descripción de los dibujos

Los varios aspectos de la invención se describirán a título de ejemplo con referencia a los dibujos adjuntos, en los cuales:

La figura 1 ilustra esquemáticamente unos datos;

La figura 2 muestra una arquitectura de red neuronal para un modelo aprendido para el funcionamiento del primer aspecto de la invención;

La figura 3 muestra un gráfico del error de predicción para el modelo aprendido en un conjunto de datos de prueba correspondientes a un periodo de condiciones de funcionamiento normal de un motor;

La figura 4 muestra un gráfico del error de predicción para el modelo aprendido para otro instante de funcionamiento del motor en que este experimenta el impacto de un pájaro;

La figura 5 muestra la curva de aprendizaje para un simple ejemplo de un modelo de sistema para el funcionamiento del segundo aspecto de la invención;

La figura 6 muestra a comparación de observaciones y estimaciones modelizadas para una medida de velocidad de eje, que ilustra la evolución del modelo de la figura 5.

La figura 7 muestra la velocidad medida del eje a baja presión (N1V) para el periodo de los datos de prueba a partir de un ejemplo más elaborado del modelo del sistema;

La figura 8 muestra el valor del NIS durante el mismo periodo que la figura 7;

La figura 9 muestra los valores de los 13 indicadores de condición y el NIS durante el mismo periodo a partir de otro ejemplo del modelo de sistema, y

La figura 10 muestra un ejemplo esquemático de un sistema de monitorización de la salud montado en el motor.

Descripción de las realizaciones

La realización descrita más abajo es un ejemplo de sistema de procesamiento de datos. Más específicamente, es un sistema de adquisición, análisis y representación de parámetros de funcionamiento y datos de vibración síncronos de una central de energía (por ejemplo una turbina de gas), para monitorizar la salud de la central.

Los torrentes de datos de funcionamiento y vibración se sincronizan en tiempo real y estos data se combinan o mezclan para construir una signatura del sistema que se puede comparar con una signatura deducida a partir de un modelo que representa una central de energía saludable, con la finalidad de proporcionar la detección de anomalías/acontecimientos y de aquí diagnósticos de fallos.

La discusión siguiente se basa en una aplicación del sistema para monitorizar la salud de motor de turbina de gas, pero se apreciará que los procedimientos se pueden adaptar a otras centrales, que incluyen por ejemplo centrales geotérmicas o turbinas de gas marinas, y motores de combustión interna por chispa o compresión, así como otros sistemas mecánicos, termodinámicos, de fluidos, eléctricos o electrónicos. El sistema adquiere parámetros de funcionamiento de la turbina de gas digitalmente a través de un enlace ethernet a una velocidad de entre 20 y 40 Hz. Unos parámetros típicos de funcionamiento lo son las medidas de presión, temperatura, empuje, altitud o número de Mach. Los datos de vibración son adquiridos mediante transductores analógicos de vibraciones que se muestrean a velocidades de muestreo seleccionadas por el usuario (desde 625 Hz a 80 kHz) mediante un convertidos analógico-digital. El espectro de amplitudes de los datos de vibración se genera empelando una Transformada Rápida de Fourier cada 0,2 segundos.

Los torrentes de datos de funcionamiento y vibración son asíncronos y son almacenados en archivos distintos junto con sus marcas de tiempo correspondientes. Durante la revisión, a medida que los datos son almacenados en la memoria, se realiza la sincronización entre los datos de funcionamiento y del espectro línea por línea. Se mantienen unos marcadores 10, 12 (Ver la figura 1) que registran la última línea sincronizada en los datos de búferes circulares de vibración y funcionamiento 14, 16. Cuando se dispone de nuevos datos en memoria, se examina la marca de tiempo de la siguiente línea de espectro de vibración. El algoritmo de sincronización empieza a partir de la última localización sincronizada previamente en los datos de funcionamiento y busca hacia delante y hacia atrás a partir de las marcas de tiempo de los datos de funcionamiento (con un error de 0,05 segundos) hasta que se identifica la marca de tiempo coincidente más cercana del búfer circular de datos de funcionamiento 16. Esta localización en los datos de funcionamiento se registra como sincronizado con la línea en el búfer circular de vibración 14. Entonces, el algoritmo procede a la siguiente línea del búfer circular de vibración 14 (0,2 segundos más tarde) y así sucesivamente hasta que no hay más datos disponibles a sincronizar.

