FR2883330A1 - Systeme et procede pour analyse specifique de systeme d'une turbomachine - Google Patents

Abstract

Procédé d'analyse, spécifique d'un système, d'un réacteur (12), comprenant des étapes consistant à appliquer des données d'entrée de référence (22) au réacteur (12) et à un modèle (14) de réacteur, et estimer des données de sortie du modèle (14) de réacteur d'après les données d'entrée de référence (22). Le procédé comporte une détection de données de sortie du réacteur et l'analyse de variance résiduelle (34) entre des données de sortie estimées et détectées. Le procédé comporte également une adaptation individuelle du modèle de réacteur afin de réduire les variances résiduelles (34) pour un réacteur particulier et une détection des anomalies dans le réacteur d'après les variances résiduelles (34) pour le réacteur particulier (12).

Description

SYSTEME ET PROCEDE POUR ANALYSE SPECIFIQUE DE SYSTEME

D'UNE TURBOMACHINE L'invention concerne d'une façon générale un système pour effectuer une analyse, spécifique du système, de turbomachines, notamment la détection et la localisation d'anomalies dans des turbomachines et, plus particulièrement, un système pour détecter et localiser des anomalies dans un réacteur d'avion.

On connaît divers types de turbomachines, employées globalement dans toutes sortes d'applications telles que des moteurs à réaction, des turbines à gaz industrielles, des turbines à vapeur et autres. Ordinairement, les organes des turbomachines peuvent subir une usure générale et des arrachements au cours de leur durée de vie. De plus, les organes peuvent être soumis à des conditions anormales pendant leur fonctionnement. De ce fait, les organes des turbomachines peuvent se dégrader, tomber en panne et provoquer des anomalies et un fonctionnement inefficace des turbomachines. Par conséquent, il peut être souhaitable de détecter et de localiser de telles anomalies dans le réacteur de façon à suivre l'état du réacteur pour assurer un fonctionnement efficace du réacteur.

De nombreuses techniques spécifiques ont été mises au point pour détecter des anomalies dans les organes des réacteurs et d'autres systèmes. Par exemple, dans certains systèmes, des données concernant des paramètres spécifiques d'un réacteur sont recueillies au cours d'un laps de temps donné et ces données sont analysées pour servir à prévoir la puissance du réacteur. Ordinairement, des modèles de performances de moteurs à réaction servent à prévoir la puissance de réacteurs d'après les données d'entrée recueillies. De plus, des capteurs servent à mesurer des données de sortie d'un réacteur pour divers organes du réacteur. Par ailleurs, les différences entre les données de sortie prévues d'un réacteur et les données de sortie mesurées du réacteur servent à détecter et localiser des anomalies dans le réacteur.

Globalement, le modèle de réacteur repose sur un échantillon d'un parc de réacteurs et il peut y avoir, dans ce modèle, une grande variation d'un réacteur à un autre de ce parc de réacteurs. De plus, il y a une variation dans les données d'entrée parmi le parc de réacteurs. Ces variations des données d'entrée dans le parc de réacteurs et des erreurs du modèle provoquent une dispersion dans les différences entre les données de sortie prévues et mesurées des réacteurs, ce qui limite l'efficacité de la détection et de la localisation d'anomalies.

Il serait donc souhaitable de mettre au point un système pour détecter et localiser d'une manière plus efficace des anomalies dans des turbomachines. Plus particulièrement, il serait souhaitable d'avoir un système de détection efficace d'anomalies pour un réacteur d'avion, qui réduise la dispersion dans les performances des réacteurs d'un parc de réacteurs et assure de ce fait une détection et une localisation efficaces d'anomalies ainsi qu'une estimation relativement précise de l'état d'un organe de réacteur au cours d'un laps de temps pour un réacteur particulier.

En bref, selon un premier aspect de la présente invention, un procédé d'analyse, spécifique d'un système, d'un réacteur comprend une étape consistant à appliquer des données d'entrée de commande au réacteur et à un modèle de réacteur et une étape consistant à estimer des données de sortie du modèle de réacteur d'après les données d'entrée de référence. Le procédé comprend une étape consistant à détecter des données de sortie du réacteur et à analyser des variances résiduelles entre des données de sortie estimées et détectées. Le procédé comprend également une adaptation individualisée du modèle de réacteur afin de réduire les variances résiduelles pour un réacteur particulier et la détection des anomalies du réacteur d'après les variances résiduelles pour le réacteur particulier.

Une autre étape du procédé peut consister à détecter les anomalies dans le réacteur d'après les variances résiduelles pour le réacteur particulier.

L'adaptation individualisée du modèle de réacteur peut comporter une estimation de paramètres à l'aide d'un filtre Kalman étendu et l'application des paramètres estimés au modèle de réacteur.

L'application des paramètres estimés au modèle de réacteur peut consister à actualiser les paramètres du modèle de réacteur à une largeur de bande suffisamment rapide pour suivre des changements dans le réacteur et suffisamment lente pour éviter de masquer des anomalies survenant dans le réacteur.

En outre, des étapes du procédé peuvent consister à obtenir un gain d'observateur à partir du filtre Kalman étendu et utiliser le gain d'observateur obtenu pour estimer les paramètres pour le modèle de réacteur.

En outre une étape du procédé peut consister à localiser les anomalies dans le réacteur à partir d'une série d'anomalies ou de signatures d'anomalies au moyen d'un essai d'hypothèse multiples modèles reposant sur les variances résiduelles pour le réacteur particulier.

La localisation des anomalies peut consister à identifier des anomalies différentes de celles de l'ensemble d'anomalies ou des signatures d'anomalies en ajoutant une anomalie supplémentaire dans la série d'anomalies.

Le support lisible par ordinateur qui assure la fonctionnalité du type défini par ce procédé est également prévu par la présente technique.

