JP2007138921A - ガスタービンエンジン構成要素品質のモデルベース反復推定 - Google Patents

Abstract

【課題】ガスタービンエンジンの複数のエンジン構成要素に対する品質パラメータを推定する方法を提供する。
【解決手段】エンジン構成要素の複数のセンサに対応する仮想センサ値（５０）及び品質パラメータを有するエンジンモデル（１０）を準備し、仮想センサ値（５０）をエンジン構成要素の複数のセンサの実センサ値（４６）と比較して実センサ値（４６）及び仮想センサ値（５０）間の差異を求め、その差異を所定のゲインによって増幅させ、検知した差異に応答して複数の品質パラメータデルタを生成させ、生成した品質パラメータデルタの所定の部分を埋込み型エンジンモデル（５６）内に入力することによって埋込み型エンジンモデル（５６）を反復して更新し、エンジン運転条件に合わせて埋込み型エンジンモデル（５６）を調整し、仮想センサ値（５０）を再算出する。
【選択図】 図２

Description

本発明は、総括的にはガスタービンエンジンに関し、より具体的には、エンジン構成要素品質を追跡しかつ推定する方法に関する。

ガスタービンエンジンが運転されるにつれて、エンジンは、磨耗及び損傷を含む因子の組合せにより効率がより低くなる可能性がある。エンジンが劣化する速度は幾つかの運転因子に依存するので、その速度は、予測するのが困難であり、従って、エンジン構成要素は一般的に、事前に選択した時間又はサイクル数に基づいて整備が計画される。この事前に選択した時間又はサイクル数は一般的に、過去の構成要素履歴及び過去のエンジン性能評価を含む多数の因子に基づいて伝統的手法で選択される。構成要素が破損した場合には、所定の診断ルーチンを行って、その破損した構成要素を特定しかつ交換する。

エンジン性能を評価しかつエンジンセンサの故障を発見するために、選択したエンジンパラメータを検知しかつ監視して、エンジン性能の全体的損失を推定する。一般的に、ロータ速度、排出ガス温度及び燃料流量が、運転条件の変動に対して補正されるか又は正規化され、これらの正規化パラメータは、傾向評価され、すなわち短期及び長期間にわたるそれらの変化がプロットされて、エンジン改修が必要な時期を予測するために使用される。さらに、過去の傾向値に対する現在の傾向値の比較が急激変化又はステップ状変化を示す場合には、即時エンジン補修が計画されることになる。

現在では、全体エンジン性能及び品質は、運転時のエンジンセンサ値及び長期間の傾向を評価することによって推測されているが、ファン、圧縮機又はタービンのような個々のガスタービン構成要素の品質レベルは、運転時に評価されておらずまた継続的に更新されていない。
米国特許出願公開第２００５／０１０７９４２Ａ１号公報 米国特許第６，８６８，３２５Ｂ２号公報 米国特許第６，８２３，２５３Ｂ２号公報 米国特許第６，７５７，６６８Ｂ１号公報 米国特許第６，７４１，９１９Ｂ１号公報 米国特許出願公開第２００４／００８８１００Ａ１号公報 米国特許第６，５６４，１０９Ｂ１号公報 米国特許第６，５３５，１２４Ｂ１号公報 米国特許第６，５３２，４１２Ｂ２号公報 米国特許第６，４６６，８５８Ｂ１号公報 米国特許第６，４６３，３８０Ｂ１号公報 米国特許第６，３１４，３５０Ｂ１号公報 米国特許第６，１５７，３１０号公報 米国特許第５，９１２，６２７号公報 米国特許第５，５９４，６６５号公報 米国特許第５，５６６，０９１号公報 米国特許第５，５５２，７１１号公報 米国特許第５，５２６，２６６号公報 米国特許第５，３７９，５８４号公報 米国特許第５，３７７，１１２号公報 日本特許出願公開第２００４ ２３２６４３Ａ号公報 日本特許出願公開第２００２ １８０８５１Ａ号公報 日本特許出願公開第２００１ ３２９８５６Ａ号公報 日本特許出願公開第２００１ ０９０５５４Ａ号公報

