JP2006105142A

JP2006105142A - 装置の障害検出方法および障害検出／切離しシステム

Info

Publication number: JP2006105142A
Application number: JP2005286764A
Authority: JP
Inventors: Allan J Volponi; ジェイ．ヴォルポーニアラン
Original assignee: United Technologies Corp
Current assignee: Raytheon Technologies Corp
Priority date: 2004-10-04
Filing date: 2005-09-30
Publication date: 2006-04-20
Also published as: EP1643332A2; US7415328B2; EP1643332A3; US20080097662A1; EP1643332B1

Abstract

【課題】装置の動作障害を検出して切離すシステムおよびその使用方法を提供する。
【解決手段】装置の障害を検知する方法は、複数の性能パラメータを受信し、上記の複数の性能パラメータを第１のモデルに提供して複数の性能評価パラメータを生成し、上記の複数の性能パラメータを第２のモデルに適用して複数の装置評価パラメータを生成し、複数の性能評価パラメータから複数の残差を計算し、複数の残差から複数の距離測定値を計算し、上記の複数の残差および複数の性能評価パラメータから少なくとも１つのパラメータ偏差を検出し、検出された少なくとも１つのパラメータ偏差が継続性のものであれば、少なくとも１つの検出フラグを設定することを含む。
【選択図】図１

Description

本発明は、装置の動作障害を検出して切離すシステムおよびその使用方法に関し、特に、ガスタービンエンジンなどのエンジンの障害を検出するシステムおよびその使用方法に関する。

飛行中にリアルタイムでガスタービンエンジンの正確な性能追跡を達成するために重要な必要条件は、計算負荷が低い高忠実度モデルを適用することである。ガスタービンエンジンの物理学ベースの高忠実度モデルを開発することはできるが、障害検出／切離し（ＦａｕｌｔＤｅｔｅｃｔｉｏｎａｎｄＩｓｏｌａｔｉｏｎＦＤＩ）システムの構成に必要な精度要求を満たすには計算負荷が重くなりすぎる傾向がある。さらに、経験的モデルも典型的に過大なメモリや計算負荷を要求するという同様の問題を有する。この問題に対する実際的な解決法は、モデリング法を組み合わせて、物理学ベースの成分および経験的成分の両方を組み込んだハイブリッドエンジンモデルを生成することである。

ハイブリッドシステムは、個々に監視されたガスタービンエンジンにおける（エンジンモジュール効率や流れパラメータの変化などの）性能の低下を追跡する目的で開発された。このようなシステムは、物理学ベースの成分を使用し、物理学モデルと監視されたエンジンとの間の違いをモデリングするために経験的要素を利用する。リアルタイムの環境におけるモジュール性能の変動（デルタ）を追跡してこのようなシステムで利用するために、ハイブリッド（エンジン）モデルおよび付随する性能評価アルゴリズムが開発された。

モジュール性能の変動に加えて、それ以外のエンジン障害の検出および切離しを含むように、従来技術のシステムで使用される原理を拡大することが求められている。このような障害には、測定計器の障害（測定エラー）や可変形態翼作動障害、冷却流障害、エンジン抽気弁障害、および定格外のエンジン動作につながるあらゆる障害などのエンジンシステムの障害が含まれる。

従って、本発明の目的は、装置の動作障害を検出して切離すシステムおよびその使用方法を提供することである。より詳細には、本発明は、ガスタービンエンジンなどのエンジンの障害を検出するシステムおよびその使用方法に関する。

本発明によると、装置の障害検出方法は、複数の性能パラメータを受信し、複数の性能パラメータを第１のモデルに適用して、複数の性能評価パラメータを生成し、複数の性能パラメータを第２のモデルに適用して、複数の装置評価パラメータを生成し、複数の装置評価パラメータから複数の残差を計算し、複数の残差から複数の距離測定値を計算し、複数の残差および複数の性能評価パラメータを使用して少なくとも１つのパラメータ偏差を検出し、検出された少なくとも１つのパラメータ偏差が継続性のものであれば少なくとも１つの検出フラグを設定することを含む。

本発明によると、装置の障害検出／切離しシステムは、複数の性能パラメータを受信する手段と、複数の性能パラメータを第１のモデルに適用して、複数の性能評価パラメータを生成する手段と、複数の性能パラメータを第２のモデルに適用して、複数の装置評価パラメータを生成する手段と、複数の装置評価パラメータから複数の残差を計算する手段と、複数の残差から複数の距離測定値を計算する手段と、複数の残差および複数の性能評価パラメータを使用して少なくとも１つのパラメータ偏差を検出する手段と、検出された少なくとも１つのパラメータ偏差が継続性のものであれば少なくとも１つの検出フラグを設定手段と、を有する。

