FR3133884A1 - Procédé de surveillance de l’état de santé de turbomachine d’aéronef - Google Patents
Procédé de surveillance de l’état de santé de turbomachine d’aéronef Download PDFInfo
- Publication number
- FR3133884A1 FR3133884A1 FR2202754A FR2202754A FR3133884A1 FR 3133884 A1 FR3133884 A1 FR 3133884A1 FR 2202754 A FR2202754 A FR 2202754A FR 2202754 A FR2202754 A FR 2202754A FR 3133884 A1 FR3133884 A1 FR 3133884A1
- Authority
- FR
- France
- Prior art keywords
- turbomachine
- flight
- stabilized
- interest
- transient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012544 monitoring process Methods 0.000 title claims abstract description 10
- 230000036541 health Effects 0.000 title claims abstract description 8
- 230000001052 transient effect Effects 0.000 claims abstract description 80
- 230000010006 flight Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 17
- 230000006399 behavior Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 2
- 238000002485 combustion reaction Methods 0.000 description 10
- 235000021183 entrée Nutrition 0.000 description 9
- 238000012417 linear regression Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 4
- 238000007637 random forest analysis Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/14—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for responsive to other specific conditions
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/81—Modelling or simulation
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/82—Forecasts
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Un aspect de l’invention concerne un procédé de surveillance de l’état de santé de turbomachine d’aéronef pour un vol d'intérêt VI, à partir d'un vecteur consigne de paramètres d'entrée relatifs à la turbomachine d'intérêt en régime stabilisé, le procédé utilisant base de données de valeurs de paramètres d'entrée et de sortie en régime transitoire pour une pluralité de vols dont le vol d'intérêt, et des valeurs de paramètres d'entrées et de sortie en régime stabilisé pour une pluralité de vols à l'exception du vol d'intérêt. Les données transitoires sont utilisées pour estimer un modèle de prédiction transitoire f, le modèle de prédiction transitoire f étant ensuite utilisé, associé aux données stabilisées, afin d'estimer un modèle de prédiction stabilisée HVI de la turbomachine d'intérêt pour le vol d'intérêt et de déterminer le comportement en régime stabilisé de la turbomachine pour le vol d'intérêt. Figure à publier avec l'abrégé : Figure 1 [Fig. 1].
Description
Le domaine technique de l’invention est celui de la surveillance de l’état de turbomachines d'aéronefs.
La présente invention concerne un procédé de surveillance de l’état de santé de turbomachine d’aéronef.
Le "Health monitoring" (de l'anglais surveillance de santé) d'une turbomachine d'aéronef, par exemple un avion ou un hélicoptère, permet de suivre l'état de la turbomachine tout au long de sa vie et d'anticiper un défaut de la turbomachine à partir de données enregistrées durant des vols effectués par l'aéronef comprenant la turbomachine.
Un indicateur classique du health monitoring est le calcul de marges permettant de comparer, pour une valeur souhaitée d'au moins un paramètre d'entrée relatif à la turbomachine, une valeur théorique modélisée d'au moins un paramètre de sortie relatif à la turbomachine avec une valeur réelle dudit paramètre de sortie. Par exemple, pour obtenir une puissance P souhaitée émise par la turbomachine, une température dans la chambre de combustion T0de la turbomachine, modélisée physiquement, est nécessaire en théorie. La température T0est comparée à une température réelle T1dans la chambre de combustion de la turbomachine nécessaire pour obtenir une puissance P émise par la turbomachine. La température réelle T1augmente au fil du cycle de vie de la turbomachine et la différence entre la valeur théorique T0et la valeur réelle T1est une marge étudiée et analysée grâce à des modèles physiques, permettant anticiper par exemple une éventuelle défaillance et surchauffe de la turbomachine. Le calcul de marge peut être réalisé pour plusieurs valeurs de paramètres en entrée (par exemple une vitesse de rotation d'un premier arbre de la turbomachine et une vitesse de rotation d'un deuxième arbre de la turbomachine) et plusieurs valeurs de paramètres en sortie (par exemple la puissance émise par la turbomachine et la température précédemment évoquée de la turbomachine).
Les modèles physiques permettent d'étudier les marges avec des données de paramètres relatifs à la turbomachine enregistrées lors d'un régime stabilisé de la turbomachine. Cependant, il se peut qu'un hélicoptère, qui effectue par exemple des surveillances ou de l'élingage, ne fonctionne peu ou jamais en régime stabilisé durant un vol particulier, ce qui rend le calcul de marges complexe voire impossible.
Afin de pallier le manque de données en régime stabilisé d'une turbomachine d'un hélicoptère, il existe dans l'état de l'art des solutions permettant de surveiller l'état du moteur à partir d'autres indicateurs que les marges.
Une alternative à la solution proposée ci-dessus également connue dans l'état de l'art, repose sur l'estimation, à partir de valeurs de paramètres d'entrées relatifs à la turbomachine en régime transitoire lors d'un vol donné, de valeurs de paramètres de sortie relatifs à la turbomachine en régime stabilisé. La solution permet de transformer deux paramètres relatifs à la turbomachine indépendamment l'un de l'autre afin d'obtenir des valeurs de paramètres de sortie en régime stabilisé pour des paramètres d’entrée donnés. Cependant, la solution proposée fonctionne uniquement pour deux paramètres d'entrée à la fois et chaque paramètre est transformé indépendamment de l'autre pour obtenir un paramètre de sortie en régime stabilisé. De plus, la marge ne peut donc être calculée que sur les paramètres transformés, et non pour n’importe quelle valeur des paramètres d’entrée, ce qui limite encore un calcul de marge pertinent.
Il existe donc un besoin d'estimer le comportement de la turbomachine en régime stabilisé, à partir d'un ou plusieurs paramètres d'entrée relatifs à la turbomachine en régime transitoire, sans considérer les paramètres d'entrées et sorties indépendamment les uns des autres.
L’invention offre une solution aux problèmes évoqués précédemment, en permettant d'estimer plus efficacement le comportement en régime stabilisé d'une turbomachine pour un vol en particulier.