Le support lisible par un ordinateur peut comprendre un ou plusieurs moyens matériels, le/les supports matériels contenant un programme permettant d'appliquer des données d'entrée de référence à un réacteur et à un modèle de réacteur; un programme permettant d'estimer des données de sortie du modèle de réacteur d'après les données d'entrée de référence; un programme permettant de détecter des données de sortie du réacteur; un programme permettant d'adapter individuellement le modèle de réacteur afin de réduire des variances résiduelles pour un réacteur particulier; et un programme permettant de détecter et de localiser des anomalies dans le réacteur d'après les variances résiduelles pour le réacteur particulier.

Selon un autre aspect de la présente invention, un système pour détecter des anomalies dans un réacteur comprend un modèle de réacteur conçu pour recevoir des données d'entrée de référence correspondant aux données d'entrée de référence du réacteur et des données d'entrée détectées, et pour estimer des données de sortie d'après les données d'entrée de référence et les données d'entrée détectées. Le système comprend également une pluralité de capteurs conçus pour détecter des données de sortie du réacteur et un moyen d'estimation conçu pour adapter individuellement le modèle de réacteur afin de réduire les variances résiduelles entre les données de sortie estimées et détectées.

Le système pour détecter des anomalies dans une turbomachine peut comprendre en outre un moyen pour appliquer des données d'entrée de référence à la turbomachine et à un modèle de turbomachine; un moyen pour estimer des données de sortie du modèle de turbomachine d'après les données d'entrée de référence; un moyen pour détecter des données de sortie de la turbomachine; un moyen pour analyser des variances résiduelles entre les données de sortie estimées et détectées; et un moyen pour adapter individuellement le modèle d'après les variances résiduelles entre les données de sortie estimées et détectées.

L'invention sera mieux comprise à l'étude de la description détaillée d'un mode de réalisation pris à titre d'exemple non limitatif et illustré par les dessins annexés sur lesquels: la Fig. 1 est une représentation schématique d'un système de détection d'anomalies pour réacteur selon des aspects de la présente technique; la Fig. 2 est une représentation schématique du système de détection d'anomalies de la Fig. 1, comportant un dispositif d'estimation pour adapter individuellement le modèle de réacteur pour qu'il corresponde au réacteur, selon des aspects de la présente technique; la Fig. 3 est un schéma de principe illustrant une méthode itérative de filtrage discret non linéaire employé dans le système de détection d'anomalies de la Fig. 2, selon des aspects de la présente technique; la Fig. 4 est un schéma de principe représentant les étapes de détection et de localisation d'anomalies dans un réacteur par le système de détection d'anomalies de la Fig. 2, selon des aspects de la présente technique; la Fig. 5 est une représentation schématique de fenêtres d'entraînement au cours d'un laps de temps pour adapter individuellement le modèle de réacteur par le système de détection d'anomalies de la Fig. 2, selon des aspects de la présente technique; la Fig. 6 est une représentation schématique d'un système de détection d'anomalies à plusieurs modèles servant à détecter des anomalies dans un réacteur, selon des aspects de la présente technique; la Fig. 7 est un organigramme illustrant un processus de détection et de localisation d'anomalies par le système de détection d'anomalies à plusieurs modèles de la Fig. 6, selon des aspects de la présente technique; et la Fig. 8 est un schéma de principe représentant des installations sur site et hors site pour le système de détection d'anomalies de la Fig. 2 selon des aspects de la présente technique.

Comme examiné en détail ci-après, des formes de réalisation de la présente technique servent à détecter et localiser des anomalies dans une turbomachine telle qu'un réacteur d'avion, une turbine à gaz industrielle et une.turbine à vapeur. Considérant maintenant les dessins et, pour commencer, la Fig. 1, il y est représenté un système de détection l0 d'anomalies pour un réacteur 12. Le système de détection 10 d'anomalies comprend un modèle 14 de réacteur conçu pour recevoir des données d'entrée de référence correspondant à des données de référence du réacteur. Par ailleurs, le modèle 14 de réacteur est conçu pour estimer des performances du réacteur 12. Dans la forme de réalisation illustrée, le réacteur 12 reçoit les données d'entrée de référence par l'intermédiaire d'un module FADEC 16 de commande de régulation numérique de réacteur à pleine autorité (Full Authority Digital Engine Control module) et ces données de référence d'entrée dépendent d'un réglage de régulation du réacteur 12. Par ailleurs, un module PLA 18 d'angle de manette des gaz (power lever angle) sert à fournir une mesure du réglage de régulation du réacteur 12. Le réglage de régulation pour le réacteur 12 peut être commandé pour maîtriser des paramètres tels qu'une poussée voulue du réacteur, une vitesse aérodynamique visée et autres pour tous les régimes de vol du réacteur 12, depuis le décollage jusqu'au posé. Comme le comprendront les spécialistes de la technique, d'autres modules ou systèmes de commande peuvent être employés pour maîtriser les réglages des réacteurs d'après les données de référence d'entrée.

Dans la présente forme de réalisation, les données d'entrée provenant du PLA 18 sont traitées par l'intermédiaire d'un système asservi 20 pour générer des données d'entrée de référence 22(u) Pour le réacteur 12 et le modèle 14 de réacteur. Dans une forme de réalisation, le modèle 14 de réacteur consiste en un modèle reposant sur la physique. Dans une autre forme de réalisation, le modèle 14 de réacteur consiste en un modèle empirique. Par ailleurs, le modèle 14 de réacteur peut consister en un modèle de régime stable. Selon une autre possibilité, le modèle 14 de réacteur peut consister en un modèle de régime transitoire. Dans la forme de réalisation illustrée, les données d'entrée de référence 22 peuvent comprendre, mais de manière nullement limitative, un débit de carburant, un contrôle actif des jeux, la géométrie variable, l'extraction d'énergie et des combinaisons de ceux-ci pour des organes du réacteur 12. Ordinairement, les organes du réacteur 12 comprennent, entre autres, une soufflante, un surpresseur, un compresseur haute pression, un compresseur basse pression, une turbine haute pression, une turbine basse pression et une chambre de combustion. Evidemment, des organes et paramètres autres ou différents peuvent être surveillés et maîtrisés par les présentes techniques, en fonction du type d'avion de ses équipements et des régimes de commande envisagés. De plus, le modèle 14 de réacteur peut recevoir des données d'entrée détectées 23 telles que, mais de manière nullement limitative, la pression, la température, l'altitude, le nombre de Mach ou des combinaisons de ceux-ci. Par ailleurs, comme le comprendra un spécialiste de la technique, ces données d'entrée détectées 23 affectent normalement le réacteur 12 en marche. Evidemment, ces données d'entrée détectées 23 sont considérées comme des données d'entrée pour le modèle 14 de réacteur.