Claramente, por lo tanto, si los parámetros de funcionamiento se adquieren a 20 Hz (es decir a intervalos de 0,05 segundos) la precisión de sincronización es de 0,075 segundos (es decir la mitad del intervalo de adquisición añadido a la precisión de las marcas de tiempo) y sí los parámetros de funcionamiento se adquieren a 40 Hz (es decir a intervalos de 0,025 segundos) la precisión de sincronización es de 0,0625 segundos.

Considerando el algoritmo de sincronización con algo más de detalle, se puede ver a partir de la figura 1 que el algoritmo mantiene una tabla de sincronización 18 que da el índice de las entradas de datos de funcionamiento que coinciden con cada línea de datos de vibración. El algoritmo utiliza variables para marcar los últimos datos sincronizados en cada buffer. El funcionamiento del algoritmo se puede resumir con el siguiente "seudo código":

1.: Inicializar los últimos marcadores sincronizados con el principio de los datos de vibración y funcionamiento.

2.: Dar vueltas en ambos búferes circulares mientras haya más datos.

(a): Empezando a partir del último artículo de los datos sincronizados en cada búfer circular, examinar la marca de tiempo, t, en la siguiente entrada en el búfer circular de vibración.

(b): Buscar hacia atrás en el búfer circular de funcionamiento hasta que se encuentra una marca de tiempo t mayor. Seleccionar entre esta entrada en el búfer circular de funcionamiento y la entrada anterior para una que sea más cercana y registrar la coincidencia en la tabla de sincronización.

Una vez sincronizados, el análisis de estos datos de funcionamiento y vibración se basa en construir modelos de comportamiento normal de reactor y entonces detectar un acontecimiento o una anormalidad con respecto a estos modelos.

Los sistemas de monitorización de motores de avión tradicionales se basan en dos procesos distintos: la utilización de signaturas de vibración para indicar el estado del motor, y un proceso separado, el análisis de trayectoria del gas, que se emplea para la determinación de estado a partir de parámetros de funcionamiento. En el enfoque ahora descrito, sin embargo, los parámetros relativos al funcionamiento tales como la presión y la temperatura se pueden mezclar con datos de vibración (tales como vectores de orden seguidos - cuyos elementos corresponden a la amplitud de la señal en un margen estrecho centrado en las frecuencias de vibración principales de cada eje de la turbina). El objetivo es aprovechar las diferentes fuentes de datos para formar una imagen más completa del estado del motor durante el funcionamiento normal. Esto a su vez permitiría identificar un mayor rango de desviaciones.

Además, se propone emplear modelos aprendidos conducidos por datos modelos para modelizar un motor normal. Por o tanto, aunque se emplean modelos del sistema del motor, estos no son fijos. En cambio, evolucionan con datos de entrenamiento adquiridos. Esto ofrece la ventaja importante de la robustez.

Los procedimientos de análisis de datos descrita debajo de puede denominar como "detección de novedad". Una ventaja de los procedimientos es que el papel del experto solamente consiste en clasificar los datos de entrenamiento como anormales (es decir nuevos) o normales. La utilización de Sistemas de filtrado Kalman en la detección de novedad se ha descrito en por ejemplo M. Gelb, Applied Optimal Estimation. MIT Press 1974.

Más abajo se describen dos variantes de procedimientos de análisis de datos. Se distinguen por la cantidad de conocimiento previo requerido para poner a punto el sistema. En ambos casos, el papel del experto solo debe consistir en clasificar datos de entrenamiento como nuevos o normales.