Un aspect de l’invention concerne un procédé de surveillance de l’état de santé d'une turbomachine d'intérêt d’aéronef pour un vol d'intérêt VI de l'aéronef, à partir d'une matrice consigne comprenant au moins une valeur d'au moins un paramètre d'entrée relatif à la turbomachine d'intérêt, le procédé comportant les étapes suivantes :
- Construction d'une base de données d'entrainement comprenant:
- un ensemble dit transitoire T comportant des données transitoires d'apprentissage enregistrées lors d'au moins un instant d'enregistrement vol d'un ou plusieurs vols V d' une turbomachine TM fonctionnant en régime transitoire et du vol d’intérêt VI de la turbomachine d’intérêt TMI;
- un ensemble dit stabilisé S comportant des données stabilisées d'apprentissage enregistrées lors de chaque instant d'enregistrement vol de chaque vol V, à l'exception du vol d'intérêt VI, de chaque turbomachine TM fonctionnant en régime stabilisé ;
- Estimation d'un modèle de prédiction transitoire f sur les données transitoires d'apprentissage de l'ensemble transitoire T;
- Pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt VI, estimation d'un modèle de prédiction stabilisée Hv à partir du modèle de prédiction transitoire f et des données stabilisées d'apprentissage de chaque instant d'enregistrement de vol du vol V, comprises dans l'ensemble stabilisé S;
- Construction d'un modèle de prédiction stabilisée HVI pour le vol d'intérêt VI, à partir d'au moins un modèle de prédiction stabilisée HC estimé pour un vol C, le vol C étant un vol parmi le ou les vols V,
- Estimation d'une matrice d'intérêt YSI représentant le comportement de la turbomachine d'intérêt TMI en régime stabilisé pour le vol d'intérêt VI à partir du modèle de prédiction stabilisée HVI, du modèle de prédiction transitoire f et de la matrice consigne
Par "une turbomachine TM" on entend au moins une turbomachine TM.
Par "paramètre d'entrée relatif à une turbomachine" on entend un paramètre relatif à la turbomachine dont une valeur consigne est souhaitée.
Par " comportement d'une turbomachine en régime stabilisé pour un vol V " on entend l'estimation d'au moins un paramètre de sortie relatif à la turbomachine & de chaque paramètre d'entrée de ladite turbomachine.
Grâce à l’invention, le comportement en régime stabilisé d'une turbomachine d'intérêt, pour n'importe quel vol d'intérêt, peut être estimé à partir de données transitoires et stabilisées relatives à au moins une turbomachine en régime transitoire et stabilisé pour une pluralité de vols, grâce au modèle de prédiction stabilisée HVI. Ainsi, contrairement à l'état de l'art, l'invention ne permet pas seulement de prédire des données de sorties relatives à la turbomachine en régime stabilisé mais un modèle permettant de prédire les données de sorties à partir de n'importe quelle consigne, l'estimation du modèle HVIpermettant donc de calculer des marges en différents points plutôt que d’être contraint à une transformation des variables transitoires et donc de surveiller l'état de la turbomachine pour n'importe quel vol d'intérêt.
Avantageusement, l'invention permet de prendre en compte toutes les données relatives à la turbomachine d’un seul coup plutôt que par paires.
Avantageusement, l'invention permet la construction d’un modèle de prédiction stabilisée HVIqui permet de calculer des marges en différents points plutôt que d’être contraint à une transformation des variables transitoires.
Avantageusement, les données d’apprentissage peuvent être prises sans rapport direct avec le vol d’intérêt.
Outre les caractéristiques qui viennent d’être évoquées dans le paragraphe précédent, le procédé selon un aspect de l’invention peut présenter une ou plusieurs caractéristiques complémentaires parmi les suivantes, considérées individuellement ou selon toutes les combinaisons techniquement possibles :
- les données transitoires d'apprentissage de l'ensemble T sont construites, pour chaque vol V de chaque turbomachine TM, à partir d'un couple (
- la matrice
- la matrice
- la matrice
- les données stabilisées d'apprentissage de l'ensemble S sont construites, pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt, à partir du couple (
- la matrice
- la matrice
- la matrice
- la turbomachine TM est la turbomachine d'intérêt. Ainsi, Parmi les couples de matrices (
- Un vol V de l'ensemble T est le vol d'intérêt VI de la turbomachine d'intérêt et l'ensemble T est en outre construit à partir du couple
- Selon un mode de réalisation, les données transitoires d'apprentissage de l'ensemble T comprennent :
- Une matrice
- Une matrice
- Une matrice
- pour chaque vol V de chaque turbomachine TM de l'ensemble stabilisé S, à l'exception du vol d'intérêt VI de la turbomachine d'intérêt TMI:
- les données stabilisées d'apprentissage de l'ensemble S comprennent le couple
- le modèle de prédiction stabilisée Hv est défini tel que,
- les données stabilisées d'apprentissage de l'ensemble S comprennent le couple
- le modèle de prédiction stabilisée HVIest construit à partir d'au moins le modèle de prédiction stabilisée HCchoisi selon une condition C1. Avantageusement, cette caractéristique de choisir un modèle de prédiction stabilisée HVIle plus pertinent pour le vol d'intérêt VI.
- la condition C1 est :
- La distance entre
- La fonction coût du modèle de prédiction stabilisée HCest minimale; ou
- L'erreur de généralisation du modèle de prédiction stabilisée HCest minimale;
- La distance entre
- le modèle de prédiction f et le modèle de prédiction H sont chacun choisis parmi un réseau de neurones, un arbre de décision, une forêt aléatoire, un séparateur à vastes marges, une régression polynomiale ou une régression linéaire.
- au moins un paramètre d'entrée relatif à une turbomachine est un paramètre de fonctionnement de la turbomachine parmi les suivants :
- Vitesse de rotation d'un premier arbre de la turbomachine ;
- Vitesse de rotation d'un deuxième arbre de la turbomachine ;
- Température d'une chambre de combustion de la turbomachine ;
- Couple délivré par la turbomachine ;
- Tout autre paramètre thermodynamique pertinent
- Température de l'environnement donné ;
- Pression de l'environnement donné.