Dans la forme de réalisation illustrée, les organes du réacteur 12 fonctionnent d'après les données d'entrée de référence 22. Par ailleurs, une pluralité de capteurs (non représentés) peuvent être montés sur chacun des organes du réacteur 12 pour détecter des données de sortie du réacteur 12. Dans certaines formes de réalisation, les données de sortie détectées du réacteur peuvent comprendre des composantes de bruit dues à des facteurs tels qu'une variation aléatoire 24 (w) et des erreurs de détection 26 (v) pour les différents capteurs montés sur les organes du réacteur 12. En fonctionnement, les différents capteurs mesurent des données de sortie détectées 28 (y) des organes. On peut citer, comme exemples de données de sortie détectées 28, la température, la pression, la vitesse du rotor, le rendement, la capacité de débit, la température d'un organe à un autre, etc. Dans une configuration actuellement envisagée, le modèle 14 de réacteur génère des données de sortie de détection prédites 30 () à partir des données d'entrée de référence 22. Les données de sortie de détection prédite 30 du modèle 14 de réacteur ne comportent aucune composante de bruit résultant de la variation aléatoire 24 et des erreurs de détection 26. Les données de sortie détectées 28 des différents capteurs sont combinées et comparées avec les données de sortie de détection prédite 30, comme indiqué par le repère 32, pour estimer les variances résiduelles 34 (v). Par ailleurs, les variances résiduelles estimées 34 peuvent être analysées pour détecter et localiser des anomalies dans le réacteur 12 en comparant les variances résiduelles estimées 34 avec des signatures d'anomalies par l'intermédiaire d'un système de diagnostic 36 d'anomalies, qui sera décrit plus loin. Dans une configuration actuellement envisagée, le système de diagnostic 36 d'anomalies fait partie du FADEC 16. Cependant, les spécialistes de la technique comprendront que le système de diagnostic 36 d'anomalies peut être isolé du FADEC 16 ou d'autres systèmes de commande. Tel est le cas, en particulier, dans les avions où il n'y a pas de FADEC 16. Dans certaines formes de réalisation, le système de diagnostic 36 d'anomalies peut être séparé, au sein du FADEC 16, des autres modules de commande. Dans une forme de réalisation, les variances résiduelles estimées 34 peuvent être analysées en temps réel en vol. Selon une autre possibilité, les variances résiduelles estimées 34 peuvent être analysées en un point de diagnostic au sol, en temps réel, presque en temps réel ou ultérieurement.

Selon les présentes techniques, le modèle 14 de réacteur peut être adapté individuellement pour réduire les variances résiduelles 34 entre les données de sortie détectées 28 et les données de sortie de détection prévues 30 pour le réacteur particulier 12. Par ailleurs, les variances résiduelles 34 pour un modèle 14 de réacteur adapté individuellement peuvent servir à réduire les erreurs du modèle et les erreurs résultant du bruit, telles que la variation aléatoire 24 et les erreurs de détection 26, ce qui assure donc une détection très précise d'anomalies dans le réacteur 12. Il faut souligner que c'est la possibilité de corriger des erreurs du modèle qui permet une adaptation individuelle, spécifique du système, du modèle 14 de réacteur. Le modèle 14 de réacteur peut être adapté individuellement pour correspondre au réacteur particulier 12 en associant un moyen d'estimation au modèle 14 de réacteur, ce qu'on va maintenant décrire en référence à la Fig. 2.

La Fig. 2 illustre un exemple de configuration 40 du système de détection d'anomalies de la Fig. 1. Dans une configuration actuellement envisagée, un moyen d'estimation 42 est associé au modèle 14 de réacteur pour adapter individuellement le modèle 14 de réacteur afin qu'il corresponde au réacteur 12. Dans la présente forme de réalisation, le moyen d'estimation 42 est conçu pour adapter individuellement le modèle 14 de réacteur afin de réduire les variances résiduelles 34 entre les données de sortie prévues 30 et les données de sortie détectées 28. Dans la présente forme de réalisation, le moyen d'estimation 42 comprend un moyen d'estimation de régime 44 et un filtre de suivi 46. Dans la présentation qui suit, il est fait référence au filtre de suivi 46 en fonction du moyen d'estimation plus général 42. Comme le comprendra un spécialiste de la technique, l'expression "filtre de suivi" peut recouvrir des significations différentes dans des contextes différents. Le moyen d'estimation de régime 44 est conçu pour prévoir un régime du réacteur 12 à n'importe quel moment. Par ailleurs, le filtre de suivi 46 est conçu pour estimer des paramètres pour le modèle 14 de réacteur d'après un observateur pour réduire les variances résiduelles 34. Dans une autre forme de réalisation, les fonctions du moyen d'estimation de régime et du filtre de suivi sont combinées dans un même moyen d'estimation. Dans la présentation qui suit, il est entendu que le "filtre de suivi" concerne la fonction du moyen d'estimation combinée ou du "filtre de suivi" lui- même. Dans la présente forme de réalisation, le filtre de suivi 46 comporte un filtre de Kalman étendu. Cependant, d'autres types de filtres peuvent être employés pour réduire les variances résiduelles 34 entre les données de sortie détectées 28 et les données de sortie prévues 30. De plus, le filtre de Kalman étendu 46 peut être mis en oeuvre sous la forme d'un processus en continu pour des modèles 14 de réacteur en régime stable. Selon une autre possibilité, le filtre de Kalman étendu 46 peut être mis en oeuvre sous la forme d'un processus récursif pour des modèles 14 de réacteur en régime transitoire.

