JP2004150439A - 故障事象を判定する方法 - Google Patents

Abstract

【課題】 偶発的な故障事象を分離し、判定するための方法を提供する。
【解決手段】 複数のパラメーター測定値を受け取り、単一故障の分離を実施して事象発起点と事象検知点と事象終息点を規定し、多重故障の分離を実施してブラックアウト期間以前と以後の複数のパラメーター測定値の傾向線を規定し、潜在期間のパラメーター測定値を再処理し、ブラックアウト期間のパラメーター測定値を処理し、再処理されたパラメーター測定値からモデルＩＣを計算し、複数の単一故障ベクトルを計算し、各々の単一故障ベクトルについて推定値を計算し、各単一故障ベクトルの正規化誤差を計算し、各単一故障ベクトルの極性誤差項を計算し、正規化誤差が最も小さい単一故障ベクトルを選択する、各ステップと、を有する。
【選択図】 図３

Description

本発明は偶発的な故障事象を分離および判定するための方法に関する。より具体的には、本発明はエンジンシステムにおいて単一故障の分離および検知を行い、また二重故障が警告される場合は二重故障の分離および検知を行うための方法に関するものである。

ガスタービンの性能診断の最終目的はエンジンモジュールの性能、エンジンシステムの機能不良、および計装上の問題を、エンジンのガス通路にわたって取られたパラメーター計測値の情報から正確に検知し、分離し、かつ評価することである。エンジン速度、温度、圧力、燃料流量等の識別し得る変動は、推定参照（公称）状態からエンジン作動の内在する変動を判定するのに必要な情報を提供する。上述のエンジン性能変化は、２つの類型、すなわちａ）漸進的（長期的）劣化、またはｂ）急速な（短期的）劣化、のいずれかを取って現れる。

一連のパラメーター計測値から短期的な、単一故障状態の兆候を検知するための様々な技術が存在する。このような短期的な異常は通常、エンジンまたはモジュール構成部品の長期的な劣化が漸進的な性能低下として現れる相対的平衡状態の期間の間に位置する。これに加えて、希なケースではあるが、このような短期的異常は２つの構成部品がほぼ同時に機能不良になる二重故障状態の結果として起こる。単一または二重故障状態の原因を正確に判定するためには、故障状態以前、途中、および以後に記録された測定データを、後続の故障判定に使えるように、その性質について正確に判定する必要がある。さらにこのような測定データを分析して内在する故障状態の正確な判定を提供するための方法論が求められている。

従って本発明の目的は、偶発的な故障事象を分離し、判定するための方法を提供することにある。

本発明によれば、故障事象を判定ないし特定する方法は、複数のパラメーター測定値を受領する（受け取る）ステップと、単一故障の分離を実施して、複数のパラメーター測定値のひとつを事象発起点として、複数のパラメーター測定値のひとつを事象検知点として、またパラメーター測定値のひとつを事象終息点として規定するステップであり、潜在期間は事象発起点から事象検知点まで延びており（亘っており）、ブラックアウト期間は事象発起点から事象終息点まで延びており（亘っており）、ステップと、多重故障の分離を実施して、ブラックアウト期間以前およびブラックアウト期間以後の複数のパラメーター測定値について第一の傾向線を規定するステップと、潜在期間におけるパラメーター測定値を再処理するステップと、ブラックアウト期間におけるパラメーター測定値を処理するステップと、モデル傾向係数（ＩＣ）のセットを導入して分析中のパワー設定に内挿するステップと、複数の単一故障ベクトルを計算するステップと、各々の単一故障ベクトルについて推定値を計算するステップと、各々の複数の単一故障ベクトルについて正規化誤差を計算するステップと、各々の複数の単一故障ベクトルについて極性誤差項を計算するステップと、計算された正規化誤差が最も小さい単一故障ベクトルを選択するステップと、を有する。