必要とされているのは、エンジン構成要素品質を推定しかつ追跡することによって、エンジンオーバホールが必要となる前の残存エンジン寿命を予測することができることである。必要とされているのはまた、必要なエンジンオーバホールの実施範囲を定め、またエンジン構成要素の損傷及び故障を検出しかつ分離することができることである。

本発明は、ガスタービンエンジンの複数のエンジン構成要素に対する品質パラメータを推定する方法を対象とする。エンジン構成要素は、該エンジン構成要素の作動に応答する少なくとも１つのセンサを有する。本方法は、エンジン構成要素の複数のセンサに対応する仮想センサ値及び品質パラメータを有するエンジンモデルを準備するステップと、仮想センサ値をエンジン構成要素の複数のセンサの実センサ値と比較して実センサ値及び仮想センサ値間の差異を求めるステップと、その差異を所定のゲインによって増幅するステップと、検知した差異に応答して複数の品質パラメータデルタを生成するステップと、生成した品質パラメータデルタの所定の部分を埋込み型エンジンモデル内に入力することによって埋込み型エンジンモデルを反復して更新するステップと、エンジン運転条件に合わせて埋込み型エンジンモデルを調整するステップと、仮想センサ値を再算出するステップと、比較するステップ、増幅するステップ、生成するステップ及び生成した品質パラメータデルタの所定のパーセンテージについて埋込み型モデルを更新するステップを反復するステップとを含む。

別の態様では、本発明は、ガスタービンエンジンの複数のエンジン構成要素に対する品質パラメータを推定するための診断システムを対象にする。本システムは、エンジン構成要素の複数のセンサに対応する仮想センサ値及び品質パラメータを計算するためのエンジンモデルを含む。比較器が、エンジンモデル出力に接続されて、仮想センサ値をエンジン構成要素の複数のセンサの実センサ値と比較して実センサ値及び仮想センサ値間の差異を求めるようにする。その差異は、所定のゲインを有する増幅器によって増幅される。プロセッサユニットは、実センサ値対仮想センサ値における求めた差異に応答して複数の品質パラメータデルタを生成する。自動スイッチング手段が、生成した品質パラメータデルタの所定の部分を埋込み型エンジンモデル内に差し替えることによって、エンジンモデルを反復して更新する。モデルはまた、エンジン運転条件を検知して比較器にフィードバックする仮想センサ値を調整するための入力を有する。

本発明の１つの利点は、有効寿命を予測するために、整備オーバホールの範囲を決定するためにまた構成要素の損傷又は故障を検出しかつ分離するために、エンジン構成要素品質を追跡しかつ推定することができることである。

本発明の別の利点は、エンジンの各個々の構成要素に対する品質パラメータを追跡することができることである。

本発明のその他の特徴及び利点は、本発明の原理を一例として示す添付の図面と併せて好ましい実施形態の以下のより詳細な説明から明らかになるであろう。

まず図１を参照すると、ガスタービンエンジンは、複数のセンサ（図示せず）を含み、複数のセンサは、エンジン運転時にエンジンの運転を監視しかつリアルタイムの実エンジンセンサデータをエンジンモデル１０に入力する。１つの実施形態では、センサは、エンジンロータ速度、エンジン温度及びエンジン圧力を監視する。周囲飛行条件データもまた、エンジンモデル１０に入力される。周囲飛行条件データ入力には、それに限定されないが、周囲温度、周囲圧力、航空機マッハ数、及びファン速度又はエンジン圧力比のようなエンジン出力設定パラメータが含まれる。周囲飛行条件データ及び実エンジンセンサデータを収集するためのあらゆる適当な方法を使用することができる。