En fonctionnement, les paramètres estimés par le moyen d'estimation 42 sont appliqués au modèle 14 de réacteur afin d'actualiser les paramètres du modèle 14 de réacteur pour réduire les variances résiduelles 34. Il faut souligner que, dans une forme de réalisation actuellement envisagée, les paramètres du modèle 14 de réacteur sont actualisées à une largeur de bande suffisamment rapide pour suivre les changements survenant dans le réacteur 12 et suffisamment lente pour éviter de masquer des anomalies survenant dans le réacteur 12 pour empêcher que le modèle 14 de réacteur ne s'adapte à des anomalies du réacteur 12 qui, autrement, doivent être détectées pour un fonctionnement efficace du réacteur 12 (c'est-à-dire une adaptation individuellement du modèle à des conditions indésirables). De manière avantageuse, les variances résiduelles 34 du modèle adapté 14 de réacteur peuvent servir à détecter et localiser les anomalies dans le réacteur 12 à l'aide du système de diagnostic 36 d'anomalies. Dans la présente forme de réalisation, le filtre de suivi 46 analyse les variances résiduelles (parfois appelées "innovations") 34 afin d'estimer les paramètres du réacteur, ce qu'on va maintenant décrire en référence à la Fig. 3.

La Fig. 3 est un schéma de principe représentant un exemple de système de détection 50 d'anomalies, dans lequel un filtre de Kalman étendu 52 est associé à un système 54. Dans la présente forme de réalisation, le système 54 comprend un réacteur. Bien qu'il n'y ait pas de limitation à un modèle particulier, le réacteur 54 peut être modélisé sous la forme d'une représentation mathématique illustrée sur la Fig. 3. En fonctionnement, des données déterministes d'entrée 56 (uk) sont fournies au système 54 et à la méthode de filtrage 52 suivant un pas de temps donné k. Dans la forme de réalisation illustrée, l'état du système 54 est déterminé par voie mathématique par une fonction dynamique 58 (f(xk, uk)). De plus, la fonction dynamique 58 reçoit le bruit 60 (wk) du processus, qui est incorporé dans la fonction dynamique 58 par l'intermédiaire d'un gain 62 (Gk) de filtre pour générer un état actualisé 64. En outre, un opérateur à retard 66 (z-') peut être employé pour inclure tout retard entre des pas de temps ultérieurs et pour estimer un état 68 (Xk) du système 54. Dans certaines formes de réalisation, cette estimation d'état 68 peut être appliquée à la fonction dynamique 58 afin d'actualiser la fonction dynamique 58.

Dans la représentation mathématique illustrée, une fonction linéaire 70 (h(xk)) établit une relation entre l'estimation d'état 68 du système et des mesures fournies par le système 54. Dans la présente forme de réalisation, le bruit de mesure 72 (Vk) tel que celui dû à des erreurs de détection peut être incorporé dans la fonction 70 du système 54, comme représenté par le repère 74. De la sorte, le système 54 génère des données de sortie ou mesures 76 (Zk) au pas de temps donné k, ces mesures pouvant servir au filtre 52 pour estimer des variances résiduelles, d'une manière décrite ci-dessous.

Comme décrit plus haut, le filtre 52 reçoit les données déterministes d'entrée 56 qui sont employées par le système 54 pour produire les mesures 76. Dans la forme de réalisation illustrée, les données déterministes d'entrée 56 sont appliquées à une fonction 78 (f(z ki k, uk) ) pour générer une estimation "à priori" de l'état du système 54 pour le pas de temps suivant à partir d'un pas de temps précédent k, comme représenté par les repères 80 et 82. Là encore, un opérateur à retard 94 (z-1) peut être employé pour incorporer tout changement survenant dans l'état par suite d'éventuels retards entre des pas de temps ultérieur pour produire une estimation actualisée 86 (X k k _1). Ces actualisations peuvent être incorporées dans l'état existant 80, calculé par des sommateurs 82 et 88. Par ailleurs, une fonction non linéaire 92 (h(x kI k- 1)) peut utiliser l'estimation actualisée 86 pour estimer des mesures prédites 94 (2 k).