El primer procedimiento se basa en un modelo aprendido de normalidad previo. Por ejemplo, se aprenden perfiles de órdenes de vibración normal sometidos a seguimiento empleando un modelo de agrupación simple para los datos normales. La novedad de por ejemplo la signatura de vibración para un motor en prueba se evalúa comparando la proximidad de su signatura de orden seguido con los patrones prototípicos en el modelo agrupado de normalidad. Esto puede hacerse, por ejemplo, calculando la distancia Euclidea normalizada más corta entre el vector que codifica el orden seguido conformado según los (patrones prototípicos) centros de agrupación en el modelo de normalidad (ver Nairac et al, "A System for the Analysis de Jet Engine Data Vibration", Integrated Computer-Aided Engineering, 6(1):53-65, 1999). Si esta distancia está más allá de un umbral previamente establecido, se supone que la signatura de vibración tal como se presenta por el orden seguido está fuera de los límites de normalidad. Además de los órdenes de vibración seguidos, el modelo de normalidad del espectro de vibración incluye los siguientes órdenes: bandas laterales, harmónicos múltiples, harmónicos fraccionales y potencia de banda ancha.

El modelo se ilustra mediante un ejemplo en el que una red neuronal con la arquitectura mostrada en la figura 2 se desarrolló como modelo aprendido.

La red neuronal tiene una capa de entrada 30 con cuatro nodos que consisten en 4 indicadores de condición medidos con respecto a un motor de prueba de uno o varios ejes. Los indicadores de condición eran la amplitud de vibración, la fase y la velocidad del eje todos en un instante determinado, y la velocidad el eje un incremento de tiempo después del instante determinado.

La capa de salida 32 de la red tiene dos nodos para predecir respectivamente el cambio en la amplitud de vibración y el cambio de fase tras un incremento de tiempo.

La red tiene una capa oculta 34, de la cual cada nodo está contenida en una función de base radial Gausiana.

En la fase de entrenamiento de la red se emplearon datos de entrenamiento obtenidos del motor de prueba en un rango de condiciones de funcionamiento normales. Los centros y extensiones de las Gausianas se fijaron empleando el análisis de agrupamientos descrito más arriba y las ponderaciones de las conexiones entre los nodos se ajustaron reiteradamente hasta que el modelo convergió.

La figura 3 muestra un gráfico del error de predicción (es decir la suma del error de predicciones del cambio en la amplitud de vibración y cambio de fase) para el modelo en un conjunto de datos de prueba que también correspondían a un periodo de condiciones de funcionamiento normal del motor. Este gráfico proporciona la línea de base de variación de error de predicción frente a los cuales se pueden juzgar los acontecimientos nuevos.

La figura 4 muestra un gráfico del error de predicción para otro periodo de funcionamiento del motor. En este caso, sin embargo, el motor experimentó un impacto de pájaro. El pico mayor en el gráfico corresponde al momento del impacto del pájaro. Claramente, el modelo era capaz de reconocer este acontecimiento. Sin embargo, la señal de error de predicción cambiada (comparada con la línea de base de la figura 3) tras el acontecimiento mostró que el modelo también era capaz de detectar el comportamiento anormal del motor post-impacto. Esto da confianza de que el modelo no solo puede detectar acontecimientos mayores tales como los impactos de pájaros, sino también desviaciones más sutiles de la normalidad.

El segundo procedimiento emplea un modelo de proceso que tiene un vector de estado asociado con él (ver más abajo). El vector de observación (es decir la signatura de condición) tiene elementos correspondientes a información de los valores medidos de parámetros de funcionamiento y vibración de modo que se combinan dos tipos de datos en el modelo. La fusión de los datos se realiza en tiempo real generándose una nueva salida por el sistema varias veces por segundo.