本発明によると、装置の障害検出方法は、複数の性能パラメータを受信し、少なくとも１つのパラメータ偏差を検出し、偏差の継続性を特定し、偏差が継続性のものであれば少なくとも１つの検出フラグを設定することを含み、継続性の特定は、短期フィルタと長期フィルタとを使用する。

本発明は、観測されたパラメータ値に作用する信号処理要素を通してその存在を検出することにより、性能の急変動、測定エラー、および他の障害に対処するシステムおよび方法を教示する。信号処理は、モデルおよびパラメータ信号の不確定性によって生じうる誤り検出の数を減少させるために必要である。この処理に使用されるエンジンパラメータは、全権限デジタルエンジン制御装置（ＦｕｌｌＡｕｔｈｏｒｉｔｙＤｉｇｉｔａｌＥｎｇｉｎｅＣｏｎｔｒｏｌＦＡＤＥＣ）またはエンジン監視機能を実行する独立したエンジン診断ユニット（ＥｎｇｉｎｅＤｉａｇｎｏｓｔｉｃＵｎｉｔＥＤＵ）で典型的に測定されて利用可能なパラメータであると想定される。典型的に観測されるパラメータは、スプール速度、燃料流れ、段間温度および圧力、抽気、および（該当する場合には）可変形態翼指令とともに、（高度や速度などの）エンジン環境および航空機飛行条件の指標を含む。観測されるこれらのパラメータは、物理学ベース、経験的、もしくはハイブリッドとすることができる一連のエンジンモデルへの入力パラメータとして機能する。

処理は２つより多くのモデルに適用できるが、好適実施例では、計算帯域幅の問題から一方が物理学ベースの要素を有し、他方が経験的方法を使用する２つのモデルを使用する。これにより、２つのモデル成分の間にある程度のモデルの独立性が確保される。

図１を参照して、モデル、信号処理、継続性チェックおよび切離し論理を説明する。図１には、本発明の障害検出／切離しシステムの一実施例が示されている。

物理学ベースのエンジンモデル２１は、単純な区分的線形状態変数モデル（ＳｔａｔｅＶａｒｉａｂｌｅＭｏｄｅｌＳＶＭ）またはその変形、非線形空気熱力学モデル、または物理学ベースの成分および経験的成分の両方を含むハイブリッドモデルとすることができるが、これらに限定されない。その特性にかかわらず、入力として監視エンジンからベクトル（ｘ）および航空機パラメータを受け取るとともに以下の出力を生成する。

このような種類の評価量の計算方法は従来技術で周知である。

経験的エンジンモデル２４は、線形および非線形のＡＲＭＡ（移動平均の自動回帰）モデル、（多層認知ネットワークＭｕｌｔｉ−ＬａｙｅｒＰｅｒｃｅｐｔｉｏｎＮｅｔｗｏｒｋｓ、放射状機能ネットワークＲａｄｉａｌＢａｓｉｓＦｕｎｃｔｉｏｎＮｅｔｗｏｒｋｓなどの）人工ニューラルネットワーク（ＡｒｔｉｆｉｃｉａｌＮｅｕｒａｌＮｅｔｗｏｒｋＡＮＮ）構造の組合せ、標準的な統計的回帰モデルなどの種々の周知の構成を使用して開発可能である。いずれの形態でも、経験的モデルは、監視されたエンジンのベクトルおよび航空機パラメータ（ｘ）を入力として受け取るとともに以下の出力を生成する。

本発明の全体的な方法論は、真の偏差を検出するとともにパラメータ／システムのノイズによる偏差から識別するように、パラメータ偏差の継続性をテストするための信号処理論理を使用する。これを実行する目的は、真の偏差を検出して、測定値や処理のノイズによって引き起こされる短期間の一時的な偏差による誤り検出（ｆａｌｓｅａｌａｒｍ）を減らすことである。継続論理２３の中心は、長期フィルタ２５と短期フィルタ２６との両方によって両方のモデルの出力パラメータおよび距離測定値を追跡することからなる。フィルタ２５，２６は、段階的平均（ｒｏｌｌｉｎｇａｖｅｒａｇｅ）、指数平均、中央値フィルタなどの種々の形態とすることができる。いずれの形態でも長期および短期フィルタ２５，２６は、同じ構成とすることが好ましい。すなわち、長期および短期フィルタが実現される方法にかかわらず、各長期フィルタ２５およびこれに対応する短期フィルタ２６は、上述のように同じ形態とすべきである。フィルタ設計に関する時定数はシミュレーションの研究によって求められる調整要素となり、パラメータのノイズレベルとともに入力および出力データのサンプル率に一部依存する。

