JP2006105142A - 装置の障害検出方法および障害検出/切離しシステム - Google Patents
装置の障害検出方法および障害検出/切離しシステム Download PDFInfo
- Publication number
- JP2006105142A JP2006105142A JP2005286764A JP2005286764A JP2006105142A JP 2006105142 A JP2006105142 A JP 2006105142A JP 2005286764 A JP2005286764 A JP 2005286764A JP 2005286764 A JP2005286764 A JP 2005286764A JP 2006105142 A JP2006105142 A JP 2006105142A
- Authority
- JP
- Japan
- Prior art keywords
- model
- parameters
- performance parameters
- applying
- performance
- 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
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
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
【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(Fault Detection and Isolation FDI)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(Full Authority Digital Engine Control FADEC)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(Engine Diagnostic Unit EDU)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(State Variable Model SVM)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−Layer Perception Networks、放射状機能ネットワーク Radial Basis Function Networks などの)人工ニューラルネットワーク(Artificial Neural Network ANN)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(false alarm)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(rolling average)、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divPMおよびdivEM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(Level of Belief LOB)を特定する。
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(Level of Belief LOB)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(threshold level of confidence)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−Based Model PM)の性能パラメータとともに経験的モデル(Empirical Model EM)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(performance fault PM)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。
Claims (25)
- 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。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US10/958,538 US7415328B2 (en) | 2004-10-04 | 2004-10-04 | Hybrid model based fault detection and isolation system |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2006105142A true JP2006105142A (ja) | 2006-04-20 |
Family
ID=35529680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2005286764A Pending JP2006105142A (ja) | 2004-10-04 | 2005-09-30 | 装置の障害検出方法および障害検出/切離しシステム |
Country Status (3)
Country | Link |
---|---|
US (1) | US7415328B2 (ja) |
EP (1) | EP1643332B1 (ja) |
JP (1) | JP2006105142A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010031842A (ja) * | 2008-07-29 | 2010-02-12 | General Electric Co <Ge> | エンジンの動作パラメータを推定するための方法及びシステム |
KR101188274B1 (ko) | 2007-07-31 | 2012-10-05 | 주식회사 만도 | 모델 기반 고장 검출시 오검출 최소화 방법 |
JP2014510223A (ja) * | 2011-02-11 | 2014-04-24 | シーメンス アクチエンゲゼルシヤフト | ガスタービンの調節方法 |
Families Citing this family (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2640727C (en) * | 2006-01-31 | 2014-01-28 | Landmark Graphics Corporation | Methods, systems, and computer-readable media for real-time oil and gas field production optimization using a proxy simulator |
US8504341B2 (en) * | 2006-01-31 | 2013-08-06 | Landmark Graphics Corporation | Methods, systems, and computer readable media for fast updating of oil and gas field production models with physical and proxy simulators |
US7472100B2 (en) * | 2006-09-29 | 2008-12-30 | United Technologies Corporation | Empirical tuning of an on board real-time gas turbine engine model |
US8010320B2 (en) | 2006-11-17 | 2011-08-30 | United Technologies Corporation | Reducing gas turbine performance tracking estimation non-repeatability |
US7441448B2 (en) * | 2007-01-24 | 2008-10-28 | United Technologies Corporation | Process for adapting measurement suite configuration for gas turbine performance diagnostics |
US8175768B2 (en) * | 2007-06-21 | 2012-05-08 | Honeywell International Inc. | Area health managers for aircraft systems |
GB0712980D0 (en) * | 2007-07-04 | 2007-08-15 | Rolls Royce Plc | Engine performance model |
US20090043447A1 (en) * | 2007-08-07 | 2009-02-12 | General Electric Company | Systems and Methods for Model-Based Sensor Fault Detection and Isolation |
US7649360B2 (en) * | 2008-01-18 | 2010-01-19 | Gm Global Technology Operations, Inc. | Apparatus and systems for common mode voltage-based AC fault detection, verification and/or identification |
US8417432B2 (en) * | 2008-04-30 | 2013-04-09 | United Technologies Corporation | Method for calculating confidence on prediction in fault diagnosis systems |
FR2932583B1 (fr) | 2008-06-13 | 2010-05-28 | Airbus France | Procede et dispositif d'auto-detection de panne dans un systeme embarque. |