本発明によれば、故障事象を判定する方法は、複数のパラメーター測定値を受領するステップと、単一故障の分離を実施して、複数のパラメーター測定値のひとつを事象発起点として、複数のパラメーター測定値のひとつを事象検知点として、またパラメーター測定値のひとつを事象終息点として規定するステップであり、潜在期間は事象発起点から事象検知点まで延びており、ブラックアウト期間は事象発起点から事象終息点まで延びている、ステップと、多重故障の分離を実施して、ブラックアウト期間以前およびブラックアウト期間以後の複数のパラメーター測定値について第一の傾向線を規定するステップと、潜在期間におけるパラメーター測定値を再処理するステップと、ブラックアウト期間におけるパラメーター測定値を処理するステップと、エンジンの空気−熱的モデルシミュレーションから影響係数（ＩＣ）のマトリックスを計算するステップと、複数の単一故障ベクトルを計算するステップと、各々の単一故障ベクトルについて推定値を計算するステップと、各々の複数の単一故障ベクトルについて正規化誤差を計算するステップと、各々の複数の単一故障ベクトルについて極性誤差項を計算するステップと、さらに、二重故障の計算が必要かどうか決定するステップと、複数の二重故障ベクトルを計算するステップと、各々の複数の二重故障ベクトルについて推定値を計算するステップと、各々の複数の二重故障ベクトルについて正規化誤差を計算するステップと、各々の複数の二重故障ベクトルについて極性誤差項を計算するステップと、各々の複数の単一故障ベクトルについての最小の正規化誤差と各々の複数の二重故障ベクトルについての最小の正規化誤差とを有するステップと、を有する。

本発明は、システム中に故障事象が検知された場合において、短期的劣化を分離することを目的とするものである。以下においてエンジンのガス通路を例にとって説明されるが、本発明は、計測および数値化され得る複数の相互的に作動するサブシステムまたはモジュールからなる任意のシステムを広く包含するように意図したものである。

検知の問題はガス通路のパラメーターまたはパラメーター集合体における段階または速度の変化を認識することである。エンジンの性能事象、または故障事象を、計測されたエンジンパラメーターのセットにおいて変動（または急速な変化）がある離散時間ｋに起こったことを検知することによって検知する方法は業界によく知られている。

ここに用いられる用語では、ガスタービンシステムの性能におけるａ）漸進的劣化およびｂ）急速な（偶発的）劣化を推定する問題を取り扱うアルゴリズムは、それぞれ、ＭＦＩ（多数故障分離）およびＳＦＩ（単一故障分離）と呼ばれる。前者は全てのエンジン構成部品（その性能変動は推定される）が徐々に劣化することを意味し、後者は限定的なもの（concession）、すなわち急速な傾向変動は大抵は単一の（おそらくは２つの）部品が悪くなっていることに起因することを意味する。以下においてより詳細に説明される本発明の方法論によって、エンジンのサブシステムの急速な劣化に起因する単一または二重故障を分離および判定することが可能になる。

検知プロセスにとって、一定の潜在期間を認識することは有利である。ｋ_{ｓｔａｒｔ}およびｋ_{ｄｅｔｅｃｔ}によってそれぞれ偶発事象の発起および検知の（離散）時間を表すならば、ｋ_{ｓｔａｒｔ}≠ｋ_{ｄｅｔｅｃｔ}は一般に正しい。その理由は、一個のデータ点に基づいて事象検知を断定することは、その点が統計的異常値であるかも知れないので、慎重性に欠けるからである。従って本発明においては、ＭＦＩおよびＳＦＩ処理の両方を支援するものとして潜在期間の概念が組み込まれている。検知時間ｋ_{ｄｅｔｅｃｔ}を確認することに加えて、事象がいつ終息、または、安定化したかを知ることも重要である。この時間はｋ_ｅｎｄで表され、計測されたパラメーターを監視する傾向検知アルゴリズムはｋ_{ｓｔａｒｔ}と併せてこの時間を推定する。本明細書において使用される「ブラックアウト期間」とは、検知された事象の発起点と終息点との間の期間である。

図１を参照すれば、任意の測定値パラメーターΔの仮定上の傾向に関する長期的劣化１１および短期的劣化１３がグラフに表されている。測定値パラメーターΔは、好ましくは、現在の測定値と公称ベースライン状態を表す参照パラメーター値との間の百分率またはその他の測定された変化である。２つの長期的劣化期間１１について傾向線１５が計算されていることに注目すべきである。傾向線１５は、好ましくは、パラメーターの測定値における劣化の漸進変化率を得る線形回帰から得られた最適線であるが、移動平均または指数平均で表されてもよい。

図２を参照すれば、短期的事象のグラフ表現が示されており、発起時間２１（ｋ_{ｓｔａｒｔ}）、検知時間２３（ｋ_{ｄｅｔｅｃｔ}）、および終息時間２５（ｋ_ｅｎｄ）が潜在期間２７およびブラックアウト期間２９を規定している。