Dans une configuration actuellement envisagée, les mesures 76 fournies par le système 54 sont collationnées et comparées avec les données de sortie prévues 94, comme représenté par le repère 96, pour générer des variances résiduelles (innovations) 98 (vk). De plus, les variances résiduelles générées 98 sont multipliées par un gain 100 (Kk(z k i k_1)) d'observateur qui peut servir à réduire les variances résiduelles 96 pour adapter individuellement l'état existant 86. Dans la présente forme de réalisation, le gain 100 d'observateur contient un gain Kk de Kalman qui est donné par les équations suivantes: Kk =Pkk_IHkT(HKPkk_IHkT+Rk ' 30 P k l k_7 =AkP k_1 k_ /Ai/ + GkQkG/T Pklk = (I-KkH/ePkk_, (1) (2) (3) Où : P kif est une covariance d'erreur d'estimation d'état à un instant k, compte tenu de mesures faites jusqu'à l'instant j; Qk est la covariance de bruit du processus à l'instant k; Rk est la variance de bruit de mesure à l'instant k; Hk est la matrice jacobienne issue de la linéarisation de la fonction non linéaire h(2 k k_/) à l'instant k; et Ak est la matrice jacobienne issue de la linéarisation de la fonction f(z kl k, uk) Considérant maintenant le Fig. 4, il y est illustré un exemple de processus 102 de fonctionnement du système de détection d'anomalie de la Fig. 2. Dans la forme de réalisation illustrée, le processus 102 comprend une estimation de paramètres 104 pour un modèle 106 de réacteur, la prévision de variances résiduelles 108 et le diagnostic d'anomalies 110 du réacteur. En fonctionnement, le modèle 106 de réacteur reçoit des données d'entrée 112 de réacteur issues d'un nombre prédéterminé de vols d'entraînement NT. Normalement, les données d'entrée 112 du réacteur comprennent des données d'entrée de référence de réacteur telles que le débit du carburant, une commande active de jeux, la géométrie variable, l'extraction d'énergie ou des combinaisons de ceux-ci pour les organes du réacteur. En outre, les données d'entrée 112 de réacteur comprennent également des données d'entrée détectées telles que la température, la pression, l'altitude, le nombre de Mach et des combinaisons de ceux-ci. Par ailleurs, le modèle 106 de réacteur estime des données de sortie d'après les données d'entrée 112 de réacteur. Les données de sortie estimées du modèle 106 de réacteur sont ensuite collationnées à partir du nombre prédéterminé NT de vols d'entraînement. Ensuite, les données de sortie générées par le modèle 106 de réacteur sont comparées avec les données de sortie détectées 114 du réacteur, comme représentées par le repère 116. De la sorte, les variances résiduelles 118 sont calculées d'après les données de sortie estimées et les données de sortie détectées 114 du réacteur.

Dans la forme de réalisation illustrée, les variances résiduelles 118 sont fournies à un filtre de suivi 120 pour générer des estimations "individualisées" (c'est-à-dire spécifiques du système) de paramètres pour le réacteur, c'est-à-dire des estimations qui sont adaptées à l'avion et aux équipements particuliers plutôt que pour un parc générique d'avions et d'équipements. Dans la présente forme de réalisation, le filtre de suivi 120 comporte un filtre de Kalman étendu. Le filtre de suivi 120 analyse les variances résiduelles 118 et génèrent les estimations individualisées 122 de paramètres pour réduire les variances résiduelles 118 entre les signaux de sortie produits et les signaux de sortie de réacteur détectés 114.

Les paramètres individualisés estimés 122 du modèle 106 de réacteur sont appliqués à un modèle 124 de réacteur pour la prévision de variances résiduelles.

Dans la forme de réalisation illustrée, les paramètres du modèle 124 de réacteur sont actualisés en fonction des paramètres individualisés 122 pour faire correspondre l'état immédiat du modèle 124 de réacteur avec l'état immédiat du modèle 106 de réacteur. De plus, le modèle 124 de réacteur reçoit des données d'entrée 126 de réacteur à la suite d'un nombre prédéterminé Nr de vols de prévision. Là encore, les données d'entrée 126 de réacteur peuvent comprendre des données d'entrée de référence de réacteur et des données d'entrée détectées, décrites plus haut.

Dans la présente forme de réalisation, le modèle 124 de réacteur génère des données de sortie d'après les données d'entrée 126 de réacteur. On peut citer comme exemples de données de sortie générées la température, la pression, la vitesse du rotor, le rendement, la capacité de débit, la température d'un organe à un autre, etc. De plus, le modèle 124 de réacteur reçoit des données de sortie de réacteur détectées à la suite du nombre prédéterminé Ap de vols de prévision. Ensuite, les données de sortie générées par le modèle 124 de réacteur sont collationnées etcomparées avec les données de sortie de réacteur détectées 128, comme représenté par le repère 130. De la sorte, les variances résiduelles 132 pour le modèle 124 de réacteur sont estimées d'après les données de sortie générées et les données de sortie de réacteur détectées 128. Avantageusement, les variances résiduelles 132 du modèle individualisé 124 de réacteur peuvent servir à diagnostiquer les anomalies du réacteur par l'intermédiaire d'un essai d'hypothèse 134 à multiples modèles.

Dans une configuration actuellement envisagée, les variances résiduelles 132 du modèle individualisé 124 de réacteur sont ensuite comparées avec un ensemble d'anomalies ou de signatures 136 d'anomalies par l'intermédiaire de l'essai d'hypothèse 134 à multiples modèles pour détecter et localiser les anomalies du réacteur. Dans certaines formes de réalisation, des probabilités 138 d'anomalies peuvent être calculées par l'essai d'hypothèse 134 à multiples modèles. Dans certaines autres formes de réalisation, une estimation de gravité des défauts détectés peut être produite. Dans de telles formes de réalisation, l'estimation de gravité est calculée d'après les probabilités 138 d'anomalies et une valeur des signatures d'anomalies. Par ailleurs, les paramètres estimés 122 peuvent servir à produire une tendance, dans le temps, à la détection d'une dégradation anormale des organes du réacteur.

Comme décrit plus haut, les estimations individualisées 122 de paramètres peuvent être produites à partir du nombre prédéterminé de vols d'entraînement NT et les variances résiduelles 132 du modèle 124 de réacteur peuvent être obtenues d'après le nombre prédéterminé Nr de vols de prévision. La Fig. 5 est une représentation schématique de fenêtres d'entraînement et de prévision 140 sur un certain laps de temps pour adapter individuellement le modèle de réacteur par le système de détection d'anomalie de la Fig. 2. Par exemple, les fenêtres pour les vols d'entraînement NT sont représentées par les repères 142, 144 et 146. Dans la forme de réalisation illustrée, un nouvel ensemble de paramètres individualisés est estimé à la fin de chacune des fenêtres d'entraînement 142, 144 et 146. Par ailleurs, chaque ensemble des paramètres individualisés des fenêtres d'entraînement 142, 144 et 146 est appliqué au modèle de réacteur à la fin de chacune des fenêtres d'entraînement 142, 144 et 146 pour adapter individuellement le modèle de réacteur de façon qu'il corresponde à un réacteur particulier, comme illustré par les repères 148-152.