これらの２種のフィルタ２５，２６間の発散が、パラメータトレンドの初期発生とともにその継続度を検出する。これは、個々のパラメータごとに行われる。以下で説明する継続論理２３は、（長期および短期のフィルタ処理されたパラメータの間における）初期の大きい偏差とこれに続く小さい偏差への収束を、継続的なトレンドへの変動が起こったことを示す中心的指標として認識する。大きいおよび小さい偏差の定量化は、ファジーメンバーシップ関数３１を使用することによって最も容易に行うことができる。付随する論理によって、検出されたトレンドの分類を行うことができる。

短期および長期フィルタ２５，２６は、多くの形態とすることができる。フィルタの好ましい特徴は、図２に示すように階段状の変化に応答して測定可能な差を示すことである。

これを達成する方法の１つは、指数平均フィルタを使用する。これらのフィルタは、以下の形態である。

長期および短期のウィンドウバッファにわたる中央値フィルタも同様に良好に機能する。

これらの２つのフィルタ処理された信号間の（発散と呼ばれる）数値的な差は、監視された信号が継続性の変動を経験したかどうかを特定するための必要な情報を提供する。これは、監視されるそれぞれのエンジンパラメータ(残差)信号についてパラメータごとに適用される。

継続論理は、物理学ベースのモデルおよび経験的モデルの両方で短期および長期のフィルタ処理されたパラメータベクトルの差に適用される。このような差は、発散パラメータベクトルｄｉｖ_PMおよびｄｉｖ_EMを定め、以下の式が成り立つ。

発散パラメータベクトルは、継続性の変動が生じたかどうかを評価するための情報を提供する。このプロセスは、ファジーメンバーシップ関数３１を使用して、発散が大きいか小さいかを評価する。これらのメンバーシップ関数は多くの形態とすることができるが、図３に示すシグモイド関数が概念を具体的に示している。

検出されたパラメータ変動に関連する障害の切離しを支援するために、超長期フィルタが各パラメータについて持続され、逸脱が観測される前の基準レベルを確定する。“超長期”とは、超長期フィルタが長期および短期フィルタ２５，２６のいずれよりも長期間にわたって受け取った複数のデータ入力について処理を行うことを意味する。これらは、適切なフィルタ定数を用いて長期のフィルタ処理されたパラメータと同様に計算される。例えば、指数平均が使用される場合には、基準値は以下のように計算される。

継続論理は、(検討中の各パラメータについて)以下のように続く。

１．発散ベクトルを計算する(式１)
２．両方のモデルの各発散要素について、小さい（Ｓｍａｌｌ）場合のファジー判断レベル（ＬｅｖｅｌｏｆＢｅｌｉｅｆＬＯＢ）を特定する。

大きい(Ｌａｒｇｅ)場合のＬＯＢは、以下のように容易に計算される。

３．いずれかのＬＯＢが大きい場合の予め定められた閾値信頼レベル（ｔｈｒｅｓｈｏｌｄｌｅｖｅｌｏｆｃｏｎｆｉｄｅｎｃｅ）ｃｏｎｆ^(Large)を超えているかどうかを以下のように特定する。

４．所定のパラメータについて閾値レベルを超えていれば、

同様に、経験モデルのｊ番目のパラメータについて、以下の計算を行う。

これらの値は、障害切離し論理３３を利用する、障害の切離しおよび識別プロセスで使用可能である。これらのΔ偏差によって形成されたシグネチャは、潜在的な障害を識別するために既知の障害シグネチャと比較される。

図２を参照すると、観測された偏差で継続性を確定するには、所定の信頼レベル内において発散値が徐々に小さくなることを観測する必要がある。しかし、大きい発散が観測された後に短期間で反転が起こった状況ではフラッギングを防ぐ必要がある。すなわち、プロセスは、図５に示す真の継続性の変動に対して図４に記載の（継続性の）ノイズによって引き起こされる摂動（ｐｅｒｔｕｒｂａｔｉｏｎ）に対するフラッギングを回避する必要がある。

いずれの場合でも（図４および図５）、長期および短期のフィルタ処理された値の間の発散は、小さい値から大きい値そして小さい値に戻るように変動する(図６および図７参照)。

これらの第２の短期および長期のフィルタパラメータの第２の発散項を以下のように計算することで、この情報を利用する。

これらの値は、(新たな)変動したレベルを追跡する手段を確定する。これらのフィルタ処理されたパラメータの間で発散が生じると、変動は一時的なものであったことが示される。しかし発散が小さいままであれば、継続性が確定される。数学的には、以下の通り実行される。