このような例示的なシナリオにおいて、処理（故障の検知および分離）はそれぞれの離散時間点において行われる。デフォールトの分離プロセスはＭＦＩ（多数故障分離）になっており、監視されているモジュールおよびセンサーにおける（参照値に関する）性能変化は時間ｋにおける測定値パラメーターの変化（すなわち参照値からのΔｓ）の集合から推定される。

好ましいＭＦＩ法の例としては、カルマンフィルターを用いる統計に基づく応用、および人工的ニューラルネットワークを用いる方法が挙げられるが、これらに限定されない。

同様に、好ましいＳＦＩ法の例としては、統計的方法および人工的ニューラルネットワークを組み込んだ方法が挙げられるが、これらに限定されない。

本発明のアルゴリズムは、以下により詳細に述べるように複数の特性を有する。アルゴリズムは偶発的な事象の検知における自然な潜在性を考慮に入れ、これに対応しており、これによって同時に起こるＭＦＩ処理の影響を軽減している。アルゴリズムは自動的に単一および二重故障事象に対応する。アルゴリズムは任意の測定値のセットまたはサブセットに自動的に対応し、また予め規定された故障の任意のセットに対応する。

図２に示されるように、ＳＦＩは偶発的変化、すなわち測定値パラメーターΔΔｓを取り扱う。これは事象の初期からの性能ΔΔを提供する。この場合の参照値は離散時間ｋ_{ｓｔａｒｔ} −１において性能がどうだったか、である。これが長期的（漸進的）劣化から短期的（事象）劣化を区別する。

短期的事象分離プロセスを説明するために、以下の記号を導入する。

これらの評価を協調させるには、図３に図示されるプロセスに従う必要がある。このプロセスへの入力は次のものである。

測定値Δ平均は好ましくは指数平均を用いて計算される。指数平均は、再帰的であり、メモリーの所要量が最も少ない。ローリング平均と同様に、この形式の平均は時間にわたるパラメーターの傾向に追随する。これは次のように計算される。

上記式において、（あらかじめ選択された）定数αは過去の平均および現在のデータ点に対する重み付けのレベルを提供する。

ΔΔ_ｋの計算は、事象発起の直前、すなわち離散時間ｋ_{ｓｔａｒｔ}−１における平均レベルに関して行われる。計算はブラックアウト期間２９全体に対してあてはまるが、再処理された潜在期間２７に対しては異なる。潜在期間２７においては、線形時間回帰が実行され、ΔΔ_ｋ値はこの回帰線と平均レベル（事象以前の）との差として計算される。これについては以下に概略説明する。

ｎ_{ｌａｔｅｎｃｙ}＝潜在期間中の点の数とすれば、潜在期間内の回帰係数は以下のように計算される。

潜在期間中の各点について、ΔΔ値は以下のように計算される。

これが検知された事象の発起、および検知の時間からの測定値情報の再処理の内訳である。検知の時点以後の時間点（ｋ＞ｋ_{ｄｅｔｅｃｔ}）においては、ΔΔ_ｋ値は現在の測定値Δと平均レベル（事象以前の）との差として計算される。すなわち、

これらのステップに続いて、ブラックアウト期間２９（すなわちｋ_{ｓｔａｒｔ}≦ｋ≦ｋ_ｅｎｄ）内の現在の時間ｋにおけるΔΔ_ｋベクトル量が得られる。これは計測値Δ空間において潜在する事象故障Δｘ_ｋ ^{（ＳＦＩ）}を表すシグニチャーを与える。

ブラックアウト期間２９内の再処理によって、性能Δｘ_ｋ ^{（ＳＦＩ）}の事象に起因する増加傾向の変化を計算するのに別の方法を用いることが可能になる。この値は次いで既知の（推定された）性能状態Ｘ_{ｋｓｔａｒｔ−１}に加算され、より正確な推定値を形成する。すなわち、