Dans la forme de réalisation illustrée, les paramètres individualisés des fenêtres d'entraînement 142, 144 et 146 sont utilisés par le modèle de réacteur pour prévoir des données de sortie de réacteur dans les fenêtres de prévision désignées par les repères 154, 156 et 158. En outre, pour chacune des fenêtres de prévision 154, 156 et 158, les données de sortie prévues du réacteur sont comparées avec des données de sortie détectées du réacteur pour générer des variables résiduelles. Comme indiqué plus haut, les variables résiduelles peuvent servir en outre à détecter et localiser des anomalies dans le réacteur.

La Fig. 6 représente schématiquement un exemple de système de détection 160 d'anomalies à multiples modèles servant à détecter des anomalies dans un système 162. Dans la présente forme de réalisation, le système 162 comprend un réacteur. Dans la forme de réalisation illustrée, le système de détection 160 d'anomalies à multiples modèles comprend plusieurs filtres Kalman 164 et chacun des filtres Kalman 164 emploie un modèle d'anomalie spécifique. Dans la forme de réalisation illustrée, des mesures 166 (Zk) du système 162 sont collationnées et comparées avec les données de sortie estimées 168 (2 k,/) de la pluralité de filtres Kalman 164, comme indiqué par le repère 170. De la sorte, des variances résiduelles 172 entre les mesures 166 et les données de sortie estimées 168 sont produites, elles peuvent servir à détecter et localiser des anomalies.

Dans la forme de réalisation illustrée, les variances résiduelles 172 générées à partir des différents filtres Kalman 164 sont appliquées à une fonction de densité de probabilités telle qu'une fonction Gaussienne 174 de densité de probabilités pour détecter des anomalies d'après une vraisemblance des variances résiduelles 172.

Dans certaines formes de réalisation, la règle de Bayes 176, ainsi qu'un modèle de Markov masqué (MMM) 178 peuvent être employés pour déterminer des probabilités d'anomalies 180 ((P(fault'i' I z)) d'après les variances résiduelles 172. Dans la forme de réalisation illustrée, une anomalie dans le système 162 peut être détectée d'après les probabilités 180 d'anomalies et d'après des seuils prédéterminés.

Dans la présente forme de réalisation, la probabilité 180 d'anomalies pour chacune des anomalies peut être estimée entre des actualisations à l'aide d'une matrice de transition de probabilité CI,. La probabilité d'une ième anomalie à un instant donné k est estimée d'après les mesures jusqu'à l'instant k-.1 et est donnée par l'équation suivante: P(fJ tk,VkI,Vk-2,...) = Cp. P(t lk_/,Vk-I,Vk-2,...) (4) Où : Cp(i j) est la probabilité de transition de l'anomalie "j" à l'anomalie "i" ; et Vk est l'innovation ou la variance résiduelle à l'instant donné k.

En outre, une vraisemblance de la variance résiduelle Vk pour chaque anomalie f peut être estimée à l'aide d'une distribution Gaussienne, donnée par 20 l'équation suivante: T( {{ D p(Vk I tk, f, Vk-1, Vk-2,...) = e 2 Vk Hk 1 klk-1 Hk + R k)'l Vk (5) \i(27r) "i Hi, 1 Hk + Rk où : Pkii est une covariance d'erreur d'estimation d'état à l'instant k compte tenu de 25 mesures jusqu'à l'instant j; Rk est la variance du bruit des mesures à l'instant k, et Hk est la matrice jacobienne pour la linéarisation de la fonction non linéaire h()^c k k_I) à l'instant k.

En outre, la probabilité de chaque anomalie est déterminée en employant la 30 règle de Bayes. La probabilité d'une ième anomalie à un instant k est estimée d'après toutes les mesures jusqu'à l'instant k et est donnée par l'équation suivante: P(f tk,Vk-I,Vk-2,...) nP(Vk tk,f,Vk-1, Vk_2,...) P(f tk,Vk_1,Vk-,,...) - (6) / = P(Vk tk, f Vk-1 Vk-2,...).P(f tk, Vk-1,Vk- 2) !=1 La Fig. 7 illustre un exemple de processus 182 servant à détecter et localiser des anomalies par le système de détection d'anomalies à multiples modèles de la Fig.6. Le processus 182 commence par une estimation d'innovations ou de variances résiduelles entre les données de sortie estimées et détectées, comme indiqué par l'étape 184. Ensuite, lors de l'étape 186, les variances résiduelles correspondant à chaque anomalie sont répliquées. L'étape de réplication comprend une transformation des variances résiduelles en une structure matricielle similaire à celle des signatures d'anomalies. Lors de l'étape 188, une série d'anomalies ou de signatures d'anomalies pour le modèle de réacteur est transférée dans le système. Par ailleurs, lors de l'étape 190, l'exposant pour la fonction Gaussienne de densité de probabilités (FDP) (cf. équation 5) pour chaque anomalie est estimée pour détecter les anomalies d'après une vraisemblance des variances résiduelles.

Ensuite, lors de l'étape 192, une somme de FDP Gaussiennes est calculées pour un certain nombre d'échantillons au cours d'un laps de temps afin d'estimer un exposant final (Zfault) pour le nombre d'échantillons, comme indiqué par l'étape 194. Lors de l'étape 196, la règle de Bayes peut être appliquée aux variances résiduelles pour déterminer des probabilités d'anomalies pour chacune des anomalies, comme indiqué par l'étape 198. Dans certaines formes de réalisation, le vecteur final de l'exposant (Zfauit) peut être augmenté avec un exposant pour une anomalie inconnue (Zunknown) afin de détecter et de localiser une anomalie ne figurant pas dans la série d'anomalies (étapes 200). Dans une forme de réalisation, l'anomalie inconnue peut servir de seuil pour une anomalie détectée qui ne correspond à aucune des signatures d'anomalies. Ainsi, l'augmentation de l'exposant final avec l'anomalie inconnue facilite une prévision très précise des probabilités d'anomalies. Par ailleurs, la probabilité de survenance de l'anomalie inconnue peut être séparée de la série d'anomalies, comme indiqué par l'étape 202.