US8234036B2 (en) * | 2008-06-16 | 2012-07-31 | GM Global Technology Operations LLC | Method and apparatus for starter motor diagnosis and prognosis using parameter estimation algorithm |
US7840381B2 (en) * | 2008-10-03 | 2010-11-23 | Honeywell International Inc. | Method and apparatus for determining the operational state of a navigation system |
FR2939170B1 (fr) * | 2008-11-28 | 2010-12-31 | Snecma | Detection d'anomalie dans un moteur d'aeronef. |
US8321118B2 (en) * | 2008-12-23 | 2012-11-27 | Honeywell International Inc. | Operations support systems and methods with power assurance |
US8364340B2 (en) * | 2009-03-31 | 2013-01-29 | General Electric Company | Method and systems for virtual sensor selection and blending |
US7881880B2 (en) * | 2009-04-01 | 2011-02-01 | United Technologies Corporation | Actuator performance monitoring system |
US8306791B2 (en) * | 2009-12-21 | 2012-11-06 | United Technologies Corporation | Method and system for modeling the performance of a gas turbine engine |
US8862433B2 (en) | 2010-05-18 | 2014-10-14 | United Technologies Corporation | Partitioning of turbomachine faults |
US8621305B2 (en) | 2010-07-08 | 2013-12-31 | Honeywell International Inc. | Methods systems and apparatus for determining whether built-in-test fault codes are indicative of an actual fault condition or a false alarm |
US9342060B2 (en) | 2010-09-14 | 2016-05-17 | United Technologies Corporation | Adaptive control for a gas turbine engine |
US8996334B2 (en) | 2011-03-02 | 2015-03-31 | General Electric Company | Method and system for analysis of turbomachinery |
FR2981474B1 (fr) * | 2011-10-17 | 2013-12-27 | Alstom Technology Ltd | Procede de detection preventive d'une panne d'un appareil, programme d'ordinateur, installation et module de detection preventive d'une panne d'un appareil |
FR2983528B1 (fr) * | 2011-12-05 | 2014-01-17 | Snecma | Methode de surveillance d'une chaine de mesure d'un turboreacteur |
US8972099B2 (en) * | 2013-02-05 | 2015-03-03 | GM Global Technology Operations LLC | Method and apparatus for on-board/off-board fault detection |
AT516067A1 (de) | 2014-07-22 | 2016-02-15 | Omv Refining & Marketing Gmbh | Verfahren und System zur Auswertung eines chemischen Verarbeitungsprozesses |
US10830091B2 (en) * | 2018-01-08 | 2020-11-10 | Raytheon Technologies Corporation | Distress detection in dynamically and thermally coupled systems |
US10964130B1 (en) | 2018-10-18 | 2021-03-30 | Northrop Grumman Systems Corporation | Fleet level prognostics for improved maintenance of vehicles |
CN111210122B (zh) * | 2019-12-26 | 2022-05-03 | 中国地质大学(武汉) | 基于参数隔离的烧结非优运行性能原因追溯方法及系统 |
CA3163790C (en) * | 2020-02-26 | 2023-07-25 | Sunil Dixit | Prognostics for improved maintenance of vehicles |
US11543808B2 (en) | 2020-04-08 | 2023-01-03 | Nec Corporation | Sensor attribution for anomaly detection |
US20220382614A1 (en) * | 2021-05-26 | 2022-12-01 | Nec Laboratories America, Inc. | Hierarchical neural network-based root cause analysis for distributed computing systems |
US11409866B1 (en) | 2021-06-25 | 2022-08-09 | Northrop Grumman Systems Corporation | Adaptive cybersecurity for vehicles |
US11681811B1 (en) | 2021-06-25 | 2023-06-20 | Northrop Grumman Systems Corporation | Cybersecurity for configuration and software updates of vehicle hardware and software based on fleet level information |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4215412A (en) * | 1978-07-13 | 1980-07-29 | The Boeing Company | Real time performance monitoring of gas turbine engines |
JPH0625930B2 (ja) | 1985-09-24 | 1994-04-06 | 株式会社東芝 | プラント診断装置 |
US5293323A (en) * | 1991-10-24 | 1994-03-08 | General Electric Company | Method for fault diagnosis by assessment of confidence measure |
JPH07175515A (ja) | 1993-12-17 | 1995-07-14 | Kobe Steel Ltd | 機械設備及びローラミルの異常検出方法,安定度算出方法及び運転制御方法 |
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
US6594620B1 (en) | 1998-08-17 | 2003-07-15 | Aspen Technology, Inc. | Sensor validation apparatus and method |
US6216083B1 (en) * | 1998-10-22 | 2001-04-10 | Yamaha Motor Co., Ltd. | System for intelligent control of an engine based on soft computing |
US6539783B1 (en) * | 1998-12-28 | 2003-04-01 | General Electric Co. | Methods and apparatus for estimating engine health |
US6985781B2 (en) * | 1999-01-12 | 2006-01-10 | Pavilion Technologies, Inc. | Residual activation neural network |
US7020595B1 (en) * | 1999-11-26 | 2006-03-28 | General Electric Company | Methods and apparatus for model based diagnostics |
JP4743944B2 (ja) * | 2000-08-25 | 2011-08-10 | 鎮男 角田 | シミュレーションモデル作成方法及びそのシステムと記憶媒体 |
JP3758134B2 (ja) * | 2000-10-23 | 2006-03-22 | 株式会社デンソー | 内燃機関の制御装置 |
US6766230B1 (en) * | 2000-11-09 | 2004-07-20 | The Ohio State University | Model-based fault detection and isolation system and method |