Un aspecto importante de la utilización de este modelo en el sistema es la utilización del aprendizaje. En una primera fase de aprendizaje, fuera de línea, se aprende un modelo genérico del motor. El aprendizaje es conducido por datos empleando un algoritmo tal como el Expectación - Maximización para maximizar las posibilidades del modelo aprendido dados los datos de entrenamiento. Una vez aprendido el modelo genérico fuera de línea para un modelo de motor específico, el aprendizaje se puede aplicar en línea para ajustar el modelo a un motor individual inmediatamente después de haber pasado una prueba inicial después de cada procedimiento de mantenimiento. El deterioro del motor también se puede aprender en línea. El modelo aprendido puede ser ajustado para diferentes condiciones de vuelo, tales como crucero o aterrizaje para detectar novedad con aún más sensibilidad y especificidad.

El modelo aprendido conducido por datos se puede integrar en modelos de funcionamiento existentes basados en las leyes de la termodinámica y la dinámica de fluidos simulada (modelos basados en conocimiento). Por lo tanto, estos modelos se pueden describir como modelos híbridos porque se basan en la integración de modelos basados en el aprendizaje y en el conocimiento.

Mirando con más detalle el enfoque de modelo aprendido, este se basa en la aplicación de Expectación Maximización (EM) para la estimación de parámetros en sistemas dinámicos lineales (ver Ghahramani y Hinton, Parameter Estimation for Linear Dynamical Systems, Technical Report CRG-TR-96-2, Universidad de Toronto, 1996) y en sistemas no lineales (ver Roweis y Ghahramani, "A Unifying Review of Linear Gaussian Models", Neural Computation, 11, 305-345, 1999; y Ghahramani y Roweis, "Learning in Nonlinear Dynamical Systems Using an EM Algorithm" en Kearns y otros (editores), Advances in Neural Information Processing Systems, Volumen 11, MIT Press,
1999).

El algoritmo de aprendizaje EM se aplica al modelo de filtro de Kalman. En el caso lineal, este es un sistema con un proceso de medida de la forma

1

en el que y(i) es un conjunto de observaciones de estado oculto x(i), C es una matriz de covarianza, y el ruido medido v(i) es de promedio cero y distribuido según una distribución normal con matriz de covariancia R. y(i) y x(i) pueden tener la misma dimensión. Los términos no-diagonales diferentes de cero C permiten al modelo tener en cuenta las interdependencias entre el parámetro de funcionamiento y medidas de vibración de la condición y signatura normales. La ecuación de estado

2

tiene w(i) con promedio cero y distribuida según una distribución normal con matriz de covariancia Q.

Al principio de la fase de entrenamiento A y C se inicializan a valores aleatorios pequeños (por ejemplo con elementos de las matrices \approx 10^{-5}), y R y Q se inicializan por ejemplo a I. Por lo tanto durante la fase de entrenamiento, para cada signatura de condición y(i) en el conjunto de entrenamiento, el procedimiento de Roweis y Ghahramani aplicado a la ecuación (2) para deducir los valores más probables de los elementos de x(i), y los elementos de C, R y v(i) se ajustan reiteradamente de modo que Cx(i)+v(i) converge hacia la signatura de condición respectiva (R y Q se pueden restringir en todo el proceso a ser matrices diagonales). La convergencia se puede determinar mediante la probabilidad logarítmica del conjunto de observaciones según el modelo.

En lugar de inicializar los elementos de A a valores aleatorios pequeños, también es posible adoptar valores iniciales que representen modelos de funcionamiento de comportamiento de motores. Entonces, después de la fase de entrenamiento, el modelo sería un modelo híbrido basado en conocimiento y conducido por datos. Combinando estos dos procedimientos de análisis de datos, se puede combinar la precisión del previo conocimiento del experto con la robustez de los enfoques conducidos por datos.

Cuando la fase de entrenamiento ha finalizado y el modelo está recibiendo datos en tiempo real que consisten en una secuencia de signaturas de condición, se vuelve a emplear el filtro de Kalman para deducir los valores más probables de los elementos de x(i) para cada signatura de condición y(i). Sin embargo, los elementos de C y v(i) están ahora fijados, de modo que Cx(i)+v(i) proporciona la signatura normal para la comparación con la signatura de condición.