これによって故障の数が測定値の数より多い、すなわちｎ＞ｍである、過小判定されたシステムについての推定プロセスにおける「故障の不鮮明さ」の問題が緩和される。

増加傾向の性能要素

の推定が図４〜８に図示されている。図４は、マトリックスＨｅ（エンジンＩＣｓ）およびＨｓ（センサーＩＣｓ）で表される特定のモデル影響係数（ＩＣｓ）を計算するために実行される各ステップを図示している。これらのマトリックスは性能故障パラメーターにおける点変化の百分率を、計測された（観察された）パラメーターの点変化の百分率に関係させる偏導関数からなっており、この種の性能診断モデル化に一般に用いられる。マトリックスＰ_０は、いわゆる状態共分散マトリックスであり、これはカルマンフィルターの一般的な設計パラメーターである。図５は、各々の単一故障推定値に関連する正規化誤差を計算し、極性誤差項を発生させるプロセスステップを図示している。図６は、極性誤差項を処理して、計算された誤差が最小である故障推定を選択するプロセスステップを図示している。さらに、二重故障を試験するかどうかの決定がなされる。二重故障が警告される場合は、図７は可能性ある二重故障それぞれについて正規化誤差および極性誤差項を計算するプロセスステップを図示している。最後に、二重故障検知が警告される場合は、図８は単一故障または二重故障状態の発生を結論するかどうかを決定するプロセスステップを図示している。

測定値の非反復性のＳベクトルは、その成分として、関連するセンサーから期待される精度誤差の１−標準偏差を含む。最後の三つの成分は、エンジン入口の圧力および温度（それぞれＰ_２およびＴ_２）、および目標パワー設定パラメーター（エンジン型式によって変わる）における精度誤差の１−標準偏差である。

極性ベクトルはｎ×１ベクトルであり、その成分は−１、０、または＋１の値を有する。注釈すれば、

図４〜８に現れる論理において極性ベクトルを用いることによって、それらを大きな誤差と割り当てることによって合理的とみなされるものとは正反対の評価を受けるような事象評価を無視することができるようになる。例えばエンジンモジュールの性能は時間とともに低下（負の値）するのに対して、センサーの誤差は正の値も負の値もあり得る。
この論理の２つの他のベクトルによって、システムは異なるエンジンシステムに自動的に適応できるようになる。これらは計測値形態ベクトル（Ｍｃ）および単一事象形態ベクトルＳＦｃの形を取る。これらは次のように定義される。

本発明によれば、エンジンシステムにおいて単一故障の分離および検知を行う方法が提供されたことは明らかである。上記では本発明をその特定の実施例に関して説明したが、上記記載から当業者にはその他の代替、改良、および変形は自明である。よって、添付の請求項目の広い範囲はこれら代替、改良、および変形を包含するように意図されている。

仮定上のパラメーター測定値の長期的および短期的劣化を示す説明図である。 単一故障状態に関連する潜在期間およびブラックアウト期間を示す説明図である。 潜在期間のデータ点の再処理を含んで実行される本発明の各ステップを示す論理図である。 特定のモデルＩＣを計算するために実行される本発明の各ステップを示す論理図である。 各々の単一故障推定値について関連する正規化誤差および発生した極性誤差項を計算する本発明の各プロセスステップを示す論理図である。 本発明の極性誤差項を処理して最小の計算された誤差を有する故障推定値を選択する本発明の各プロセスステップを示す論理図である。 各々の可能性ある二重故障についての正規化誤差および極性誤差項を計算する本発明の各プロセスステップを示す論理図である。 単一または二重故障状態の発生を結論するかどうかを決定するのに用いられる本発明の各プロセスステップを示す論理図である。

符号の説明

１１ 長期的劣化期間
１３ 短期的劣化
１５ 傾向線
２１ 発起時間
２３ 検知時間
２５ 終息時間
２７ 潜在期間
２９ ブラックアウト期間

Claims (15)