- Puissance de prélèvement
- Tout autre paramètre influençant le comportement thermodynamique de la turbomachine (par exemple, valve)
- au moins un paramètre de sortie relatif à une turbomachine est un paramètre de fonctionnement de la turbomachine parmi les suivants :
- Vitesse de rotation d'un premier arbre de la turbomachine ;
- Vitesse de rotation d'un deuxième arbre de la turbomachine ;
- Température d'une chambre de combustion de la turbomachine ;
- Couple délivré par la turbomachine ;
- Tout autre paramètre thermodynamique pertinent
- Température de l'environnement donné ;
- Pression de l'environnement donné;
- Puissance de prélèvement;
- Tout autre paramètre influençant le comportement thermodynamique de la turbomachine (par exemple, valve).
Un autre aspect de l’invention concerne un produit programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé selon l'invention.
Un autre aspect de l'invention concerne un support d'enregistrement lisible par ordinateur comprenant des instructions qui, lorsqu'elles sont exécutées par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé selon l'invention.
L’invention et ses différentes applications seront mieux comprises à la lecture de la description qui suit et à l’examen des figures qui l’accompagnent.
Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.
- La
- La
Les figures sont présentées à titre indicatif et nullement limitatif de l’invention.
Un premier aspect de l'invention concerne un procédé de surveillance de l’état de santé d'une turbomachine d'intérêt TMI d'aéronef pour un vol d'intérêt VI, à partir d'une matrice consigne comprenant au moins un paramètre d'entrée relatifs à la turbomachine d'intérêt TMI en régime stabilisé.
L'aéronef est par exemple un avion ou un hélicoptère.
On entend par "turbomachine" un système employant une turbine à gaz, dans laquelle un transfert d'énergie est réalisé entre une partie tournante et un gaz.
Les caractéristiques suivantes sont valables pour tout type de turbomachine dans le cadre de l'invention, y-compris la turbomachine d'intérêt.
Une turbomachine peut comprendre une chambre de combustion, un premier arbre, un deuxième arbre.
On entend par "arbre" un élément mécanique permettant de transmettre une puissance sous forme d'un couple et d'un mouvement de rotation.
Une turbomachine est par exemple un turboréacteur, un turbopropulseur ou de préférence un turbomoteur.
Par "paramètre d'entrée relatif à une turbomachine" on entend un paramètre relatif à la turbomachine dont une valeur consigne est souhaitée.
Un paramètre d'entrée relatif à la turbomachine peut être un paramètre de fonctionnement de la turbomachine parmi les suivants : vitesse de rotation du premier arbre de la turbomachine ; vitesse de rotation du deuxième arbre de la turbomachine ; température de la chambre de combustion de la turbomachine d'intérêt ; et couple délivré par la turbomachine, puissance délivrée par la turbomachine. Le paramètre d'entrée relatif à la turbomachine peut en outre être un paramètre propre à l'environnement extérieur dans lequel est situé l'aéronef comprenant la turbomachine lors d'un vol donné, parmi les paramètres suivants : température de l'environnement extérieur ; pression de l'environnement extérieur. Un paramètre d'entrée relatif à la turbomachine peut également tout paramètre thermodynamique pertinent ou d’environnement pertinent
Par exemple, deux paramètres d'entrées peuvent être choisis parmi les paramètres relatifs à la turbomachine précédemment : une valeur consigne de la puissance délivrée par la turbomachine et une valeur consigne de la vitesse de rotation du premier arbre de la turbomachine peuvent être choisis ou requis.
Un paramètre de sortie de la turbomachine est un paramètre qui est une conséquence d'un ou plusieurs paramètres d’entrées de la turbomachine et de l’état de la turbomachine.
Au moins un paramètre de sortie relatif à la turbomachine d'intérêt peut être un paramètre de fonctionnement de la turbomachine parmi les suivants : la vitesse de rotation du premier arbre de la turbomachine ; la vitesse de rotation du deuxième arbre de la turbomachine ; la température de la chambre de combustion de la turbomachine, couple délivré par la turbomachine et puissance délivrée par la turbomachine.
Par exemple si les paramètres d'entrées sont : la vitesse de rotation du premier arbre de la turbomachine, la vitesse de rotation du deuxième arbre de la turbomachine la température de l'environnement extérieur donné ; la pression de l'environnement extérieur donné, les paramètres de sortie relatifs à la turbomachine peuvent être la température de la chambre de combustion de la turbomachine, et couple délivré par la turbomachine.
Dans la suite de la rédaction, la phrase "paramètres relatifs à la turbomachine" comprend le ou les paramètres d'entrées relatifs à la turbomachine et les paramètres de sortie relatifs à la turbomachine.
Par "régime stabilisé d'une turbomachine " on entend un régime durant lequel les paramètres d'entrées et les paramètres de sorties relatifs à la turbomachine n'évoluent pas ou très peu dans le temps. Un régime stabilisé peut être appelé régime permanent ou régime stationnaire.
Un régime stabilisé d'une turbomachine s'oppose à un régime transitoire d'une turbomachine, durant lequel des paramètres d'entrées et des paramètres de sorties relatifs à la turbomachine évoluent dans le temps.
La matrice consigne est une matrice comprenant au moins une valeur d'au moins un paramètre d'entrée relatif à la turbomachine d'intérêt, chaque valeur pouvant être générée aléatoirement ou choisie. La matrice peut avoir un nombre de lignes supérieur ou égal à 1 et un nombre de colonnes supérieur ou égale à 1. Les coefficients de la matrice sont notés ( i,j)i≥0, j≥0.
La est un schéma synoptique du procédé 100 selon l'invention.
Le procédé 100 peut comprendre une première étape 101 de construction d'une base de données d'entrainement.
L'étape 101 de construction peut comprendre une première sous-étape 1011 de récupération de données D, pour au moins une turbomachine TM, les données D étant enregistrées durant un ou plusieurs instants d'enregistrements de vol durant un vol V ou plusieurs vols V de ladite turbomachine TM.