エンジンモデル１０は、ロータ速度、温度及び圧力のような検知したパラメータ並びに推力、空気流量、失速マージン及びタービン入口温度のような計算したパラメータを評価するために使用される。計算したパラメータは、エンジンモデル１０に入力された環境条件、出力設定パラメータ及びアクチュエータ位置に基づいている。この例示的な実施形態では、エンジンモデル１０は、物理学ベースの空気熱力学モデルである。別の実施形態では、エンジンモデル１０は、回帰適合モデルである。さらに別の実施形態では、エンジンモデル１０は、ニューラルネットモデルである。

物理学ベースエンジンモデル１０は、直列軸流関係で、高圧圧縮機１４、燃焼器又はバーナ２４及び高圧タービン１６を備えたコアエンジン３８を含む。コアエンジン３８は、入口２２及びファン１２並びにブースタ２０の下流に位置する。ファン１２及びブースタ２０は、コアエンジン３８並びにバイパスダクト３０及びバイパスノズル３２と直列軸流関係になっている。ファン１２、ブースタ２０及び低圧タービン１８は、第１のシャフト５２によって連結され、また圧縮機１４及び高圧タービン１６は、第２のシャフト５４によって連結される。入口２２に流入する空気流５８の一部分は、バイパスダクト３０を通って流れ、バイパスノズル３２を通して排出され、また空気流５８の残りの部分は、コアエンジン３８を通って流れ、コアエンジンノズル２６を通して排出される。

エンジンモデル１０は、該エンジンモデル１０内部の各構成要素１２、１４、１６、１８、２０及び２４が、個々にモデル化され、次に物理学ベースエンジンモデル１０のような特定のエンジンモデルに組み立てられるので、構成要素レベルモデル（ＣＬＭ）として公知である。エンジンモデル１０は、飛行条件、制御変数入力及び高圧圧縮機ブリードを把握した高速運転過渡エンジンサイクルを表すようにプログラムされる。さらに、エンジンモデル１０は、調節又は調整することができるエンジン構成要素の効率及び流量のようなパラメータを含む。これらのパラメータは、パラメータ推定アルゴリズムを使用して修正（変更）することができ、それによって公称又は平均的エンジンのモデルを特定のエンジンのモデルに変更することができる。

ＣＬＭ１０は、飛行条件、制御変数入力及び高圧圧縮機ブリードに対する現実的な検出感度で設計される。ＣＬＭ１０の品質パラメータは、各主要回転構成要素の流量変更子及び効率変更子を含む。ファン１２、圧縮機１４、ＨＰタービン１６、ＬＰタービン１８及び幾つかのケースではブースタ２０の各々は、流量変更子及び効率変更子を有し、ＣＬＭ１０の８つの品質パラメータが得られ、またブースタ２０を含む場合には、１０個の品質パラメータが得られる可能性がある。品質パラメータは、上述の検知したエンジン構成要素パラメータに基づいている。これらの品質パラメータは、それらの公称値から調整するか又は摂動させて、それによってモデル算出に影響を与えることができる。これらの品質パラメータの適切な操作によって、モデルが特定のエンジンの挙動をより正確にシミュレートして、エンジン間の製造のばらつき、エンジン劣化又は損傷エンジン部品の影響を考慮することが可能になる。品質パラメータの摂動により、モデルで計算したセンサ値を実エンジンセンサ値により良好に一致させることが可能になる。

さらに、物理学ベースモデル１０は、空気入口２２、バーナ２４、コアノズル２６、バイパスダクト３０及びバイパスノズル３２に関連した構成要素を含み、それらに関連したパラメータを検知する。

適切に追跡しかつ正確なセンサ値を得た場合には、モデルの品質パラメータは、実際のエンジン構成要素の品質レベルを反映しており、これらのレベルを使用して、エンジン内の問題点を診断することができる。例えば、ファンへの「大型」の鳥の衝突は、モデル出力をエンジンセンサに一致させようとするトラッキングフィルタの動きによる結果として、モデル内でファンの流量及び効率に「大きな」マイナスのシフトをもたらす。鳥がファンに衝突することによって引き起された損傷が圧縮機に伝播した場合には、圧縮機品質パラメータにおけるマイナスのシフトもまた、見られることになる。

次に図２を参照すると、パラメータ品質推定方法の線図１００を示す。本発明の方法を実行する論理ユニット（図示せず）は、プロセッサを含むことができ、プロセッサは、マイクロプロセッサ並びにＲＡＭ、Ｉ／Ｏ装置及びその他のコンピュータコンポーネントのような関連するコンポーネントにより実現される。中間定格出力（ＩＲＰ）４６におけるエンジンセンサ値は、減算回路６０に入力される。仮想センサ値５０がエンジンセンサ値４６から減算され、差異（又はデルタ）信号６４が、品質調整値を計算するためにフィルタブロック６６内に入力され、該フィルタブロック６６内で、仮想センサ値及びエンジンセンサ値４６間の差異は所定のゲイン水準を乗じられて、計算された品質調整値６９を生成する。計算した品質調整値の所定のパーセンテージが、埋込み型モデル５６を更新するために反復プロセス６８を介してブロック７２内に入力される。時間遅延を有する反復プロセス６８は、十分な高速でスイッチングされるスイッチ７０として示したサンプリング速度を制御する。時間遅延は、約２５０ミリ秒（ｍｓ）であるのが好ましい。

エンジンモデル５６は、ステップ７２において、計算した品質調整値６９を用いて各遅延期間毎に更新される。ＩＲＰにおける運転条件７６は、調整したエジンモデル５６に入力される。調整したエンジンモデル５６は、最適な構成要素品質調整値の組７８を生成し、また更新した仮想センサ値５０の組を生成して減算器６０へのフィードバックループを閉じ、次の反復において仮想センサ値５０が再びＩＲＰエンジンセンサ値４６から減算される。反復プロセスは、飛行の間に継続的なサンプリング及び調整を実行する。

本発明の反復プロセスは、埋込み型エンジンモデル５６が、仮想センサが実際のエンジンセンサに厳密に一致する状態に移行するのを可能にする。埋込み型モデル５６内で計算されて得られる修正構成要素品質は、運転状態に対して最適化される。品質推定プロセスは、定常状態エンジン運転条件において呼び出される。構成要素品質調整値が計算され、埋込み型モデルが反復して調整される。次に、構成要素品質パラメータは、定常状態運転条件を満たしている時には常に飛行全体にわたって追跡することができる。

構成要素品質調整値を推定するためのゲインの計算方法を以下に示す。

[1]
ここで、ｎは、計算したセンサ値の数値であり、ｍは、品質パラメータの数値であり、ｙ_ｊは、センサ値（例えば、ｙ_１はファン速度であり、ｙ_２はコア速度であるなど）に対応し、またｑ_ｉは、構成要素品質パラメータ（例えば、ｑ_１はファン流量変更子であり、ｑ_２はファン効率変更子であるなど）である。

Ｙはまた、モデルの状態並びに他のモデル値及び変数の関数であるが、品質パラメータは、本システムがこの解析において関心がある唯一のパラメータである。反復品質推定アルゴリズムに対するゲインの組を取得するための第１のステップは、ヤコビのＹ（Ｑ）を計算するステップである。ヤコビのＹ（Ｑ）は、

［２］
として定義される。

実エンジンセンサ値ｓ_１、ｓ_２、・・・、ｓ_ｎ、及びモデルで計算したセンサ値ｙ_１、ｙ_２、・・・、ｙ_ｎを前提にして、誤差ベクトルＥは、次式で計算される。
Ｅ＝（ｅ_１・・・ｅ_ｎ）＝（ｓ_１−ｙ_１・・・ｓ_ｎ−ｙ_ｎ） ［３］
品質パラメータに対するデルタ変化は、設計定数又はゲイン値ｈ、行ベクトルＥ及び行列Ｊ_ｙの積として、すなわち、
ΔＱ＝（Δｑ_１・・・Δｑ_ｍ）＝ｈＥＪ_ｙ ［４］
として計算される。

アルゴリズムの各反復において、ΔＱは、Ｅの現在値に基づいて計算され、品質パラメータベクトルＱは、次式に従って更新される。
［Ｑ］_ｋ＋１＝［Ｑ］_ｋ＋ΔＱ ［５］
ここで、［Ｑ］_ｋは、反復ステップｋにおける品質パラメータベクトルである。

本発明の別の態様では、上述の反復プロセスは、図３における故障検出及び分離プロセスを提供するように変更される。埋込み型エンジンモデル５６は、構成要素品質調整値８０の組を出力する。構成要素品質調整値８０は、ステップ８２に示すように、飛行毎に１回だけ前回の飛行と比較される。その後、構成要素品質調整値８０は、ステップ８４において現在の離陸パラメータと比較される。ステップ８２及び８４の出力の双方は、故障検出及び分離分類器８６に接続される。故障検出及び分離分類器８６からの出力は次に、診断８８のために送信される。

次に図４を参照すると、グラフ表示は，例示的な離陸時におけるＨＰＴとＬＰＴとの流量及び効率パラメータの品質デルタの変化を示す。グラフ２００は、ＡＳＭＥＴテストエンジンからのＦ４１４型エンジンの比較データであり、このＡＳＭＥＴテストエンジンでは、エンジンサイクルは、低出力レベル２０２から駆動され、次に出力を最大アフタバーナ（Ａ／Ｂ）２０４まで急増させ、その後出力を、安定した中間定格出力（ＩＲＰ）２０６まで低下させた。トラッキングフィルタを使用して、構成要素レベルモデル（ＣＬＭ）をＡＳＭＥＴエンジンテストデータに一致させた。グラフにプロットした結果は、上記の一致させるエンジン運転の間における品質デルタ又は差異のパーセンテージ変化を示す。

安定したＩＲＰ範囲におけるＨＰＴ流量品質デルタ２１０は、約１．２５パーセントから約２．２５パーセントの間で増加した。ＬＰＴ流量品質デルタ２１２は、安定したＩＲＰ範囲において約プラス１．１パーセントでほぼ一定であった。安定したＩＲＰ範囲におけるＨＰＴ効率２１４は、約マイナス２．９パーセントで安定し、また安定したＩＲＰ範囲におけるＬＰＴ効率２１６は、約マイナス２．７パーセント及びマイナス３．５パーセントの間で変動した。

好ましい実施形態に関して本発明を説明してきたが、本発明の技術的範囲から逸脱することなくその要素に対して様々な変更を加えることができ、またその要素を均等物で置き換えることができることは、当業者には解るであろう。さらに、本発明の本質的な技術的範囲から逸脱することなく、特定の状況又は物的要件を本発明の教示に適合させるように多くの改良を加えることができる。従って、本発明は、本発明を実施するために考えられた最良の形態として開示した特定の実施形態に限定されるものではなく、本発明は、特許請求の範囲の技術的範囲内に属する全ての実施形態を含むことになることを意図している。

物理学ベースの埋込み型コンポーネントレベルモデルの概略線図。 品質推定方法の線図。 本発明の品質推定方法を使用した品質最適化プロセスの線図。 例示的な離陸時における品質デルタの変化のグラフ表示。

符号の説明

１０ ＣＬＭ（エンジンモード）
１２ ファン
１４ 高圧圧縮機
１６ 高圧タービン
１８ 低圧タービン
２０ ブースタ圧縮機
２２ 空気入口
２４ バーナ
２６ コアノズル
２８ バイパスダクト
３０ バイパスノズル
３２ 排出口
３８ コアエンジン
５２ 第１のシャフト
５４ 第２のシャフト
５８ 空気流

Claims (10)

1. ガスタービンエンジンの複数のエンジン構成要素に対する品質パラメータを推定するためのシステムであって、
   前記複数のエンジン構成要素の複数のセンサからのセンサ値に対応する仮想センサ値（５０）及び品質パラメータを計算するように構成されたエンジンモデルと、
   前記仮想センサ値（５０）を前記複数のセンサからの実センサ値と比較して該実センサ値（４６）及び仮想センサ値（５０）間の差異を算出する比較器と、
   所定のゲインを有する増幅器と、
   前記実センサ値及び仮想センサ値（５０）間の算出した差異に応答して複数の品質パラメータデルタを算出するプロセッサユニットと、
   前記算出した品質パラメータデルタの所定の部分を前記エンジンモデル内に差し替えることによって該エンジンモデルを反復して更新するための自動スイッチング手段と、を含み、
   前記エンジンモデルが、エンジン運転条件を受けるための少なくとも１つの入力を有し、前記エンジン運転条件が、前記比較器に供給される前記仮想センサ値（５０）を生成するために使用される、
   システム。
2. 前記エンジンモデルが、前記複数のエンジン構成要素に対する品質調整パラメータの組を供給するように構成された出力を含む、請求項１記載のシステム。
3. 前記エンジンモデル（１０）が、物理学ベースモデル、回帰モデル又はニューラルネットモデルである、請求項１記載のシステム。
4. 前記エンジンモデルが、ファン、少なくとも１つの圧縮機、高圧タービン及び低圧タービンのモデルを含む、請求項１記載のシステム。
5. 前記エンジンモデルがまた、空気入口、バーナ、コアノズル、バイパスダクト、バイパスノズル及び排出口のモデルを含む、請求項４記載のシステム。
6. 前記エンジンモデル（１０）の構成要素の各モデルが、個々にモデル化されかつ構成要素レベルモデルに組み立てられる、請求項５記載のシステム。
7. 前記品質パラメータのデルタが、流量変更子及び効率変更子を含む、請求項１記載のシステム。
8. 前記所定のゲインが、多数の仮想センサ値（５０）及び品質パラメータに基づいて計算され、前記仮想センサ値（５０）が、前記品質パラメータの関数である、請求項１記載のシステム。
9. 前記品質パラメータデルタを生成するステップが、誤差ベクトルとヤコビ関数であるアルゴリズムとを乗じられた設計定数の関数として該品質パラメータデルタを計算するステップを含み、前記ヤコビ関数が、
   として定義され、ここで、ｎは、仮想センサ値（５０）の数値を表わし、ｍは、品質パラメータの数値を表わし、ｙ_ｉは、ｉ番目の計算したセンサ値に対応し、またｑ_ｉは、ｉ番目の構成要素品質パラメータを表わす、
   請求項８記載のシステム。
10. 前記複数の品質パラメータデルタを生成するステップが、ゲイン値ｈを有する前記所定のゲインと、誤差ベクトルＥを有する前記差異と、前記行列Ｊ_ｙとの積として該品質パラメータデルタを計算するステップを含み、
    前記誤差ベクトルＥが、
    Ｅ＝（ｅ_１・・・ｅ_ｎ）＝（ｓ_１−ｙ_１・・・ｓ_ｎ−ｙ_ｎ）
    として定義され、ここで、ｓ_ｉは、ｉ番目の実エンジンセンサ値を表わし、
    前記アルゴリズムの各反復において、前記品質パラメータデルタΔＱが、Ｅの現在値に基づいて計算され、かつ前記品質パラメータが、次式、
    ［Ｑ］_ｋ＋１＝［Ｑ］_ｋ＋ΔＱ
    によって更新され、ここで、［Ｑ］_ｋは反復ステップｋにおける前記品質パラメータベクトルである、
    請求項９記載のシステム。