1. 故障事象を判定する方法であって、
   複数のパラメーター測定値を受領するステップと、
   単一故障の分離を実施して、前記複数のパラメーター測定値のひとつを事象発起点として、前記複数のパラメーター測定値のひとつを事象検知点として、また前記パラメーター測定値のひとつを事象終息点として規定するステップであり、潜在期間は前記事象発起点から前記事象検知点まで延びており、ブラックアウト期間は前記事象発起点から前記事象終息点まで伸びている、ステップと、
   多重故障の分離を実施して、前記ブラックアウト期間以前および前記ブラックアウト期間以後の前記複数のパラメーター測定値について第一の傾向線を規定するステップと、
   前記潜在期間における前記パラメーター測定値を再処理するステップと、
   前記ブラックアウト期間における前記パラメーター測定値を処理するステップと、
   エンジンの空気−熱モデルのシミュレーションからモデルＩＣを計算するステップと、
   複数の単一故障ベクトルを計算するステップと、
   前記単一故障ベクトルのそれぞれについて推定値を計算するステップと、
   前記複数の単一故障ベクトルのぞれぞれについて正規化誤差を計算するステップと、
   前記複数の単一故障ベクトルのぞれぞれについて極性誤差項を計算するステップと、
   前記計算された正規化誤差が最も小さい前記単一故障ベクトルを選択するステップとを有してなる、ことを特徴とする方法。
2. 前記複数のパラメーター測定値のそれぞれが現在の測定値と直前の測定値との差を有してなる、ことを特徴とする請求項１記載の方法。
3. 各々の前記複数のパラメーター測定値が百分率の差である、ことを特徴とする請求項２記載の方法。
4. 前記単一故障の分離を実施するステップが統計的分析を実施することを有してなる、ことを特徴とする請求項１記載の方法。
5. 前記単一故障の分離を実施するステップが、カルマンフィルターパラメーターの推定値を適用することを有してなる、ことを特徴とする請求項１記載の方法。
6. 前記複数のパラメーター測定値がエンジンから得られたものである、ことを特徴とする請求項１記載の方法。
7. 前記パラメーター測定値を再処理するステップが、
   前記潜在期間をなす前記複数のパラメーター測定値から線形回帰線を計算するステップと、
   前記潜在期間をなす各々の前記複数の測定値を前記線形回帰線と前記事象発起点以前の平均レベルとの差として再計算するステップとを有してなる、ことを特徴とする請求項１記載の方法。
8. 故障事象を判定する方法であって、
   複数のパラメーター測定値を受領するステップと、
   単一故障の分離を実施して、前記複数のパラメーター測定値のひとつを事象発起点として、前記複数のパラメーター測定値のひとつを事象検知点として、また前記パラメーター測定値のひとつを事象終息点として規定するステップであり、潜在期間は前記事象発起点から前記事象検知点まで延びており、ブラックアウト期間は前記事象発起点から前記事象終息点まで延びている、ステップと、
   多重故障の分離を実施して、前記ブラックアウト期間以前および前記ブラックアウト期間以後の前記複数のパラメーター測定値について第一の傾向線を規定するステップと、
   前記潜在期間における前記パラメーター測定値を再処理するステップと、
   前記ブラックアウト期間における前記パラメーター測定値を処理するステップと、
   前記再処理されたパラメーター測定値からモデルＩＣを計算するステップと、
   複数の単一故障ベクトルを計算するステップと、
   前記単一故障ベクトルのぞれぞれについて推定値を計算するステップと、
   前記複数の単一故障ベクトルのそれぞれについて正規化誤差を計算するステップと、
   前記複数の単一故障ベクトルのそれぞれについて極性誤差項を計算するステップと、および、
   二重故障ベクトルの計算が必要かどうか判定するステップと、
   複数の二重故障ベクトルを計算するステップと、
   各々の前記複数の二重故障ベクトルについて推定値を計算するステップと、
   各々の前記複数の二重故障ベクトルについて正規化誤差を計算するステップと、
   各々の前記複数の二重故障ベクトルについて極性誤差を計算するステップと、
   各々の前記複数の単一故障ベクトルについて最小正規化誤差を有し、かつ各々の前記複数の二重故障ベクトルについて最小正規化誤差を有するステップとを有してなる、ことを特徴とする方法。
9. 前記複数の単一故障ベクトルのぞれぞれについての最小正規化誤差と、前記複数の二重故障ベクトルのそれぞれについての最小正規化誤差のうちより小さい方を選択するステップを追加のステップとして有してなる、ことを特徴とする請求項６記載の方法。
10. 前記複数のパラメーター測定値のそれぞれは現在の測定値と直前の測定値との差を有してなる、ことを特徴とする請求項８記載の方法。
11. 前記複数のパラメーター測定値のそれぞれが百分率の差である、ことを特徴とする請求項１０記載の方法。
12. 前記単一故障の分離を実施するステップが統計的分析を実施することを有してなる、ことを特徴とする請求項８記載の方法。
13. 前記単一故障の分離を実施するステップがカルマンフィルターパラメーター推定値を適用することを有してなる、ことを特徴とする請求項８記載の方法。
14. 前記複数のパラメーター測定値がエンジンから得られたものである、ことを特徴とする請求項８記載の方法。
15. 前記パラメーター測定値を再処理するステップが、
    前記潜在期間をなす前記複数のパラメーター測定値から線形回帰線を計算するステップと、
    前記潜在期間をなす前記複数の測定値のそれぞれを前記線形回帰線と前記事象発起点以前の平均レベルとの差として再計算するステップとを有してなる、ことを特徴とする請求項８記載の方法。

Images