Selon un mode de réalisation la turbomachine TM est la turbomachine d'intérêt TMI.
Selon un mode de réalisation, les données D comportent des données enregistrées durant un ou plusieurs instants de vol d'une pluralité de vols (V0, …VN)N>0d'une même turbomachine.
Selon un mode de réalisation, les données D comprennent des données enregistrées, pour une pluralité de turbomachines (TM0, …TMK)K>1durant un ou plusieurs instants d'enregistrement de vol d'une pluralité de vols (V0-TM 0, …VN-TM 0, V0-TM K….VP-TMK)P>1d'une pluralité de turbomachines. Pour chaque turbomachine de la pluralité de turbomachine, le nombre d'instants de vols de chaque vol de la pluralité de vols peut être différent ou égal d'un vol à l'autre et/ou d'une turbomachine à l'autre.
Selon un mode de réalisation dans lequel la turbomachine TM est la turbomachine d'intérêt TMI, le vol V effectué par la turbomachine d'intérêt est effectué antérieurement au vol d'intérêt VI.
Selon un mode de réalisation, les données D récupérées comprennent, pour chaque turbomachine TM et pour chaque vol V de la turbomachine TM, des données transitoires enregistrées durant le régime transitoire de la turbomachine TM durant au moins un instant de vol de chaque vol V de la turbomachine TM, le vol V pouvant être le vol d'intérêt VI, et comprennent des données stabilisées enregistrées durant le régime stabilisé de la turbomachine TM durant au moins un instant de vol de chaque vol V, à l'exception du vol d'intérêt VI, de la turbomachine TM.
Selon un mode de réalisation, les données D récupérées comprennent, pour chaque turbomachine TM et pour chaque vol V de la turbomachine TM, des données transitoires enregistrées durant le régime transitoire de la turbomachine TM durant au moins un instant de vol de chaque vol V de la turbomachine TM et durant au moins un instant de vol du vol d'intérêt VI, et comprennent des données stabilisées enregistrées durant le régime stabilisé de la turbomachine TM durant au moins un instant de vol de chaque vol V, à l'exception du vol d'intérêt VI, de la turbomachine TM.
Selon un mode de réalisation, pour chaque turbomachine TM et Pour chaque vol donné V de la turbomachine TM les données transitoires comprennent un couple de matrices (
Selon le mode de réalisation précédent, chaque matrice comprend au moins une ligne et au moins une colonne, chaque ligne correspondant à un paramètre d'entrée de la turbomachine TM, chaque paramètre d'entrée de chaque ligne étant différent des autres paramètres d'entrée des autres lignes , et chaque colonne correspondant à un instant d’enregistrement du vol V lors d'une phase transitoire, chaque instant d'enregistrement de chaque colonne étant différent des autres instants d'enregistrements des autres colonnes.
Soit xT V_ijun coefficient de la matrice xT V_ijétant égal à la valeur du paramètre d’entrée i pour l’instant d’enregistrement j pendant des phases dites transitoires du vol donné V. Les coefficients i et j sont respectivement des entiers naturels supérieurs ou égaux à 0. L'index V représente le vol donné V et l'index T représente le régime transitoire.
Par exemple, pour un vol V d'une turbomachine TM en régime transitoire, pour laquelle les valeurs de p paramètres d'entrée relatifs à la turbomachine TM sont mesurées, p étant un entier supérieur à 0, les valeurs étant mesurées pour l enregistrements d'instants de vols, l étant supérieur à 0, la matrice est la suivante :
Selon le mode de réalisation précédent, chaque matrice , comprend au moins une ligne et au moins une colonne, chaque ligne correspondant aux différents paramètres de sortie de la turbomachine TM en régime transitoire, chaque colonne correspondant aux différents instants d’enregistrement du vol v lors d'une phase transitoire.
Soit yT V_ijun coefficient de la matrice yT V_ijla valeur du paramètre de sortie i pour l’instant d’enregistrement j pendant des phases dites transitoires du vol donné V. Les coefficients i et j sont respectivement des entiers naturels supérieurs ou égaux à 0. L'index V représente le vol donné V et l'index T représente le régime transitoire.
Par exemple, pour un vol V d'une turbomachine TM en régime stabilisé, pour laquelle les valeurs de q paramètres d'entrée relatifs à la turbomachine TM sont mesurées, q étant un entier supérieur à 0, les valeurs étant mesurées pour l enregistrements d'instants de vols, l étant supérieur à 0, la matrice est la suivante :
Pour chaque vol V de la turbomachine TM, les instants d’enregistrement de vol de correspondant aux instants d’enregistrement de .
Selon un mode de réalisation, les données transitoires comprennent, pour chaque vol V de chaque turbomachine TM, les matrices ( )t et ( )t, ( )t étant la transposée de la matrice et ( )Tétant la transposée de la matrice .
Selon un mode de réalisation complémentaire au mode de réalisation précédent, pour chaque turbomachine TM et Pour chaque vol donné V de la turbomachine TM, à l'exception du vol d'intérêt VI de la turbomachine d'intérêt, les données stabilisées comprennent un couple de matrices (
Chaque matrice comprend au moins une ligne et au moins une colonne, chaque ligne correspondant à un paramètre d'entrée de la turbomachine TM, chaque paramètre d'entrée de chaque ligne étant différent des autres paramètres d'entrée des autres lignes , et chaque colonne correspondant à un instant d’enregistrement du vol V en phase stabilisée, chaque instant d'enregistrement de chaque colonne étant différent des autres instants d'enregistrements des autres colonnes.
Soit xS V_ijun coefficient de la matrice xS V_ijétant égal à la valeur du paramètre d’entrée i pour l’instant d’enregistrement j pendant des phases dites stabilisées du vol donné V. Les coefficients i et j sont respectivement des entiers naturels supérieurs ou égaux à 0. L'index V représente le vol donné V et l'index T représente le régime transitoire.