Por ejemplo, la comparación de la signatura normal con la signatura de condición puede basarse en innovaciones normalizadas elevadas al cuadrado (NIS). La secuencia de innovaciones v es la diferencia entre la signatura de condición y la signatura normal, de modo que

3

Las innovaciones deberían tener media nula y tener una distribución blanca.

El NIS combina las secuencias de innovación individuales.

4

Las secuencias individuales son ponderadas con el término S(k)^{-1}, el inverso de la covarianza de la innovación dada por

5

donde P(k|k-1) es la covariancia de predicción.

El modelo se ilustra primero con simple ejemplo comparativo (que no emplea medidas de vibración) en el que las observaciones están compuestas por las velocidades de los tres ejes de un motor de prueba durante una fase de crucero. Los datos observados y son simplemente el estado x contaminados con ruido, de modo que

6

Las observaciones se emplean durante el tiempo de aprendizaje, para generar un modelo de sistema dinámico en el que A, C, Q y R se aprenden de los datos. Al principio de la fase de entrenamiento A y C se inicializaron con valores aleatorios pequeños y R y Q se inicializaron a I.

La figura 5 ilustra la curva de aprendizaje (probabilidad logarítmica) del sistema. La figura 6 muestra la evolución de estimaciones de velocidades del eje 1 velocidades durante el proceso de aprendizaje empleando el algoritmo EM. En el ejemplo mostrado, la etapa de aprendizaje dura las primeras 25 iteraciones. Desde iteración 25 en adelante, las propiedades dinámicas del sistema se determinan con las matrices aprendidas (que entonces se mantienen fijas).

Una vez entrenados, los sistemas se pueden emplear para detectar acontecimientos o anormalidades, es decir divergencias del modelo aprendido de normalidad. Los acontecimientos de particular interés son aquellos inesperados, que indican posiblemente un problema con el motor por ejemplo. Sin embargo, especialmente cuando los modelos solamente se han aprendido para partes de "régimen estacionario" del perfil de vuelo (por ejemplo aceleración, crucero y deceleración), los transitorios durante el funcionamiento del motor también se indicarán como acontecimientos, aunque sean esperados. Por ejemplo, donde si se abre o cierra una válvula de purgado, la condición de funcionamiento del motor mostrará diferencias significativas a partir de un modelo aprendido de normalidad en régimen estacionario que no incluye este acontecimiento.

Por lo tanto al emplear este modelo en régimen estacionario, se pueden emplear las medidas para evitar estos acontecimientos transitorios. Por ejemplo, puesto que la apertura de una válvula de sangrado es un acontecimiento que ocurre en un determinado instante en el tiempo, los datos recogidos del motor en este instante y ligeramente al lado de este (por ejemplo durante 2 segundos antes y después) se pueden eliminar de los datos analizados por el sistema de monitorización de la salud.

El enfoque se ilustra a continuación con un ejemplo más elaborado que utiliza tanto el parámetro de funcionamiento como los datos de vibración. En este ejemplo el modelo se aplicó a los datos adquiridos a partir de un banco de pruebas, multi-eje, motor aeronáutico con turbina de gas sometido a una prueba de aceleración-deceleración cíclica cuando experimentó un acontecimiento de placa de cierre de presión de turbina. Estas pruebas se emplean para investigar el comportamiento del motor en condiciones extremas. Los datos se adquirieron de manera síncrona tal como se describió más arriba.