同様の解析はＥＭパラメータについても行われる。

第１および第２の発散パラメータに対する継続性および非継続性のトレンド変動は、図８，図９を参照して説明される。パラメータ(または一組のパラメータにおける)変動の継続性が確定すると、基準レベルからの計算されたデルタ変動(式２ａ，式２ｂ)が、変動の原因を特定するために障害切離しプロセスで使用される。これを達成する方法は、従来技術で周知であり、（いくつかを挙げると）カルマンフィルタを使用したモデルベースの方法からニューラルネットワークやファジー論理を使用する経験的方法まで多様である。障害切離しプロセスは、物理学ベースのモデル（Ｐｈｙｓｉｃｓ−ＢａｓｅｄＭｏｄｅｌＰＭ）の性能パラメータとともに経験的モデル（ＥｍｐｉｒｉｃａｌＭｏｄｅｌＥＭ）の残差情報が利用可能であることによって精度が高まる。例えば、１つまたは複数の性能の障害（ｐｅｒｆｏｒｍａｎｃｅｆａｕｌｔＰＭ）が継続性の変動を示し、１つの（ＥＭ）残差だけが継続性の変動を有する場合には、原因はおそらく（変動した残差に関連する測定値の）測定（バイアス）エラーによるものであり、性能の変動は誤った評価の結果であると結論づけることができる。同様に、１つ以上の（ＥＭ）残差の変動を伴う継続性の性能障害の変動（ＰＭ）は、個々の測定値(バイアス)エラーの集合ではなく、真の性能の問題を示す可能性がより高い。プロセスをさらに高めるために、このような概略に沿った論理を開発するとともに障害切離しの周知の方法と組み合わせることができる。

ハイブリッドモデルベースの検出／切離しシステムの一実施例の概要が図１０の論理フローチャートに示されている。障害検出／切離しシステム１０のモデル、信号処理、および継続性のチェックや切離し論理は、汎用電子計算装置で実現可能であるが、これに限定されない。障害検出／切離しシステム１０は、デジタル式入力を受信し、かつこのような入力に対して計算および他のデジタル信号処理論理を実行して上述の説明に従ってエンジン障害の発生を切り離すことができるシステムであればどんなシステムでも実現可能である。物理学ベースのエンジンモデル２１、経験的エンジンモデル２４、短期フィルタ２５、長期フィルタ２６、継続論理２３、および障害切離し論理３３を含むがこれらに限定されない障害検出／切離しシステム１０の全てのモジュールによって実行される論理は、汎用電子計算装置においてソフトウェアとしてまたはそのハードウェアで実現可能である。

本発明によって、エンジンの動作時における障害検出／切離しシステムおよびこのシステムを利用する方法が提供されることは明かである。本発明は、具体的な実施例に従って説明したが、当業者であれば上述の説明から他の代替物、改良、および変更が明らかとなるであろう。よって、本発明は、請求項の広い範囲内の代替物、改良、および変更を含むものである。

本発明のシステムの説明図である。階段状の変化に対する短期および長期フィルタの応答を示す説明図である。大小のファジーメンバーシップ関数の説明図である。非継続性の摂動を示す説明図である。継続性の摂動を示す説明図である。継続性の摂動における発散を示す説明図である。非継続性の摂動における発散を示す説明図である。継続性の摂動の第２短期フィルタパラメータを示す説明図である。非継続性の摂動の第２の短期フィルタパラメータを示す説明図である。本発明の方法の論理のフローチャートである。本発明の方法の論理のフローチャートである。本発明の方法の論理のフローチャートである。