Par exemple, pour un vol V d'une turbomachine TM en régime stabilisé, pour laquelle les valeurs de p paramètres d'entrée relatifs à la turbomachine TM sont mesurées, p étant un entier supérieur à 0, les valeurs étant mesurées pour r enregistrements d'instants de vols, r étant supérieur à 0, la matrice est la suivante :
Chaque matrice , chacune comprenant au moins une colonne et au moins une ligne, chaque ligne correspondant aux différents paramètres de sortie de la turbomachine TM en régime transitoire, chaque colonne correspondant aux différents instants d’enregistrement du vol V.
Soit yS V_ijun coefficient de la matrice yS V_ijla valeur du paramètre de sortie i pour l’instant d’enregistrement j pendant des phases dites transitoires du vol donné V. Les coefficients i et j sont respectivement des entiers naturels supérieurs ou égaux à 0. L'index V représente le vol donné V et l'index T représente le régime transitoire.
Par exemple, pour un vol V d'une turbomachine TM en régime stabilisé, pour laquelle les valeurs de q paramètres d'entrée relatifs à la turbomachine TM sont mesurées, q étant un entier supérieur à 0, les valeurs étant mesurées pour r enregistrements d'instants de vols, r étant supérieur à 0, la matrice est la suivante :
Pour chaque vol V de chaque turbomachine TM, les instants d’enregistrement de vol de correspondant aux instants d’enregistrement de .
Selon le mode de réalisation dans lequel les données D comprennent des données transitoires enregistrées pour la turbomachine d'intérêt TMIdurant au moins un instant de vol du vol d'intérêt VI,lesdites données transitoires comprennent des matrices et .
Selon un mode de réalisation complémentaire avec le mode de réalisation précédent, pour chaque turbomachine TM, et pour chaque vol donné V de la turbomachine TM, la distance entre les matrices et est inférieure à un seuil S1.
Selon un mode de réalisation compatible (mais non exclusif) avec le mode de réalisation précédent, la distance entre les matrices et est inférieure à un seuil S2.
La distance entre les matrices peut être n’importe quelle distance pertinente, par exemple une distance de Manhattan, une distance euclidienne, une distance de Minkowski ou une distance de Tchebychev.
La est un exemple de données récupérées lors des vols suivants : (Vol 0,Vol 1,Vol 2,Vol VI) de la turbomachine d'intérêt.
La première étape 101 du procédé selon l'invention comprend une deuxième sous-étape 1012 de répartition des données D dans deux ensembles : un ensemble dit transitoire T et un ensemble dit stabilisé S. Les données transitoires, pour chaque turbomachine TM et pour chaque vol V de la turbomachine TM sont utilisées pour construire des données d'apprentissage transitoires comprises dans l'ensemble T, et les données stabilisées pour chaque turbomachine TM et pour chaque vol V de la turbomachine TM sont utilisées pour construire des données d'apprentissage stabilisées. sont réparties dans l'ensemble S.
Selon un mode de réalisation, les données d'apprentissage transitoires de l'ensemble T sont construites, pour chaque vol V de chaque turbomachine TM, le vol V pouvant être le vol d'intérêt VI, à partir du couple ( , et les données d'apprentissage transitoires de l'ensemble S sont construites, pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt VI, à partir du couple ( , .
Selon un mode de réalisation complémentaire au mode de réalisation précédent, les données stabilisées d'apprentissage de l'ensemble S comprennent, pour chaque turbomachine TM, et pour chaque vol V, à l'exception du vol d'intérêt VI de la turbomachine d'intérêt, le couple de matrices ( , ),
Selon un mode de réalisation, les données d'apprentissage transitoires de l'ensemble T comprennent un couple de matrices ( construit à partir de chaque couple ( , ) pour chaque vol V de chaque turbomachine TM.
Selon le mode de réalisation précédent, la matrice résulte de la concaténation horizontale de chaque matrice . Ainsi, lorsque les données D comprennent des données transitoires enregistrées pour au moins un enregistrement d'un instant de vol d'une pluralité de vols (V0,…,Vk)k>0, la matrice est de la forme suivante :
Afin de simplifier les notations, chaque vol Vk a été noté k dans la matrice .
Selon le mode de réalisation précédent, la matrice résultant de la concaténation horizontale de chaque matrice .
Ainsi, lorsque les données D comprennent des données transitoires enregistrées pour au moins un enregistrement d'un instant de vol d'une pluralité de vols (V0,…,Vk)k>0, la matrice est de la forme suivante :
Afin de simplifier les notations, chaque vol Vk a été noté k dans la matrice .
Chaque colonne de et représente un même vol V.
Le procédé comprend en outre une deuxième étape d'estimation 102 d'un modèle de prédiction transitoire f sur les données d'apprentissage de l'ensemble transitoire T.
Selon le mode de réalisation, dans lequel les données transitoires d'apprentissage de l'ensemble T comprennent le couple de matrices ( , l'étape d'estimation 102 du modèle de prédiction transitoire f modélise la relation entre la matrice et la matrice tel que f( , f est dit modèle de prédiction transitoire global.
Selon le mode de réalisation précédent, le modèle de prédiction transitoire f peut être un modèle choisi parmi tous les modèles de régression classique, par exemple un réseau de neurones, un arbre de régression, une forêt aléatoire, un séparateur à vastes marges ou une régression linéaire. La régression linéaire peut être une régression polynomiale par exemple.
Selon le mode de réalisation précédent, l'estimation du modèle de prédiction transitoire f est réalisé en minimisant une fonction de coût correspondant à l'erreur entre la donnée de sortie f( fournie par le modèle de prédiction transitoire f et la vraie donnée de sortie souhaitée.
La fonction coût est par exemple l'écart quadratique moyen entre f( et Pour rappel, la matrice peut être égale aux colonnes )V≥1On notera (f(xT V_ij))i≥0, j≥0 V≥0les coefficients de la matrice f( . Ainsi, la fonction coût peut être égale à : .