Un acontecimiento de placa de cierre ocurrió en el motor en el día de prueba 152-00. Los datos de entrenamiento eran los datos 152-00 para un periodo antes del acontecimiento, y los datos de prueba eran los datos 152-00 para el periodo que incluye al acontecimiento. En este ejemplo se empleó un modelo de 14 dimensiones (es decir y(i) y x(i) tenían cada uno 14 elementos) en el que las entradas de indicadores de condición eran:

-: Los órdenes seguidos de los ejes de baja presión (tol), de presión intermedia (toi) y de alta presión (toh),

-: Las velocidades de eje de los ejes de baja presión (N1V), de presión intermedia (N2V) y de alta presión (N3V),

-: Las presiones ambiental (POV), de entrada total (P20V), de suministro del compresor de alta presión (P30V) y de gases de salida (PEXV),

-: Las temperaturas de entrada total (T20V) y de suministro del compresor de alta presión (T30V),

-: Las temperaturas de la turbina de gas estabilizadas (TGTTRM)

-: El flujo de combustible solicitado (WFDEM)

Al principio de la fase de entrenamiento A y C se inicializaron a valores aleatorios pequeños y R y Q se inicializaron a I.

La figura 7 muestra la velocidad medida del eje a baja presión (N1V) para parte del periodo de los datos de prueba, y La figura 8 muestra el valor de NIS calculado por el modelo entrenado durante el mismo periodo.

Los primeros dos valles agudos en el perfil de N1V fueron causados por deceleraciones cíclicas consecutivas planificadas. Asociados con cada uno de estos valles hay dos picos de NIS. Estos picos indicaban que el motor no se comportaba normalmente durante el ciclo de prueba. De hecho un examen posterior reveló que al principio de la prueba se liberó una placa de cierre y como resultado se produjo un rozamiento de las palas anormal en cada uno de los ciclos de deceleración.

Durante el tercer ciclo de deceleración planificado en las figures 7 y 8 (es decir en el punto de datosl2850 aproximadamente) el motor padeció daños en las palas que resultaron en un pico del NIS agudo y una caída de N1V.

Sin embargo, los picos más tempranos (todos más pequeños) NIS demuestran que el sistema de monitorización era capaz de detectar el efecto de la liberación de la placa de cierre en tiempo real y antes de que ocurriesen daños sustanciales en las palas. Por lo tanto, sí esta liberación hubiese ocurrido en un motor aeronáutico en servicio, habría sido posible generar una alerta inmediata para emprender medias a tiempo (tal como la inspección el mantenimiento del motor). En cambio, variaciones súbitas de N1V pueden ocurrir normalmente, de modo que N1V por sí mismo no es un indicador de comportamiento anormal fiable.

Otro ejemplo en que también se utilizan tanto los parámetros de funcionamiento como los datos de vibración. De nuevo, el modelo se aplicó a datos adquiridos de manera síncrona en un banco de pruebas, multi-eje, motor aeronáutico con turbina de gas. Sin embargo, en este caso se desarrolló una fuga de aceite en el motor.

El fallo ocurrió en el motor alrededor del punto de datos 50410. Los datos de entrenamiento eran a partir de un periodo antes del fallo, y los datos de prueba eran para un periodo que incluye el fallo. En este ejemplo se empleo un modelo de 13 dimensiones en el que las entradas del indicador de condición eran tol, toi, toh, N1V, N2V, N3V, POV, P20V, P30V, PEXV, T20V, TGTTRM, y WFDEM.

La figura 9 muestra los valores de los 13 indicadores de condición y el NIS (en la parte baja del gráfico) durante el periodo que incluye el acontecimiento. El pico NIS agudo en el punto 50410 de los datos vuelve a demostrar que el sistema de monitorización era capaz de detectar el momento del acontecimiento. Aunque algunos de los otros indicadores de condición también presentaban picos en ese instante, no podían asociarse con fiabilidad por ellos mismos a un comportamiento anormal (nuevo).

Un examen posterior mostró que el acontecimiento era una fuga de aceite en un sellado que permitía al aceite del motor entrar en la cámara de combustión. A causa de esta fuga el sistema del motor de control redujo la cantidad de combustible que entraba en la cámara de combustión (de ahí la caída en el WFDEM) para mantener el empuje del motor (dado por PEXV/P20) a un nivel constante.