Comme évoqué plus haut, la présente technique détecte et localise des anomalies dans le réacteur en analysant les variances résiduelles entre des données de sortie estimées d'un modèle de réacteur et des données de sortie mesurées du réacteur. Il faut souligner que les variances résiduelles estimées peuvent être analysées en temps réel en vol. Selon une autre possibilité, les variances résiduelles estimées peuvent être analysées au sol en un point de diagnostic. Ainsi, des données de paramètres, brutes ou traitées, peuvent être transmises depuis l'avion vers un lieu au sol pour le calcul des paramètres et variances résiduelles dérivés, et pour une analyse des variances résiduelles de la manière décrite plus haut. Cela peut se faire en temps réel, presque en temps réel ou même ultérieurement (par exemple après un vol).

La Fig. 8 illustre un exemple de système de détection 204 d'anomalies pur un réacteur 206 comportant des systèmes de diagnostic 208 et 210 en vol et à distance pour le système de détection d'anomalies de la Fig. 2. Dans la configuration actuellement envisagée, le système de diagnostic 208 en vol comprend un modèle 212 de réacteur et un filtre de suivi 214. De même, le système de diagnostic 210 à distance peut comporter un modèle 216 de réacteur et un filtre de suivi 218. Comme décrit plus haut, les modèles 212 et 216 de réacteurs peuvent comporter un modèle de régime stable ou un modèle de régime transitoire. Par ailleurs, les modèles 212 et 216 de réacteurs peuvent comporter, entre autres, un modèle reposant sur la physique ou un modèle empirique.

En fonctionnement, le réacteur 206 reçoit des données d'entrée de référence 220. On peut citer comme données d'entrée le débit du carburant, une commande active de jeux, une géométrie variable, une extraction de puissance ou des combinaisons de ceux-ci pour des organes du réacteur 206. De plus, les données de référence d'entrée 220 peuvent également comporter des données d'entrée détectées telles que la température, la pression, l'altitude, le nombre de Mach ou des combinaisons de ceux-ci. Par ailleurs, les données d'entrée de référence 220 sont appliquées aux modèles 212 et 216 de réacteur pour les systèmes de diagnostic 208 et 210 en vol et à distance afin de prévoir des données de sortie des modèles 212 et 216 de réacteur d'après les données d'entrée de référence 220. Les filtres de suivi 214 et 218 sont conçus pour analyser les variances résiduelles entre les données de sortie prévues et détectées du réacteur 206 pour générer des estimations 222 de paramètres individualisés pour le réacteur particulier 206.

Dans une première forme de réalisation, le modèle 212 de réacteur du système de diagnostic en vol 208 peut servir à estimer des données de sortie. Ensuite, le filtre de suivi 214 du système de diagnostic en vol peut servir à analyser les variances résiduelles et à générer des estimations de paramètres individualisés 222.

Dans une autre forme de réalisation, le modèle 212 de réacteur du système de diagnostic en vol 208 peut servir à estimer des données de sortie et les variances résiduelles estimées entre les données de sortie estimées et les données de sortie détectées peuvent être analysées au point de diagnostic à distance 210 par l'intermédiaire du filtre de suivi 218. Ainsi, une combinaison des modèles 212 et 216 de réacteur avec les filtres de suivi 214 et 218 peut servir à analyser les variances résiduelles en facilitant de ce fait la détection d'anomalies dans le réacteur 206.

Les paramètres individualisés estimés 222 pour le réacteur particulier 206 sont utilisés pour la détection et la localisation d'anomalies par l'intermédiaire d'un système de détection 224 d'anomalies. Le système de détection 224 d'anomalies analyse les variances résiduelles et détecte des anomalies dans le réacteur 206 en comparant les variances résiduelles avec des signatures d'anomalies par l'intermédiaire d'un module de détection d'anomalies. De plus, d'après les paramètres individualisés estimés 222, une tendance à la dégradation du réacteur 206 peut être générée par l'intermédiaire d'un module de tendance 228 pour détecter une éventuelle dégradation anormale des organes du réacteur 206. Dans la présente forme de réalisation, les paramètres correspondant aux anomalies détectées par le système de détection 224 d'anomalies peuvent être rendus utilisables par un utilisateur par l'intermédiaire d'une sortie 230. De tels paramètres peuvent par exemple être des probabilités d'anomalies et des estimations de gravité pour les anomalies détectées.

Les divers aspects de la technique décrite ci-dessus sont applicables dans des turbomachines, par exemple un réacteur d'avion, une turbine à gaz industrielle et une turbine à vapeur. Comme le comprendront les hommes de l'art, la présente technique constitue un système de détection efficace d'anomalie pour un réacteur d'avion qui personnalise un modèle de réacteur pour l'adapter au réacteur particulier. De plus, la technique donne un mécanisme pour réduire la dispersion des données de sortie de réacteurs de tout un parc de réacteurs et fournit de ce fait une estimation relativement précise de l'état d'un organe de réacteur pour le réacteur particulier au cours d'un laps de temps.