Le procédé 100 comprend en outre, pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt VI, une étape d'estimation 103 d'un modèle de prédiction stabilisée Hv à partir du modèle de prédiction transitoire f et des données stabilisées d'apprentissage de chaque instant d'enregistrement de vol V, comprises dans l'ensemble stabilisé S.
Selon un premier mode de réalisation, chaque sous-modèle de prédiction stabilisée Hvpour chaque vol V de l'ensemble stabilisé S est estimé indépendamment des autres modèles de prédiction stabilisé.
Chaque modèle de prédiction stabilisée Hvpeut être un modèle choisi parmi tous les modèles de régression classique, par exemple un réseau de neurones, un arbre de régression, une forêt aléatoire, un séparateur à vastes marges ou une régression linéaire. La régression linéaire peut être une régression polynomiale par exemple.
Selon le premier mode de réalisation, l'estimation de chaque modèle de prédiction stabilisée Hvest réalisé en minimisant une fonction de coût correspondant à l'erreur entre la donnée de sortie HV( ) fournie par le modèle de prédiction stabilisée HVet la vraie donnée de sortie souhaitée.
Selon un mode de réalisation compatible avec le premier mode de réalisation précédent , pour l'estimation de chaque modèle de prédiction stabilisée Hv, la fonction coût est par exemple l'écart quadratique moyen entre HV( ) et ..Pour rappel, les coefficients de la matrice sont notés (xT v_ij)i0, j≥0et les coefficients de la matrice sont notés (yT v_ij)i≥0, j≥0.On notera (f(xS V_ij))i≥0, j≥0les coefficients de la matrice fv( ). Ainsi, la fonction coût peut être égale à : .
La minimisation de la fonction coût peut être réalisée grâce à l'algorithme de descente du gradient ou grâce à l'algorithme des moindres carrés ou n’importe quelle méthode d’optimisation de l’état de l’art permettant l'estimation de chaque sous-modèle Hv
Selon un deuxième mode de réalisation, chaque modèle de prédiction stabilisée Hvpour chaque vol V de l'ensemble transitoire S est estimé dépendamment des autres modèles de prédiction stabilisé grâce à une méthode d'apprentissage multi-tâches.
L’apprentissage multi-tâches est un sous-domaine de l’apprentissage automatique permettant de résoudre simultanément plusieurs tâches différentes tout en prenant en compte les dépendances entre les tâches. Un modèle d'apprentissage multi-tâches comprend une partie commune à chaque tâche et une partie propre à chaque tâche. L’apprentissage multitâche permet d'améliorer l’apprentissage d’un modèle particulier en utilisant les caractéristiques comprises dans toutes les tâches. Ainsi, selon le deuxième mode de réalisation, pour chaque vol V de chaque turbomachine TM, chaque sous-modèle de prédiction HVest égal à o hV,la fonction étant commune à chaque modèle HVet la fonction fv étant propre à chaque sous-modèle fv.
Le modèle d'apprentissage multitâche peut être un modèle choisi parmi un réseau de neurones, un arbre de régression, une forêt aléatoire, un séparateur à vastes marges ou une régression linéaire.
Par exemple, Chaque modèle de prédiction HVpeut être associé à un ensemble de paramètres d'entrainement, dont une partie est commune à tous les autres sous-modèles de prédiction, et une partie propre audit modèle.
Ce deuxième mode de réalisation est avantageux car il permet diminution de la fonction coût permettant l'estimation de chaque modèle de prédiction stabilisée HVdans le cas où les données stabilisées de l'ensemble S sont bruitées ou peu nombreuses.
Le procédé 100 comprend en outre une étape de construction 104 d'un modèle de prédiction stabilisée HVIpour le vol d'intérêt VI, à partir d'au moins un modèle de prédiction stabilisée HV,
Selon un mode de réalisation, le modèle de prédiction stabilisée HVIest construit à partir d'au moins un modèle de prédiction stabilisé HCchoisi ,le modèle de prédiction HCétant estimé à l'étape 103 pour un vol C, le vol C étant choisi parmi une pluralité de vols V lorsqu'il y a plusieurs vol V, et étant le vol V lorsqu'il n'y a qu'un vol V . Le modèle de prédiction stabilisée HCest choisi selon une condition C1.
Le modèle de prédiction stabilisée HVIpeut être construit à partir d'un modèle de prédiction HC choisi tel que HVIpeut être proportionnel ou égal au modèle de prédiction stabilisée HC .
Selon un mode de réalisation dans lequel les données d'apprentissage transitoires comprises dans l'ensemble T sont construites à partir d'une pluralité de couples de matrices ( , pour chaque vol V, dont le couple ( , correspondant au vol C, et à partir du couple de matrices ( , , la condition C1 permettant de choisir un le modèle de prédiction HC pour construire le modèle HVIpeut être une condition sur la distance entre les matrices et .
Par exemple, la distance entre les matrices et est inférieure à un seuil S3, S3 étant par exemple un réel positif ou nul.
Par exemple, la distance entre les matrices et est minimale par rapport aux distances respectives entre chaque matrice pour chaque vol V et la matrice .
Selon un mode de réalisation dans lequel les données d'apprentissage stabilisées comprises dans l'ensemble S sont construites à partir d'une pluralité de couples de matrices ( , pour chaque vol V, dont le couple ( , correspondant au vol C, la condition C1 permettant de choisir le modèle de prédiction stabilisée HC pour construire le modèle HVIpeut être une condition sur la fonction coût minimisant, pour le vol C, l'écart entre la matrice Hv(f( et la matrice . La condition C1 peut être par exemple : le modèle de prédiction stabilisée HCchoisi est le modèle ayant la fonction de coût minimale par rapport aux autres fonctions coûts de chaque modèle de prédiction stabilisée HVpour chaque vol V de chaque turbomachine TM de l'ensemble stabilisé S.