Después del acontecimiento, aún con aceite fugándose a la cámara de combustión, el motor funcionaba fuera del alcance de comportamiento normal. Esto fue recogido con éxito por la traza del NIS que después del punto de datos 50410 no volvió al nivel que tenía antes del acontecimiento.

A continuación se considera como se podría instalar un sistema de monitorización de la salud, que incorpora al modelo descrito, en una turbina de gas para el análisis en tiempo de vuelo.

Un sistema montado en el motor, mostrado esquemáticamente en la figura 10, puede generar del orden de 1 Gb de datos de vibración y funcionamiento (consistentes principalmente en presiones, temperaturas y velocidades de eje) por vuelo. Los datos de vibración se suelen analizar en el dominio de las frecuencias. Los datos de vibración y funcionamiento, a medida que se van generando por los medios de adquisición de datos 20, son almacenados de manera temporal en un búfer circular 22. Los datos están sincronizados y sujetos a la detección de novedad en el procesador y en los medios de comparación 24 que reciben una señal de sincronización de los medios de adquisición de datos 20 y los datos del búfer circular 22. Aquellas secciones de los datos correspondientes a los acontecimientos nuevos son etiquetadas y registradas sin pérdida de información (es decir se registran datos de ancho de banda ultra elevado) en medios de registro 26 que tiene un disco de almacenamiento y/o en línea semi-permanente. Cuando finaliza el vuelo los datos almacenados se pueden descargar y someter a análisis fundamentados más intensivos.

El sistema también puede incluir un medio de representación que permite representar información ya sea durante la adquisición o para la revisión una vez completado el ciclo de adquisición. Comprende preferentemente las siguientes características:

-: Capacidad para representar el resultado de la comparación de la signatura de condición con la signatura normal, por ejemplo en la forma del NIS o del error de predicción. Los acontecimientos no saludables se pueden destacar por ejemplo mediante una señal de alerta.

-: Capacidad para representar una combinación de cualquiera de los dos espectros de vibración, órdenes seguidos, potencia de ancho de banda, parámetros de funcionamiento sincronizados en el tiempo.

-: Capacidad para extraer y representar gráficamente el espectro de vibración frente a la velocidad del motor.

-: Capacidad para interrogar e imprimir cualquier espectro de vibración, órdenes seguidos, potencia de banda ancha y parámetros de funcionamiento.

-: Detección y representación automáticas de características a partir del espectro de vibración (extremos de banda, harmónicos, etc.)

\vskip1.000000\baselineskip

Referencias citadas en la descripción

Esta lista de referencias citadas por el solicitante está prevista únicamente para ayudar al lector y no forma parte del documento de patente europea. Aunque se ha puesto el máximo cuidado en su realización, no se pueden excluir errores u omisiones y la OEP declina cualquier responsabilidad en este respecto.

Documentos de patente citados en la descripción

\bullet US 5684718 A [0003]: \bullet EP 1014054 A [0007]

Documentos no procedentes de patentes citados en la descripción

\bullet M. Gelb. Applied Optimal Estimation. MIT Press, 1974 [0040]

\bulletNairac et al. A System for the Analysis of Jet Engine Vibration Data. Integrated Computer-Aided Engineering, 1999, vol. 6 (1), 53-65 [0042]

\bulletRoweis; Ghahramani. A Unifying Review of Linear Gaussian Models. Neural Computation, 1999, vol. 11, 305-345 [0053]

\bullet Learning in Nonlinear Dynamical Systems Using an EM Algorithm. Ghahramani; Roweis et al. Advances in Neural Information Processing Systems. MIT Press, 1999, vol. 11 [0053].