Claims

複数の性能パラメータを受信し、
前記複数の性能パラメータを第１のモデルに適用して、複数の性能評価パラメータを生成し、
前記複数の性能パラメータを第２のモデルに適用して、複数の装置評価パラメータを生成し、
前記複数の装置評価パラメータから複数の残差を計算し、
前記複数の残差から複数の距離測定値を計算し、
前記の複数の残差および複数の性能評価パラメータを使用して少なくとも１つのパラメータ偏差を検出し、
前記検出された少なくとも１つのパラメータ偏差が継続性のものであれば少なくとも１つの検出フラグを設定することを含むことを特徴とする装置の障害検出方法。
前記装置は、エンジンであることを特徴とする請求項１記載の装置の障害検出方法。
前記の複数の距離測定値と少なくとも１つの検出フラグを使用して障害の切離し(３３)を実行することをさらに含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータの受信は、複数のエンジンパラメータの受信を含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータの受信は、複数の飛行パラメータの受信を含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータの受信は、スプール速度、燃料流れ、段間温度、段間圧力、抽気指令、可変形態翼指令、環境指標、および航空機飛行条件指標からなる群から選択された複数の性能パラメータの受信を含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータを第１のモデルへ適用することは、該複数の性能パラメータを物理学ベースのエンジンモデル（２１）に適用することを含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータを物理学ベースのエンジンモデル(２１)に適用することは、該複数の性能パラメータを状態変数モデル、非線形空気熱力学モデル、およびハイブリッドモデルからなる群から選択された物理学ベースのエンジンモデル(２１)に適用することを含むことを特徴とする請求項７記載の装置の障害検出方法。
前記複数の性能パラメータを第２のモデルへ適用することは、該複数の性能パラメータを経験的エンジンモデル(２４)に適用することを含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の性能パラメータを経験的エンジンモデル(２４)に適用することは、該複数の性能パラメータを線形移動平均の自動回帰モデル、人工ニューラルネットワーク、多層認知ネットワーク、放射状機能ネットワーク、および統計的回帰モデルからなる群から選択される経験的エンジンモデル(２４)に適用することを含むことを特徴とする請求項９記載の装置の障害検出方法。
前記検出は、
前記複数の残差にそれぞれ長期フィルタ(２６)と短期フィルタ(２５)を適用し、
前記複数の性能評価パラメータにそれぞれ長期フィルタ(２６)と短期フィルタ（２５）を適用することをさらに含むことを特徴とする請求項１記載の装置の障害検出方法。
前記複数の残差にそれぞれ適用された長期フィルタ(２６)の出力、前記複数の残差に対して適用された短期フィルタ(２５)の出力、およびファジーメンバーシップ(３１)に対して継続論理(２３)を実行し、前記少なくとも１つのパラメータ偏差を検出することをさらに含むことを特徴とする請求項１１記載の装置の障害検出方法。
前記複数の性能評価パラメータに適用された長期フィルタ(２６)の出力、前記複数の性能評価パラメータに適用された短期フィルタ(２５)の出力、およびファジーメンバーシップ(３１)に対して継続論理(２３)を実行し、前記少なくとも１つのパラメータ偏差を検出することをさらに含むことを特徴とする請求項１１記載の装置の障害検出方法。
複数の性能パラメータを受信する手段と、
前記複数の性能パラメータを第１のモデルに適用して、複数の性能評価パラメータを生成する手段と、
前記複数の性能パラメータを第２のモデルに適用して、複数の装置評価パラメータを生成する手段と、
前記複数の装置評価パラメータから複数の残差を計算する手段と、
前記複数の残差から複数の距離測定値を計算する手段と、
前記の複数の残差および複数の性能評価パラメータを使用して少なくとも１つのパラメータ偏差を検出する手段と、
前記検出された少なくとも１つのパラメータ偏差が継続性のものであれば少なくとも１つの検出フラグを設定手段と、を有することを特徴とする装置の障害検出／切離しシステム。
前記装置は、エンジンであることを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記の複数の距離測定値と少なくとも１つの検出フラグを使用して障害の切離しを実行する手段(３３)をさらに有することを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記複数の性能パラメータは、複数のエンジンパラメータを含むことを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記複数の性能パラメータは、複数の飛行パラメータを含むことを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記複数の性能パラメータは、スプール速度、燃料流れ、段間温度、段間圧力、抽気指令、可変形態翼指令、環境指標、および航空機飛行条件指標からなる群から選択されることを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
第１のモデルは、物理学ベースのエンジンモデル（２１）を含むことを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記物理学ベースのエンジンモデル(２１)は、状態変数モデル、非線形空気熱力学モデル、およびハイブリッドモデルからなる群から選択されることを特徴とする請求項２０記載の装置の障害検出／切離しシステム。
第２のモデルは、経験的エンジンモデル(２４)を含むことを特徴とする請求項１４記載の装置の障害検出／切離しシステム。
前記経験的エンジンモデル(２４)は、線形移動平均の自動回帰モデル、人工ニューラルネットワーク、多層認知ネットワーク、放射状機能ネットワーク、および統計的回帰モデルからなる群から選択されることを特徴とする請求項２２記載の装置の障害検出／切離しシステム。
複数の性能パラメータを受信し、
少なくとも１つの前記パラメータの偏差を検出し、
前記偏差の継続性を特定し、
前記偏差が継続性のものであれば少なくとも１つの検出フラグを設定することを含み、
継続性の特定は、短期フィルタと長期フィルタとを使用することを特徴とする装置の障害検出方法。
前記の短期フィルタと長期フィルタ（２５，２６）は、同様の構成であることを特徴とする請求項２４記載の装置の障害検出方法。