US7058556B2 (en) * | 2001-09-26 | 2006-06-06 | Goodrich Pump & Engine Control Systems, Inc. | Adaptive aero-thermodynamic engine model |
US7216071B2 (en) * | 2002-04-23 | 2007-05-08 | United Technologies Corporation | Hybrid gas turbine engine state variable model |
GB0209368D0 (en) | 2002-04-24 | 2002-06-05 | Neural Technologies Ltd | Method and system for detecting change in data streams |
US7233884B2 (en) * | 2002-10-31 | 2007-06-19 | United Technologies Corporation | Methodology for temporal fault event isolation and identification |
US7136809B2 (en) * | 2002-10-31 | 2006-11-14 | United Technologies Corporation | Method for performing an empirical test for the presence of bi-modal data |
US6909960B2 (en) * | 2002-10-31 | 2005-06-21 | United Technologies Corporation | Method for performing gas turbine performance diagnostics |
CA2634470C (en) * | 2003-01-24 | 2013-05-14 | Pratt & Whitney Canada Corp. | Method and system for trend detection and analysis |
US7062370B2 (en) * | 2004-03-30 | 2006-06-13 | Honeywell International Inc. | Model-based detection, diagnosis of turbine engine faults |
US7277838B2 (en) * | 2004-08-26 | 2007-10-02 | United Technologies Corporation | Bootstrap data methodology for sequential hybrid model building |
US20070078576A1 (en) * | 2005-10-04 | 2007-04-05 | Salman Mutasim A | System and method for fuzzy-logic based fault diagnosis |
US7243048B2 (en) * | 2005-11-28 | 2007-07-10 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
-
2004
- 2004-10-04 US US10/958,538 patent/US7415328B2/en active Active
-
2005
- 2005-09-30 EP EP05256132A patent/EP1643332B1/en not_active Expired - Fee Related
- 2005-09-30 JP JP2005286764A patent/JP2006105142A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101188274B1 (ko) | 2007-07-31 | 2012-10-05 | 주식회사 만도 | 모델 기반 고장 검출시 오검출 최소화 방법 |
JP2010031842A (ja) * | 2008-07-29 | 2010-02-12 | General Electric Co <Ge> | エンジンの動作パラメータを推定するための方法及びシステム |
JP2014510223A (ja) * | 2011-02-11 | 2014-04-24 | シーメンス アクチエンゲゼルシヤフト | ガスタービンの調節方法 |
US9557236B2 (en) | 2011-02-11 | 2017-01-31 | Siemens Akitengesellschaft | Method for controlling a gas turbine |
Also Published As
Publication number | Publication date |
---|---|
EP1643332A2 (en) | 2006-04-05 |
US7415328B2 (en) | 2008-08-19 |
EP1643332A3 (en) | 2006-06-21 |
US20080097662A1 (en) | 2008-04-24 |
EP1643332B1 (en) | 2011-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2006105142A (ja) | 装置の障害検出方法および障害検出/切離しシステム | |
EP1416348B1 (en) | Methodology for temporal fault event isolation and identification | |
Kobayashi et al. | Application of a bank of Kalman filters for aircraft engine fault diagnostics | |
Long et al. | Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance | |
US8010320B2 (en) | Reducing gas turbine performance tracking estimation non-repeatability | |
US6804600B1 (en) | Sensor error detection and compensation system and method | |
US10359339B2 (en) | Monitoring system for an engine test bench | |
EP1729243B1 (en) | Fault detection system and method using approximate null space based fault signature classification | |
US10113443B2 (en) | Failure detection device | |
US9754429B2 (en) | System for monitoring a set of components of a device | |
US7912669B2 (en) | Prognosis of faults in electronic circuits | |
Jiang et al. | Dual-attention-based multiscale convolutional neural network with stage division for remaining useful life prediction of rolling bearings | |
JP2013196698A (ja) | システム監視 | |
CN111506049A (zh) | 基于aann网络系统的航空发动机控制系统多重故障诊断方法 | |
CN111123885B (zh) | 一种基于自适应技术的高超声速飞行器间歇故障诊断方法 | |
Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
Liu et al. | A divide and conquer approach to anomaly detection, localization and diagnosis | |
Wan et al. | Robust air data sensor fault diagnosis with enhanced fault sensitivity using moving horizon estimation | |
Lee et al. | Remaining useful life estimation for ball bearings using feature engineering and extreme learning machine | |
Kakati et al. | Remaining useful life predictions for turbofan engine degradation using online long short-term memory network | |
Wang et al. | A robust state estimation method for unknown, time-varying and featureless aircraft sensor failures | |
Solomentsev et al. | A Procedure for Failures Diagnostics of Aviation Radio Equipment | |
Depold et al. | A unified metric for fault detection and isolation in engines | |
Manservigi et al. | Validation of an Advanced Diagnostic Methodology for the Identification and Classification of Gas Turbine Sensor Faults by Means of Field Data | |
Gliga et al. | Fault Detection and Identification for Fire and Explosion Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080909 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090303 |