Claims

```
\global\parskip0.900000\baselineskip
```
1. Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de:

construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema;

predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración del instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta;

comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
2. Procedimiento según la reivindicación 1, en el que la etapa de comparar la signatura de condición con la signatura normal implica calcular un error de predicción.
3. Procedimiento para monitorizar la salud de un sistema, que comprende realizar en cada uno de una pluralidad de instantes las etapas de:

construir una signatura de condición para el instante presente a partir de una pluralidad de indicadores de condición que incluye (a) una pluralidad de medidas de vibración adquiridas del sistema o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento adquiridos del sistema;

predecir una signatura normal a partir de un modelo aprendido que definen a una o más interdependencias entre dicha signatura de condición y signatura normal, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y siendo dicho modelo un modelo de filtro de Kalman para un proceso de medida de la forma y(i) = Cx(i)+v (i) y una ecuación de estado de la forma x(i+l) = Ax(i)+w(i) donde i indica un instante, y(i) es la signatura de condición, x(i) es un estado oculto, C y A son matrices, v(i) y w(i) son igual a cero en promedio y distribuidos según una distribución normal, y uno o más términos no-diagonales diferentes de cero de C definen dichas interdependencias;

comparar la signatura de condición para el instante presente con la signatura normal; y registrar un acontecimiento sí la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
4. Procedimiento según la reivindicación 3, en el que la etapa de comparar la signatura de condición con la signatura normal implica calcular un valor para las innovaciones normalizadas elevadas al cuadrado.
5. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que dichos tiempos definen intervalos sucesivos de 1 segundo de duración máxima.
6. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que dichas medidas se adquieren de manera síncrona del sistema con una imprecisión de sincronización de 1 segundo como máximo.
7. Procedimiento según cualquiera de las reivindicaciones anteriores, en el que el sistema comprende un motor con turbina de gas.
8. Sistema de tratamiento de datos para monitorizar la salud de un sistema, que comprende:

medios de adquisición de datos para adquirir una pluralidad de indicadores de condición del sistema en cada uno de una pluralidad de instantes, incluyendo los indicadores de condición (a) una pluralidad de medidas de vibración o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento;

medios de procesamiento para construir una signatura de condición para el instante presente a partir de dichos indicadores de condición y para predecir una signatura normal a partir de un modelo aprendido que define a una o más interdependencias entre dichos indicadores de condición relativos a las medidas de vibración en el instante previo y el cambio de dichos indicadores de condición relativos a las medidas de vibración en el instante presente, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y comprendiendo dicho modelo una red neuronal que tiene una capa oculta;

medios de comparación para comparar la signatura de condición para el instante presente con la signatura normal; y medios de registro para registrar un acontecimiento si el comparador indica que la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.
```
\global\parskip1.000000\baselineskip
```
9. Sistema de tratamiento de datos para monitorizar la salud de un sistema, que comprende:

medios de adquisición de datos para adquirir una pluralidad de indicadores de condición del sistema en cada uno de una pluralidad de instantes, incluyendo los indicadores de condición (a) una pluralidad de medidas de vibración o (b) una o más medidas de vibración y una o más medidas de parámetros de funcionamiento;

medios de procesamiento para construir una signatura de condición para el instante presente a partir de dichos indicadores de condición y para predecir una signatura normal a partir de un modelo aprendido que define a una o más interdependencias entre dicha signatura de condición y signatura normal, correspondiendo dicha signatura normal a la signatura de condición para un sistema con buena salud en el instante presente, y siendo dicho modelo un modelo de filtro de Kalman para un proceso de medida de la forma y(i) = Cx(i)+v(i) y una ecuación de estado de la forma x(i+l) = Ax(i)+w(i) donde i indica un instante, y(i) es la signatura de condición, x(i) es un estado oculto, C y A son matrices, v(i) y w(i) son igual a cero en promedio y distribuidos según una distribución normal, y uno o más términos no-diagonales diferentes de cero de C definen a dichas interdependencias;

medios de comparación para comparar la signatura de condición para el instante presente con la signatura normal; y medios de registro para registrar un acontecimiento sí el comparador indica que la signatura de condición para el instante presente difiere de la signatura normal en más de un umbral predeterminado.