Selon un mode de réalisation dans lequel les données d'apprentissage stabilisées comprises dans l'ensemble S sont construites à partir de plusieurs couples de matrices, par exemple l'ensemble des couples de matrices suivants (( , ,1< V , N étant un entier strictement supérieur à 1, et selon lequel des modèles de prédiction stabilisées (HV)1< V ont été estimés à l'étape 103 du procédé 100 , le modèle de prédiction stabilisée HVIpeut être construit à partir d'une moyenne pondérée de k modèles de prédiction stabilisé parmi les N modèles de prédiction stabilisées (HV)1< V , k étant un entier compris entre 1 et N, la condition C1 étant sur le nombre de k, par exemple les k modèles de prédiction stabilisées parmi l'ensemble de N modèles de prédiction stabilisées (HV)1< V ayant les k fonctions coûts les plus petites parmi les N fonctions coût.
Selon un mode de réalisation dans lequel les données d'apprentissage stabilisées comprises dans l'ensemble S sont construites à partir d'une pluralité de couples de matrices ( , pour chaque vol V, dont le couple ( , correspondant au vol C, la condition C1 permettant de choisir le modèle de prédiction stabilisée HCpour construire le modèle HVIpeut être une condition sur l'erreur de généralisation du modèle HCsur les données comprises dans l'ensemble S à l'exception des données concernant le vol C.
On entend par "erreur de généralisation d'un modèle " la capacité du modèle à pouvoir effectuer des prédictions robustes sur des nouvelles données, non utilisées lors de l'apprentissage.
Selon le mode de réalisation précédent, la condition C1 peut être par exemple : le modèle de prédiction stabilisée HCchoisi est le modèle ayant l'erreur de généralisation minimale par rapport aux autres erreurs de généralisations respectives de chaque modèle de prédiction stabilisée HVpour chaque vol V de chaque turbomachine TM de l'ensemble stabilisé S.
Selon un mode de réalisation dans lequel les données d'apprentissage stabilisées comprises dans l'ensemble S sont construites à partir de plusieurs couples de matrices, par exemple l'ensemble des couples de matrices suivants (( , ,1< V , N étant un entier strictement supérieur à 1, et selon lequel des modèles de prédiction stabilisées (HV)1< V ont été estimés à l'étape 103 du procédé 100 , le modèle de prédiction stabilisée HVIpeut être construit à partir d'une moyenne pondérée de k modèles de prédiction stabilisé parmi les N modèles de prédiction stabilisées (HV)1< V , k étant un entier compris entre 1 et N, la condition C1 étant sur le nombre de k, par exemple les k modèles de prédiction stabilisées parmi l'ensemble de N modèles de prédiction stabilisées (HV)1< V ayant les k erreurs de généralisation les plus petites parmi les N erreurs de généralisations.
Le procédé 100 comprend une étape d'estimation 105 d'une matrice YSI,de valeurs de paramètres de sortie relatifs à la turbomachine d'intérêt pour au moins un instant de vol du le vol d'intérêt en fonction du modèle HVIassocié au vecteur à la matrice et au modèle de prédiction transitoire f.
Selon un mode de réalisation, la matrice YSIest définie telle que YSI =HVI( f( ), ).
La matrice YSIcorrespond au comportement en régime stabilisé de la turbomachine d'intérêt pour le vol d'intérêt.
Le procédé 100 peut comprendre en outre une étape 106 calcul de marge, la marge étant proportionnelle à la différence entre la matrice d'intérêt YSI et une matrice , la matrice étant la sortie d’un modèle physique représentatif du pire cas pour l’entrée .Ainsi, selon un mode de réalisation, , le calcul de marge s’effectue tel que : .
La surveillance de l'état de la turbomachine d'intérêt peut être réalisée grâce au calcul de marge.
Claims (10)
- Procédé (100) de surveillance de l’état de santé d'une turbomachine d'intérêt d’aéronef pour un vol d'intérêt VI de l'aéronef, à partir d'une matrice consigne
- Construction (101) d'une base de données d'entrainement comprenant:
- un ensemble dit transitoire T comportant des données transitoires d'apprentissage enregistrées lors d'au moins un instant d'enregistrement d'un ou plusieurs vols V d'une turbomachine TM fonctionnant en régime transitoire et du vol d'intérêt VI de la turbomachine d'intérêt TMI fonctionnant en régime transitoire,
- un ensemble dit stabilisé S comportant des données stabilisées d'apprentissage enregistrées lors de chaque instant d'enregistrement vol de chaque vol V, à l'exception du vol d'intérêt VI, de chaque turbomachine TM fonctionnant en régime stabilisé ;
- Estimation (102) d'un modèle de prédiction transitoire f sur les données transitoires d'apprentissage de l'ensemble transitoire T;
- Pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt VI, estimation (103) d'un modèle de prédiction stabilisée Hv à partir du modèle de prédiction transitoire f et des données stabilisées d'apprentissage de chaque instant d'enregistrement de vol du vol V, comprises dans l'ensemble stabilisé S;
- Construction (104) d'un modèle de prédiction stabilisée HVI pour le vol d'intérêt VI, à partir d'au moins un modèle de prédiction stabilisée HC estimé pour un vol C, le vol C étant un vol parmi le ou les vols V;
- Estimation (105) d'une matrice d'intérêt YSI représentant le comportement de la turbomachine d'intérêt TMI en régime stabilisé pour le vol d'intérêt VI à partir du modèle de prédiction stabilisée HVI, du modèle de prédiction transitoire f et de la matrice consigne
- Construction (101) d'une base de données d'entrainement comprenant:
- Procédé (100) selon l'une quelconque des revendications précédentes selon lequel la turbomachine TM est la turbomachine d'intérêt .