LISTE DES REPERES

Système de détection d'anomalies 12 Réacteur 14 Modèle de réacteur 16 FADEC 18 PLA Asservissement 22 Données d'entrée de référence 24 Variation aléatoire 26 Erreurs de détection 28 Données de sortie de capteur Données de sortie de capteur prévues 32 Somme 34 Variances résiduelles 36 Système de diagnostic d'anomalies Détection d'anomalies à l'aide d'un moyen d'estimation 42 Moyen d'estimation 44 Moyen d'estimation d'état 46 Filtre de suivi Filtre Kalman discret 52 Filtre 54 Système 56-100 Termes dans le filtre Kalman 102 Etapes de détection et de localisation d'anomalies 104 Etapes d'estimation de paramètres 106 Modèle de réacteur 108 Etapes de prévision de variances résiduelles Diagnostic 112 Données d'entrée de réacteur 114 Données de sortie de réacteur 116 Sommation 118 Variances résiduelles Filtre de suivi 122 Estimations de paramètres individualisés 124 Modèle de réacteur 126 Données de sortie de réacteur pour modèle de réacteur 128 Données d'entrée de réacteur pour modèle de réacteur Sommation 132 Variances résiduelles 134 Essai d'hypothèse à multiples modèles 136 Signatures d'anomalies 138 Probabilités d'anomalies Fenêtres d'entraînement pour adapter le modèle de réacteur 142-146 Vols d'entraînement 148-152 Fenêtres d'estimation de paramètres 154-158 Prévision et diagnostic Système de détection d'anomalies à multiples modèles 162 Système 164 Multiples modèles 166 Mesures fournies par le système 168 Données de sortie prévues Sommation 172 Variances résiduelles 174 FDP Gaussienne 176 Règle de Bayes 178 Transitions de probabilités Calcul de probabilités 182 Processus de localisation d'anomalies par l'intermédiaire du système de détection d'anomalies à multiples modèles 184-202 Etapes du processus 204 Système de détection d'anomalies ayant des points sur site et à distance 206 Réacteur 208 Système de détection d'anomalies sur site 210 Système de détection d'anomalies à distance 212 Modèle de réacteur pour système de détection d'anomalies sur site 214 Filtre de suivi pour système de détection d'anomalies sur site 216 Modèle de réacteur pour système de détection d'anomalies à distance 218 Filtre de suivi pour système de détection d'anomalies à distance 220 Données d'entrée de référence pour réacteur 222 Paramètres estimés 224 Module de diagnostic et de tendance d'anomalies 226 Module de diagnostic d'anomalies 228 Module de tendance 230 Données de sortie

Claims (10)

REVENDICATIONS

1. Procédé pour l'analyse, spécifique d'un système, d'un réacteur, comprenant les étapes consistant à : appliquer des données d'entrée de référence (22) au réacteur (12) et à un modèle (14) de réacteur; estimer des données de sortie du modèle (14) de réacteur d'après les données d'entrée de référence (22) ; détecter des données de sortie (28) du réacteur (12) ; analyser des variances résiduelles (34) entre les données de sortie estimées et détectées (28) ; et adapter le modèle (14) de réacteur afin de réduire les variances résiduelles (34) pour un réacteur particulier.

2. Procédé selon la revendication 1, comprenant en outre une étape consistant à détecter les anomalies dans le réacteur (12) d'après les variances résiduelles (34) pour le réacteur particulier (12).

3. Procédé selon la revendication 1, dans lequel l'adaptation particulière du modèle (14) de réacteur comporte une estimation de paramètres à l'aide d'un filtre Kalman étendu (52) et l'application des paramètres estimés au modèle (14) de réacteur.

4. Procédé selon la revendication 3, dans lequel l'application des paramètres estimés au modèle (14) de réacteur consiste à actualiser les paramètres du modèle (14) de réacteur à une largeur de bande suffisamment rapide pour suivre des changements dans le réacteur et suffisamment lente pour éviter de masquer des anomalies survenant dans le réacteur (12).

5. Procédé selon la revendication 3, comprenant des étapes consistant à obtenir un gain d'observateur à partir du filtre Kalman étendu (52) et utiliser le gain d'observateur obtenu pour estimer les paramètres pour le modèle (14) de réacteur.

6. Procédé selon la revendication 1, comprenant en outre une étape consistant à localiser les anomalies dans le réacteur à partir d'une série d'anomalies ou de signatures d'anomalies au moyen d'un essai d'hypothèse (134) à multiples modèles reposant sur les variances résiduelles (132) pour le réacteur particulier.

7. Procédé selon la revendication 6, dans lequel la localisation des anomalies consiste à identifier des anomalies différentes de celles de l'ensemble d'anomalies ou des signatures d'anomalies en ajoutant une anomalie supplémentaire dans la série d'anomalies.

8. Système (10) pour détecter des anomalies dans un réacteur (12), comprenant: un modèle (14) de réacteur conçu pour recevoir des données d'entrée de référence (22) correspondant à des données d'entrée de référence du réacteur et des données détectées (23) et pour estimer des données de sortie d'après les données d'entrée de référence (22) et les données d'entrée détectées (23) ; une pluralité de capteurs conçus pour détecter des données de sortie 10 (28) du réacteur (12) ; et un moyen d'estimation conçu pour adapter individuellement le modèle (14) de réacteur afin de réduire les variances résiduelles entre les données de sortie estimées et détectées.

9. Support lisible par un ordinateur, comprenant un ou plusieurs moyens matériels, le/les supports matériels contenant: un programme permettant d'appliquer des données d'entrée de référence à un réacteur et à un modèle de réacteur; un programme permettant d'estimer des données de sortie du modèle de réacteur d'après les données d'entrée de référence; un programme permettant de détecter des données de sortie du réacteur; un programme permettant d'adapter individuellement le modèle de réacteur afin de réduire des variances résiduelles pour un réacteur particulier; et un programme permettant de détecter et de localiser des anomalies dans le réacteur d'après les variances résiduelles pour le réacteur particulier.

10. Système pour détecter des anomalies dans une turbomachine, comprenant: un moyen pour appliquer des données d'entrée de référence à la turbomachine et à un modèle de turbomachine; un moyen pour estimer des données de sortie du modèle de turbomachine d'après les données d'entrée de référence; un moyen pour détecter des données de sortie de la turbomachine; un moyen pour analyser des variances résiduelles entre les données de sortie estimées et détectées; et un moyen pour adapter individuellement le modèle d'après les variances résiduelles entre les données de sortie estimées et détectées.