- Procédé (100) selon l'une quelconques des revendications précédentes selon lequel :
- les données transitoires d'apprentissage de l'ensemble T sont construites, pour chaque vol V de chaque turbomachine TM, à partir d'un couple (
- la matrice
- la matrice
- la matrice
- les données stabilisées d'apprentissage de l'ensemble S sont construites, pour chaque vol V de chaque turbomachine TM, à l'exception du vol d'intérêt, à partir du couple (
- la matrice
- la matrice
- la matrice
- les données transitoires d'apprentissage de l'ensemble T sont construites, pour chaque vol V de chaque turbomachine TM, à partir d'un couple (
- Procédé (100) selon les revendications 2 et 3 selon lequel, pour le vol d'intérêt VI, l'ensemble T est construit à partir du couple
- Procédé (100) selon la revendication 3 selon lequel les données transitoires d'apprentissage de l'ensemble T comprennent :
- Une matrice
- Une matrice
- Une matrice
- Procédé (100) selon la revendication 3 selon lequel, pour chaque vol V de chaque turbomachine TM de l'ensemble stabilisé S, à l'exception du vol d'intérêt VI de la turbomachine d'intérêt TMI :
- les données stabilisées d'apprentissage de l'ensemble S comprennent le couple
- le modèle de prédiction stabilisée Hv est défini tel que, Hv(f(
- les données stabilisées d'apprentissage de l'ensemble S comprennent le couple
- Procédé (100) selon l'une quelconque des revendications précédentes selon lequel le modèle de prédiction stabilisée HVIest construit à partir d'au moins le modèle de prédiction stabilisée HCchoisi selon une condition C1.
- Procédé (100) selon la revendication 4 selon lequel le modèle de prédiction stabilisée HVIest construit à partir d'au moins le modèle de prédiction stabilisée HCchoisi selon une condition C1, la condition C1 étant :
- La distance entre
- La fonction coût du modèle de prédiction stabilisée HCest minimale; ou
- L'erreur de généralisation du modèle de prédiction stabilisée HCest minimale.
- La distance entre
- Procédé (100) selon l'une quelconque des revendications précédentes comportant une étape de calcul de marge (106), la marge étant proportionnelle à la différence entre la matrice d'intérêt YSIet une matrice
- Produit (100) programme d'ordinateur comprenant des instructions qui, lorsque le programme est exécuté par un ordinateur, conduisent celui-ci à mettre en œuvre le procédé (100) selon l'une quelconque des revendications précédentes.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2202754A FR3133884A1 (fr) | 2022-03-28 | 2022-03-28 | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2202754 | 2022-03-28 | ||
| FR2202754A FR3133884A1 (fr) | 2022-03-28 | 2022-03-28 | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3133884A1 true FR3133884A1 (fr) | 2023-09-29 |
Family
ID=83188979
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2202754A Pending FR3133884A1 (fr) | 2022-03-28 | 2022-03-28 | Procédé de surveillance de l’état de santé de turbomachine d’aéronef |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3133884A1 (fr) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080154823A1 (en) * | 2006-09-29 | 2008-06-26 | United Technologies Corporation | Empirical tuning of an on board real-time gas turbine engine model |
| FR3095424A1 (fr) * | 2019-04-23 | 2020-10-30 | Safran | Système et procédé de surveillance d’un moteur d’aéronef |
-
2022
- 2022-03-28 FR FR2202754A patent/FR3133884A1/fr active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080154823A1 (en) * | 2006-09-29 | 2008-06-26 | United Technologies Corporation | Empirical tuning of an on board real-time gas turbine engine model |
| FR3095424A1 (fr) * | 2019-04-23 | 2020-10-30 | Safran | Système et procédé de surveillance d’un moteur d’aéronef |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2630548B1 (fr) | Procédé et dispositif de surveillance d'une boucle d'asservissement d'un système d'actionnement de géométries variables d'un turboréacteur | |
| CA2746537C (fr) | Standardisation de donnees utilisees pour la surveillance d'un moteur d'aeronef | |
| EP2368161B1 (fr) | Detection d'anomalie dans un moteur d'aeronef | |
| Barad et al. | Neural network approach for a combined performance and mechanical health monitoring of a gas turbine engine | |
| FR2883330A1 (fr) | Systeme et procede pour analyse specifique de systeme d'une turbomachine | |
| FR2888007A1 (fr) | Procede et systeme pour la classification et le diagnostic hierarchises d'anomalies dans de grands systemes | |
| WO2015052408A1 (fr) | Surveillance d'un moteur d'aéronef pour anticiper les opérations de maintenance | |
| CA2914819C (fr) | Procedes de creation d'une base de donnees et d'elaboration d'une carte d'etats de fonctionnement d'aeronefs, et un procede de surveillance du fonctionnement d'un aeronef associe | |
| FR2793845A1 (fr) | Procede et dispositif d'evaluation de la sante d'un moteur | |
| FR2939924A1 (fr) | Identification de defaillances dans un moteur d'aeronef | |
| FR2972025A1 (fr) | Prevision d'operations de maintenance sur un moteur d'aeronef | |
| CA2943397A1 (fr) | Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef | |
| WO2020217004A1 (fr) | Système et procédé de surveillance d'un moteur d'aéronef | |
| WO2016075409A1 (fr) | Procédé de surveillance d'un moteur d'aéronef en fonctionnement dans un environnement donné | |
| FR2997451A1 (fr) | Systeme de surveillance d'un ensemble de composants moteur | |
| FR3035232A1 (fr) | Systeme de surveillance de l'etat de sante d'un moteur et procede de configuration associe | |
| FR2971870A1 (fr) | Methode de detection de pannes d'une turbomachine au moyen d'un modele theorique du cycle thermodynamique de ladite turbomachine | |
| FR3070761B1 (fr) | Procede et dispositif de mesure d'une marge de poussee d'une turbomachine | |
| FR3133884A1 (fr) | Procédé de surveillance de l’état de santé de turbomachine d’aéronef | |
| FR3133885A1 (fr) | Procédé de surveillance de l’état de santé de turbomachine d’aéronef | |
| FR3026785B1 (fr) | Surveillance d'un ensemble du systeme propulsif d'un aeronef | |
| FR3029239A1 (fr) | Procede de surveillance du fonctionnement d'une turbomachine | |
| Green et al. | Overview of digital asset management for industrial gas turbine applications | |
| US10503158B2 (en) | System and method for reconstructing and augmenting high frequency data | |
| WO2022096354A1 (fr) | Procédé de détermination de défaut d'un rendement d'un module d'un turbomoteur d'un aéronef |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230929 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |