JP2013542432A - エンジン試験台用監視システム - Google Patents

Abstract

本発明は、少なくとも１つのエンジン部品用の試験台用監視方法およびシステムであって、
連続した瞬間に、試験台（３）とエンジン部品（５）の組合せ（１１）に特有な内因性および外因性のパラメータの測定結果に対応する時間信号パケットを取得する取得手段（７）と、
前記瞬間より前の時間信号パケットを使用して、前記連続した瞬間の各瞬間における内因性指標ベクトルおよび関連する外因性指標因子を構築する処理手段（９）と、
前記外因性指標ベクトルに対するコンテキストクラスを識別する処理手段（９）と、
前記試験台とエンジン部品の組合せ（１１）の状態の診断結果を作り出すために、少なくとも１つの異常検出器を使用して、前記関連する外因性指標ベクトルに対する前記識別されたコンテキストクラスにより条件付けられる前記内因性指標ベクトルのリスク確率を計算する処理手段（９）と
を備える監視方法およびシステムに関する。

Description

本発明は、エンジン試験台監視システムの分野に関する。エンジンは任意のタイプでよく、陸上、海、または航空宇宙の輸送手段に取り付けるために設計されもよい。本発明で開示される情報は、航空機エンジンに適用可能であるが、本例は制限的なものではない。

エンジンは、非常に精巧な技術を使用し、試験台上で系統的に試験される。試験台上での試験中に、エンジンまたはエンジン部品、および試験台が、多数のセンサを使用して監視される。エンジン開発段階でのいくつかの試験が、１００Ｈｚまでの低周波での性能試験結果（例えば、圧力、温度、ゲージなど）、５０ｋＨｚまでの高周波での動的測定結果（例えば、加速度計、マイクロホンなどから出力される測定結果）、およびいくつかの測定結果または、試験手順を記述するデータを含む１０００を超える測定結果を記録する必要がある場合がある。

現在のところ、各センサからの（異なる取得周波数での）測定結果を記録し、警告または安全性閾値と共に測定結果のグラフをリアルタイムで提示することができるＳＰＣ（Ｓｔａｔｉｓｔｉｃ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ、統計的プロセス制御）と呼ばれる制御システムが存在する。

しかしながら、このＳＰＣ試験システムは、単に、監視された測定結果を収集し、これらの測定結果が２つの安全性閾値の間にとどまっていることを検証するだけである。測定結果のコンテキストの変動が考慮されないので、ＳＰＣ試験システムの安全性閾値は、必然的に非常に大きくなるに違いない。したがって、このようなシステムは、動作誤差を検出することが困難であり、このようなシステムは、非常に深刻な故障の場合に警告をトリガすることにより試験台を単に保護するだけである。

しかしながら、試験台のオペレータは、通常、非常に厳しい動作条件の下でエンジンを試験しようと試みる。このため、安全性の問題、および非常に高価な試験台を損傷するという深刻なリスクが生じる可能性があり、これによりエンジン開発が遅延する可能性がある。

Ｊ．Ｌａｃａｉｌｌｅ、"Ｖａｌｉｄａｔｉｏｎ ｏｆ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｅｎｇｉｎｅｓ、ＩＥＥＥ Ａｅｒｏｓｐａｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｂｉｇ Ｓｋｙ、ＭＴ、２０１０" Ｄｅｍｐｓｔｅｒ ｅｔ ａｌ．、"Ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｆｒｏｍ ｉｎｃｏｍｐｌｅｔｅ ｄａｔａ ｖｉａ ｔｈｅ ＥＭ ａｌｇｏｒｉｔｈｍ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｔａｔｉｓｔｉｃａｌ ｓｏｃｉｅｔｙ、３９（１）：１−３８、１９９７" Ｊ．Ｌａｃａｉｌｌｅ、"Ｓｔａｎｄａｒｄｉｚｅｄ ｆａｉｌｕｒｅ ｓｉｇｎａｔｕｒｅ ｆｏｒ ａ ｔｕｒｂｏｆａｎ ｅｎｇｉｎｅ ＩＥＥＥ Ａｅｒｏｓｐａｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｂｉｇ Ｓｋｙ、ＭＴ、２００９"

本発明の目的は、試験台、および試験を受けるエンジンまたはエンジンの部品の動作を正確かつ安全に監視することができる、試験台を監視するシステムを開示することである。

本発明は、少なくとも１つのエンジン部品用の試験台用監視システムであって、
連続した瞬間に、試験台とエンジンの組合せに特有な内因性および外因性のパラメータの測定結果に対応する時間信号パケットを取得する取得手段と、
前記瞬間より前の時間信号パケットを使用して、前記連続した瞬間の各瞬間における内因性指標ベクトルおよび関連する外因性指標因子を構築する処理手段と、
前記外因性指標ベクトルに対するコンテキストクラスを識別する処理手段と、
前記試験台とエンジン部品の組合せの状態の診断結果を作り出すために、少なくとも１つの異常検出器を使用して、前記関連する外因性指標ベクトルに対する前記識別されたコンテキストクラスにより条件付けられる前記内因性指標ベクトルのリスク確率を計算する手段と
を備える監視システムにより規定される。

したがって、この監視システムは、変化する複数のコンテキストの環境を管理することができる自己適応システムである。システムは、異常検出器が、測定結果の局所的診断結果を、識別されたコンテキストに応じて監視されるようにすることが可能になるように、コンテキスト変化を自動的に検出することにより、変化する構成に適応する。

試験台に対して異常検出器を使用することはまた、例えば機上搭載されたエンジンに対して使用される前に検証する助けにもなる。

有利には、監視システムは、
学習段階の間に、初期外因性指標ベクトルのシーケンスから開始して、１組のコンテキストクラスを構築する処理手段と、
新しい外因性指標ベクトル入力から開始して、実行段階の間に前記１組のコンテキストクラスを更新する処理手段と
を備える。

したがって、コンテキストデータから開始して、システムは、試験台とエンジン部品の組合せの、異なる動作モードを識別するために、コンテキストの自動的な、監督されていない分類を行うようになる。これにより、監視システムは、試験中のエンジン、または試験中のエンジン部品に適用されてもよいすべてのランダムで巧みな操作を管理することが可能になる。

有利には、処理手段は、外因性指標ベクトルの新しい検出結果が、すでに構築されたコンテキストクラスに属するかどうかをチェックし、新しい検出結果に対応するコンテキストクラスが存在しない場合、適切な数の類似する外因性指標ベクトルが、新しいコンテキストクラスを形成するために検出されるまで、新しい検出結果の外因性指標ベクトルをデータベースに記録することにより、前記１組のコンテキストクラスを更新するように構成される。

したがって、システムは、一定時間後、安定した、かなり強固な分類を実現するために、絶えず再学習して、監督されていないコンテキストの分類を改善する。

さらに、処理手段は、前記１組のコンテキストクラスを更新するように構成され、外因性指標ベクトルの新しい検出結果が、すでに構築されたコンテキストクラスに属するかどうかを検証し、前記新しい検出結果の少なくとも一部を、対応するコンテキストクラスに記録する。

例えば、これにより、試験台とエンジン部品の組合せの監視をさらに改善するために、動作モードの緩やかな変化を考慮するために、各クラスを定期的に、新たに更新することが可能になる。

有利には、処理手段は、各コンテキストクラスに対する前記外因性指標ベクトルの適合値を計算することにより、外因性指標ベクトルのコンテキストクラスを識別するように構成される。

適合値は、外因性指標ベクトルの新しい検出結果が、学習のためにすでに使用されたベクトルと類似するかどうかを検証するために使用される。したがって、適合値は、外因性指標ベクトルがコンテキストクラスに属するかどうかに関する、時間が経つにつれ迅速に、より信頼できるようになる、確かな、定量化可能な指標である。したがって、適合値が十分大きくなったとき、監視システムは、正確で、関連する診断を行うことを開始することができる。

本発明の一様態によれば、処理手段は、尤度最大化基準を使用して、前記１組のコンテキストクラスを構築するように構成される。

この反復基準は、正確なコンテキスト依存分類をかなり迅速に得るために使用することができる。

本発明の他の様態によれば、処理手段は、外因性指標ベクトルに適用される最適化基準に基づき、適切な数のコンテキストクラスを選択するように構築される。

これは、最適な数のクラスを決定し、動作モードの最適な分類を得るために使用される。

有利には、監視システムは、
それぞれの内因性または外因性のパラメータに対して、前記瞬間より前の時間信号の少なくとも１つのパケットをバッファリングするバッファメモリと、
少なくとも１つのスケールに従って、前記時間信号パケットの各々を平滑化して、前記パケットを表す曲線を形成する処理手段と、
前記代表的な曲線を再サンプリングする処理手段と、
前記再サンプリングされた曲線を圧縮して、前記内因性または外因性の指標ベクトルを構築する処理手段と
を備える。

その結果、試験台とエンジン部品の組合せから出力されるデータフローが、測定結果の局所的および大域的な変動を考慮する指標ベクトルに確実に変換されることができ、したがって、動作モードの監督されていない、適応性のある正確な分類を作り出す。

有利には、処理手段は、前記リスク確率の品質値を計算するように構成される。

これは、定量化可能な方法でリスク確率の妥当性を評価するために使用されることができる。

第１の例によれば、異常検出器は、正常挙動モデルを実現し、尤度計算により正常性測定結果（スコア）を生成する。

したがって、試験台およびエンジンの異常動作が検出されることができる。

第２の例によれば、異常検出器は、ベアリング損傷検出モデルを実現する。

この第２の検出器は、オフラインで、場合により定期的に作動して、試験台およびエンジンベアリングの摩耗および損傷の診断結果を作り出すことができる。

第３の例によれば、異常検出器は、断続的事象検出モデルを実現する。

第３の検出器は、試験台およびエンジン内の断続的振動事象の発生を検出することができる。

有利には、監視システムは、前記異常検出器を始動させ、前記異常検出器の各々に対する入力データを入手し、前記異常検出器の各々から出力メッセージを受信し、前記異常検出器の各々に対するパラメータ設定および較正選択肢に対応するインスタンスを管理するように構成された、前記異常検出器がカプセル化された監督手段を備える。

これにより、異なる異常検出器、および異なる時間に試験台に設置されることができる異なるエンジンまたはエンジン部品の簡単で効率的な管理が可能になる。

本発明はまた、試験台を制御し、試験台、およびエンジンの少なくとも１つの部品から出力されたデータを記憶手段に記録するように構成された、エンジン試験台に接続された制御システムを備え、さらに、試験台とエンジン部品の組合せから出力される前記データを監視システムに送信する制御システムを介して試験台に接続された、前述の特徴の任意の１つに係る監視システムを備える、管理システムに関する。

これが、試験台の動作に対する妨害を回避する。例えば、制御システムは、第１のコンピュータ内に配置されることができ、監視システムは、第１のコンピュータから離れた所にある第２のコンピュータ内に配置されることができる。

本発明はまた、少なくとも１つのエンジン部品用の試験台を監視する方法に関し、
連続した瞬間に、試験台とエンジン部品の組合せに特有な内因性および外因性のパラメータ測定結果に対応する時間信号パケットを取得するステップと、
前記連続した瞬間の各瞬間に、前記瞬間より前の時間信号のパケットを使用して、内因性指標ベクトルおよび関連する外因性指標ベクトルを構築するステップと、
前記外因性指標ベクトルに対するコンテキストクラスを識別するステップと、
前記試験台とエンジン部品の組合せの状態の診断結果を作り出すために、少なくとも１つの異常検出器を使用して、前記関連する外因性指標ベクトルに対する前記識別されたコンテキストクラスにより条件付けられる前記内因性指標ベクトルのリスク確率を計算するステップと
を備える。

本発明はまた、請求項に係る方法がコンピュータにより実行されたときに、方法を実現するコード命令を備えるコンピュータプログラムに関する。

本発明に係る、少なくとも１つのエンジン部品用の試験台用監視システムを概略的に示す。 内因性指標ベクトルおよび関連する外因性指標ベクトルを構築するステップを示す、本発明の特定の一実施形態に係る流れ図である。 １組のコンテキストクラスを構築するステップを示す、本発明の特定の一実施形態に係る流れ図である。 本発明に係る最適な数のコンテキストクラスを選択するステップを示す流れ図である。 本発明に係る監視システム内の異常検出器の一例のカプセル化を示す流れ図である。 本発明に係る監視システム内の異常検出器のカプセル化を概略的に示す。 本発明に係るエンジン部品用の試験台用管理システムを概略的に示す。

本発明の基本な考え方は、機上搭載された航空機エンジンのために設計された監視機構を使用する試験台監視システムを提案することである。これらの（機上搭載された）監視機構は、前もってエンジンの動作モードを知って、異常を検出するように構成される。

機上搭載されたエンジンが、エンジンを始動させる、誘導滑走させる、離陸する、上昇する、巡航速度で飛行する、進入態勢を取る、着陸する、逆噴射する、およびエンジンを停止するといった、明確に規定された飛行フェーズに従って、常に同じように動作することに留意されたい。したがって、基本的な基準、例えばエンジン速度、高度、および航空機の姿勢に基づく、かなり簡単な指標により、エンジン動作モードを識別することが容易である。

しかしながら、試験台上の機械（換言すれば、エンジン部品またはエンジン全体）の動作が非常に不確定な場合がある。簡潔にするために、「エンジン部品」という表現は、エンジン全体、または単にエンジン部品を表すために、この明細書の残りの部分全体を通して使用される。

試験台上に設置されたエンジン部品に適用される巧みな操作は、非常に変化し、予測できない場合があり、極限条件を含む場合がある。さらに、しばしば、新しい機器を試験する必要がある。したがって、試験台およびエンジン部品の動作モードを前もって予測または分類することは不可能であり、したがって、機上搭載された通常の航空機エンジン監視機構が、このような環境で動作することができない。

したがって、本発明の１つの目的が、試験台およびエンジン部品からなる環境で、監督されずにコンテキストを分類および自動識別することである。

図１は、本発明に係る、航空機エンジンの少なくとも１つの部品５の試験台３用監視システム１を概略的に示す。このシステム１は、データ取得手段７と、コンピュータの記憶手段１０に格納され、試験台３とエンジン部品５の組合せ１１の監視システムを使用するように設計されたプログラムコード命令を含む１つまたはいくつかのコンピュータプログラムを実行するコンピュータなどの情報処理手段９とを備える。

エンジン部品５は、試験台３内に搭載され、多数（数百）のセンサ１３が、試験台３上で、およびエンジン部品５上で測定結果を取得するために使用される。これらの測定結果は、一定周波数で、取得バスまたはチャネル１５を介したデジタルチャネルの形で取り出され、監視システム１に送信される。高周波（５０ｋＨｚ程度）で記録される測定結果（例えば振動測定結果）があり、一方では、低周波（約１Ｈｚ〜１００Ｈｚ）で記録される測定結果（例えば圧力測定結果）もある。

試験台３とエンジン部品５の組合せ１１で行われる試験の回数が非常に多く（数百）なることがあることを考慮すると、すべての測定結果を同時に処理しないことが有利である。したがって、１組の測定結果が、専門的知識により作り出された基準に基づき、試験台３とエンジン部品５の組合せ１１の異なる要素に関連する測定結果のサブセットにさらに分割されることができる。

例えば、試験台３により回転させられるシャフトにより、エンジンが回転駆動されると分かっているので、監視される１つの重要な要素が、試験台１３とエンジン５の間の機械的結合に対応するシャフトラインである。したがって、この例では、シャフトラインに関係がある測定結果のサブセットが選択され、場合により、低周波測定結果（例えば、回転速度、圧力、温度など）および高周波測定結果（例えば、加速度、変位）を備える。

また、測定結果は、内因性および外因性のパラメータの測定結果を備えることに留意されたい。外因性パラメータが、試験台３とエンジン部品５の組合せ１１のコンテキスト（換言すれば、動作モードまたは機能的条件）を表すコンテキスト依存パラメータである。一方、内因性パラメータが、観察されることができるパラメータであり、異常を検出するために内因性パラメータの観察コンテキストに応じて監視および解析されるパラメータである。内因性パラメータおよび外因性パラメータは、専門的知識により作り出された基準に基づき識別されてもよい。

シャフトラインの例を考慮すると、外因性パラメータ測定結果は、回転速度、流入空気圧、温度などを備える。一方、内因性パラメータ測定結果は、振動測定結果、エネルギー、シャフト変位、不平衡質量などを備える。明らかに、エネルギーまたは不平衡質量に関する情報が、異なるコンテキストではかなり異なる。

本発明によれば、監視システム１が、試験台３とエンジン部品５の組合せ１１からのパラメータ測定データの流れを指標に変換して、コンテキストを自動的に識別し、コンテキストに応じて異常を検出するように構成される。

より詳細には、取得手段７が、連続した瞬間に（例えば、定期的瞬間に）、試験台３とエンジン部品５の組合せ１１に特有な内因性および外因性のパラメータの測定結果に対応する時間信号パケットを取得するように構成される。

連続した瞬間の中の各瞬間に、処理手段９が、現在の瞬間より前の時間信号のパケットから開始して、内因性指標ベクトルおよび関連する外因性指標ベクトルを構築するように構成される。内因性または外因性の指標ベクトルが、図２を参照して以下に説明されるように、時間信号パケットを圧縮することにより構築されてもよい。したがって、各指標ベクトル（内因性または外因性）が、例えば過去のデータから周期的に計算されてもよい。

さらに、処理手段９が、現在の瞬間に構築された外因性指標ベクトルに対するコンテキストクラスを識別するように構成される。

コンテキストクラスが、例えば、決定された数の最も近い外因性ベクトルによりクラスを規定することにより、前の瞬間に構築された外因性指標ベクトルに対する、現在の瞬間の外因性指標ベクトルの距離を計算することにより、自動的に識別されてもよい。

一変形形態として、コンテキストクラスが、同じく、図３を参照して以下で説明されるように、監督なしではあるが、各指標ベクトルがどちらに属するかを学習することにより構築される１組のクラスの中のクラスを解析することにより、自動的に識別されてもよい。

したがって、処理手段９が、（例えば機上搭載された航空機エンジンで使用するために設計された）少なくとも１つの異常検出器を使用して、試験台３とエンジン部品５の組合せ１１の状態の診断を行うために、関連する外因性指標ベクトルに対する識別されたコンテキストクラスにより条件付けられる現在の内因性指標ベクトルのスコアまたはリスク確率を計算することができる。

有利には、処理手段９はまた、リスクの関連性を評価する手助けをすることができる、リスク確率の品質または精度の値を計算するように構成される。

図２は、内因性指標ベクトルおよび関連する外因性指標ベクトルを構築するステップを示す、特定の一実施形態による流れ図である。

ステップＥ１で、処理手段９が、連続した瞬間に受信されたパラメータＡ、Ｂ、…、Ｇ、Ｈの測定結果に対応する時間信号パケットを解析し、内因性パラメータＡ、Ｂなど、および外因性パラメータＧ、Ｈなどの測定結果を識別する。内因性パラメータ測定結果が内因性指標ベクトルを構築するために使用され、外因性パラメータの測定結果が外因性指標ベクトルを構築するために使用される。簡潔にするために、「内因性パラメータ」または「外因性パラメータ」のいずれかを区別せずに表すために、用語「パラメータ」が本明細書の残りの部分で使用され、同様に、「内因性指標ベクトル」または「外因性指標ベクトル」を区別せずに表すために、用語「指標ベクトル」が使用される。

ステップＥ２で、異なるパラメータ測定結果の時間信号パケットが、規定された周波数でバッファメモリ２１ａ〜２１ｈに記録される。より詳細には、処理手段９が、各パラメータに対して、可変サイズのバッファメモリ２１に、現在の瞬間より前の時間信号の少なくとも１つのパケットをバッファリングするように構成される。

したがって、各パラメータＡ、Ｂ、…、Ｇ、Ｈに対して、対応する時間信号を記録するように、少なくとも１つの時間間隔が規定される。例えば、パラメータＡについては、対応する時間信号の最後の１０秒が第１のバッファメモリ２１ａに記録されてもよく、最後の２０秒が第２のバッファメモリ２１ｂに記録されてもよいなどである。換言すれば、異なるおよび／または同一のサイズを有するいくつかのバッファメモリが各パラメータに対して規定されることができる。

図２に示される例によれば、パラメータＡの第１の時間信号Ａ１および第２の時間信号Ａ２が、第１および第２のバッファメモリ２１ａ、２１ｂに記録されるなどである。同様に、パラメータＢ、…、Ｇ、Ｈの時間信号Ｂ１、Ｂ２、…、Ｇ１、Ｇ２、Ｈ１、Ｈ２が、それぞれバッファメモリ２１ｃ、２１ｄ、…、２１ｈに記録される。換言すれば、対応する信号のいくつかのパケットが、各パラメータに対して、いくつかのバッファメモリ２１ａ〜２１ｈにバッファリングされることができる。

ステップＥ３で、処理手段９が、少なくとも１つのスケールで、時間信号の各パケットを平滑化して、これらのパケットを表す曲線Ａ１１、Ａ２１、…、Ｈ１１、Ｈ１２を形成するように構成される。平滑化は、選択されたスケールで、時間信号パケットの大域的または局所的表現を生成する畳み込み演算である。強い平滑化は、信号の変動または大域的傾向を示すが、弱い平滑化は、信号の局所的挙動を決定する。

ステップＥ４で、処理手段が、前のステップで形成された代表的な曲線Ａ１１、Ａ１２、…、Ｈ１１、Ｈ１２を再サンプリングするように構成される。平滑化された曲線が利用可能になると、第１の圧縮に対応する代表的な数ポイントで十分な場合がある。したがって、このステップの最後で、各パラメータＡ、…、Ｈの時間信号パケットが、数ポイントの（例えば、約１０ポイント程度の）小さな曲線である、再サンプリングされた曲線ａ１１、ａ２１、…、ｈ２１のシーケンスに変換される。

より詳細には、前のステップＥ２〜Ｅ４は、所与のパラメータ（Ａ、またはＢ、…、またはＨ）の現在の瞬間ｔにおける時間信号ｘ_ｔ（換言すれば、Ａ１、またはＡ２、…、またはＨ２）のパケットに対する、バッファメモリ（２１ａ、…、２１ｈ）のサイズｎ、再サンプリングレートｒ、および平均的な多項式フィルタａ＝［ａ_０，ａ_１，…，ａ_ｐ］の階数ｐを規定することからなる。次いで、これらのステップ後の再サンプリングされた曲線Ｙ_ｔ（換言すれば、ａ１１、またはａ２１、…、またはｈ２１）が、Ｙ_ｔ＝［ｙ_ｔ，ｙ_ｔ−ｒ，…，ｙ_{ｔ−（ｎ−１）ｒ}］により規定され、ここで、ｙ_ｔは、次式に従ってフィルタａによるｘ_ｔの畳み込みである。

ステップＥ５で、処理手段９が、内因性または外因性の指標ベクトルを構築するために、再サンプリングされた曲線ａ１１、ａ２１、…、ｈ２１を圧縮するように構成される。それぞれの再サンプリングされた曲線Ｙ_ｔに対して（換言すれば、小さな曲線ａ１１、ａ２１、…、ｈ２１の各々に対して）個々に圧縮が行われる。

例えば、それぞれの再サンプリングされた曲線Ｙ_ｔが、主成分解析を使用して圧縮されることができる。第１のステップが、再サンプリングされた曲線Ｙ_ｔ上のすべてのｎポイントの平均μ_ｔおよび分散σ_ｔを計算することにより、正規化曲線

を決定するステップからなる。次いで、各正規化曲線

を曲線モデル（または曲線テンプレート）｛ｖ_１，ｖ_２，…，ｖ_ｎ｝の正規直交基底上に投影することにより基底変換が行われ、各曲線モデルｖ_ｉはサイズｎの基底ベクトルである。

次いで、それぞれの再サンプリングされた曲線Ｙ_ｔが、以下のように一連の曲線モデルにより表現されてもよい。

この等式では、値α_ｔ，１、α_ｔ，２、…、α_ｔ，ｋは正規直交基底上への正規化曲線

の投影係数であり、ε_ｔは、最初のｋの曲線モデルｖ_１〜ｖ_ｋ（ｋ≧０）だけが使用されたときの圧縮の残差である。主成分解析が、曲線モデルを重要度の順に分類し、重要ではないものを除去する、またはより正確には、残余ε_ｔ内の小さな分散が存在するものを一緒にグループ化する。その結果、残余のノルム｜｜ε_ｔ｜｜を最小化する、最適な１組のサイズｋの曲線モデルｖ_ｉが得られる。

次いで、再サンプリングされた曲線Ｙ_ｔが、これらの要素ｙ_ｔ、ｙ_ｔ−ｒ、…、ｙ_{ｔ−（ｎ−１）ｒ}を、平均μ_ｔ、分散σ_ｔ、および圧縮ベクトル

により表されることができる少しの圧縮係数α_ｔ，１、α_ｔ，２、…、α_ｔ，ｋと置換することにより圧縮されることができる。

すべての再サンプリングされた曲線ａ１１、ａ２１、…、ｈ１２のすべての圧縮ベクトル

の連結が、指標ベクトル

を大域的に形成する。以下では、内因性指標ベクトルが

と表され、外因性指標ベクトルが

と表される。次いで、内因性指標ベクトル

が、外因性指標ベクトル

により識別されるコンテキストクラスのフレームワークで診断を行うために使用される。

図３は、１組のコンテキストクラスを構築するステップを示す、特定の一実施形態に係る流れ図である。

較正段階（ステップＥ２１）の間、処理手段９が、初期外因性指標ベクトル

の学習シーケンスから開始して、最初の１組のコンテキストクラスＣ１、Ｃ２、…、ＣＫ_０を構築するために構成される。この構築は、監督なしに、換言すれば、クラス名についてどんな事前の知識なしに行われる。

次いで、処理手段９が、実行段階で（ステップＥ２２〜Ｅ２６）、外因性指標ベクトルの新しい入力から開始して、この１組のコンテキストクラスを自己適応的に更新するように構成される。

より詳細には、ステップＥ２２で、処理手段９が、外因性指標ベクトル

の新しい検出結果が、すでに構築されたコンテキストクラスに属するかどうかを検証するように構成される。例えば、各コンテキストクラスに対する外因性指標ベクトル

の適合値を計算し、最も適合するクラスを識別することにより、この検証が行われてもよい。適合概念は、Ｊ．Ｌａｃａｉｌｌｅによる刊行物“Ｖａｌｉｄａｔｉｏｎ ｏｆ ｈｅａｌｔｈ ｍｏｎｉｔｏｒｉｎｇ ａｌｇｏｒｉｔｈｍｓ ｆｏｒ ｃｉｖｉｌ ａｉｒｃｒａｆｔ ｅｎｇｉｎｅｓ、ＩＥＥＥ Ａｅｒｏｓｐａｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｂｉｇ Ｓｋｙ、ＭＴ、２０１０”に記載されている。適合値は、外因性指標ベクトルとコンテキストクラスの間の距離の測定結果であると考えられてもよく、したがって、新しい検出結果の外因性指標ベクトルが、学習のためにすでに使用されたベクトルに類似しているかどうかを検証するために使用されることができる。ステップＥ２２で試験が肯定的である場合、動作がステップＥ２３に進み、そうではない場合、ステップＥ２５が開始される。

ステップＥ２３は、コンテキストクラスの識別に関する。新しい検出結果の外因性指標ベクトル

が、すでに構築されたコンテキストクラスに属する場合、この所属がコンテキストクラスを識別し、異常検出器を使用してステップＥ２４で診断を行うために使用される。有利には、外因性指標ベクトルのこれらの新しい検出結果の少なくとも一部が、その後、対応するコンテキストクラスに記録されることができるように、データベース１０に記録される。

一方、新しい検出結果が、既存のどのコンテキストクラスにも対応しない場合、新しい検出結果の外因性指標ベクトル

は、新しいコンテキストクラスを形成するために、適切な数の、類似する外因性指標ベクトルが検出されるまで、ステップＥ２５でデータベース１０に記録される。

ステップＥ２６で、データベース１０に記録された外因性指標ベクトルが、コンテキストクラスＣ１、Ｃ２、…、ＣＫを更新するため、および外因性指標ベクトルと既存のクラスの間の適合が弱いときに分類を再学習するために使用される。

ステップＥ２１〜Ｅ２６で、尤度最大化基準を使用して、１組のコンテキストクラスが構築されることができることが理解されることができる。この場合、外因性指標ベクトル

が、各コンテキストクラス内部で正規分布に従い、ガウス密度の混合を識別することからなるＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ−Ｍａｘｉｍｉｓａｔｉｏｎ、期待値最大化）タイプの最大化基準（例えば、Ｄｅｍｐｓｔｅｒ ｅｔ ａｌ．による文献、“Ｍａｘｉｍｕｍ ｌｉｋｅｌｉｈｏｏｄ ｆｒｏｍ ｉｎｃｏｍｐｌｅｔｅ ｄａｔａ ｖｉａ ｔｈｅ ＥＭ ａｌｇｏｒｉｔｈｍ Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ｒｏｙａｌ Ｓｔａｔｉｓｔｉｃａｌ ｓｏｃｉｅｔｙ、３９（１）：１−３８、１９９７”を参照のこと）が使用されることができると仮定される。ＥＭ法は、ガウスのクラス識別子の法則（Ｇａｕｓｓｉａｎ ｃｌａｓｓ ｉｄｅｎｔｉｆｉｅｒ ｌａｗ）の係数モデルに向かって収束する反復処理である。外因性指標ベクトルとクラスの間の適合を計算するために、したがって、外因性指標ベクトルが既存のクラスに属するかどうかを判定するために、クラス識別子が使用される（ステップＥ２３およびＥ２５を参照のこと）。ＥＭ法はまた、最初の数のクラスで初期化される必要がある。

図４は、ＥＭタイプの最大化基準に関連して、最適な数のクラスを選択するステップを示す流れ図である。

ステップＥ３１で、コンテキストクラスの初期数Ｋ_０が固定される。

ステップＥ３２で、図３に示されるように、外因性指標ベクトルの検出結果からコンテキストクラスを構築するために分類機構（例えばＥＭ）が使用される。

ステップＥ３３で、適切な数のコンテキストクラスを選択するために、外因性指標ベクトルに対して最適化基準が適用される。例えば尤度基準またはＢＩＣ（Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ、ベイズ情報量基準）のタイプの基準に基づき、尤度係数が計算される。この基準は、クラスの数に対する外因性指標ベクトルの条件付き尤度に対応する。より詳細には、ＢＩＣ基準は、次式に従って、外因性指標ベクトル

の尤度、クラスの数Ｋ、および検出結果の数Ｎの関数として規定される。

この場合、方法はＢＩＣ係数を最小化することからなる。この係数は、尤度が増大するときに減少するが、クラスの数Ｋにより不利になる。

尤度係数が最小ではない場合、コンテキストクラスの数が増加させられ（ステップＥ３４）、ステップＥ３２にループバックすることにより、これまでのステップが再開される。

一方、尤度係数が最小である場合、学習が停止させられ、このとき、ステップＥ３５で、かなり強固な分類が得られる。したがって、この係数は、最良の数のクラスを決定して、最適な分類に到達するために使用されることができる。例えば、クラスの数Ｋが１０程度であり、検出結果の数Ｎが１００程度である。

強固な分類が、確率的コンテキスト法則モデルを生成し、したがって、試験台およびエンジン部品の状態の高精度な診断結果を生成することができる。Ｕを外因性指標ベクトルのランダム変数とし、Ｘを内因性指標ベクトルのランダム変数とし、瞬間ｔにおける外因性および内因性の指標ベクトルの検出結果が

であると仮定すると、この場合、コンテキストモデルに対する外因性指標ベクトル

の尤度に対応する適合確率

を計算することによりコンテキストクラスの識別が決定される。

次いで、異常検出器が、次式に従って、瞬間ｔにおけるリスク確率Ｒ（ｔ）、およびリスクの精度Ｐｒ（ｔ）または品質値を計算する。

航空機エンジン用異常検出器の一例が、Ｊ．Ｌａｃａｉｌｌｅによる刊行物“Ｓｔａｎｄａｒｄｉｚｅｄ ｆａｉｌｕｒｅ ｓｉｇｎａｔｕｒｅ ｆｏｒ ａ ｔｕｒｂｏｆａｎ ｅｎｇｉｎｅ ＩＥＥＥ Ａｅｒｏｓｐａｃｅ Ｃｏｎｆｅｒｅｎｃｅ、Ｂｉｇ Ｓｋｙ、ＭＴ、２００９”に記載されている。この異常検出器は、２つのブロックから構成される。第１のブロックが、指標自体の間の確率的相互依存関係を管理しながら、指標を標準化し、正規化し、取得コンテキストに対する局所的依存性を除去する。第２のブロックが、指標をモデル化し、モデルの尤度から開始して、異常スコアまたはリスク確率Ｒ（ｔ）を計算することからなる。スコアは、一般化された線形回帰の残余から得られてもよい。さらに、計算されたリスクの精度Ｐｒ（ｔ）または信頼度を規定するために、モデルの条件付き分散の推定量が使用される。

何回かの連続した検出結果の後に、および場合により、さまざまな異常発生源による確証の後に、異常が確認されてもよい。異常が確認された場合、監視システム１が、警告メッセージを作動させる、または発行する。

異常スコアはまた、クラス番号、および場合によりラベルに関連づけられてもよいことが留意されよう。各クラス内部での、異常および異常からの損傷のラベル付けが、専門的知識により規定されることができる。

図５は、監視システム１内の異常検出器の一例のカプセル化を示す流れ図である。

この例によれば、各コンテキストクラスＣ１、…、ＣＫに対して異常検出器が使用される。

ステップＥ４１への入力データが、監視される第１の時間データのセグメント（換言すれば、内因性パラメータ測定結果に対応する時間信号パケット）からなり、第２の入力が（換言すれば、外因性パラメータ測定結果に対応する時間信号パケット）、進行中の機能の、コンテキストに影響を受けやすい側面を記述する、それぞれの第１の入力データに関連づけられる。現在の瞬間ｔの第１および第２の入力データが、外因性および内因性の指標ベクトル

に変換される。外因性指標ベクトルは、上述のように、コンテキストクラスまたは機能モードを識別するために使用される。

ステップＥ４２で、それぞれの識別されたコンテキストクラスに特有な、監視される時間データに対して、より細かな圧縮４１〜４３が行われる。この場合、データが同一クラスに属し、より類似しているので、圧縮はかなり容易である。

Ｅ４３で、異常検出器５１〜５３が、各コンテキストクラスＣ１、…、ＣＫに対して使用される。それぞれの一般的な異常検出器５１〜５３が、異常のリスクを表すデータテーブルによるスカラー情報（０〜１の間）を作り出す。この出力が、結果の関連性の推定値を与える品質値（０〜１の間）に関連づけられる。

異常が確認された場合、ステップＥ４４で、警告メッセージが発行される。例えば、第１の閾値が超過され、この超過が確認された場合、警告がトリガされる。さらに、第２の閾値が超過されることが予想される場合、異常予知警告がトリガされてもよい。

また、有利には、試験台３で異常検出器を使用することにより、この検出器が機上搭載されたエンジンで使用される前に、この検出器を検証することができ、これにより、問題を簡単にし、検出器の認証コストが低減される。

いくつかのタイプの異常検出器が、低いまたは高い入力周波数で使用されることができることに留意されたい。

第１の異常検出器が、正常挙動モデルを実現し、尤度計算により正常性の測定結果（またはスコア）を作成する。第１の検出器が、入力データとして低周波時間データセグメントを使用する。第１の検出器は、コンテキストクラスに従って内因性指標ベクトルの異常な挙動を検出するために使用され、それによって、試験台３およびエンジン部品５の異常動作を検出する。

第２の異常検出器が、ベアリング損傷検出モデルを実現する。第２の検出器は、ファイルに格納されることができる高周波データ（速度計および加速度計）の同期した時間セグメントを使用する。これらのファイルが処理された後、第２の検出器が、各ベアリングに対する異常の確率、および各ベアリングに対する詳細なシグネチャを生成する。

第３の異常検出器が、断続的事象検出モデルを実現する。この検出器は、応答周波数がセグメント当たり１応答未満であることが分かっているので、セグメントにより取得された振動データを解析する。確認された断続的事象が検出されたとき、警告メッセージが送信される。検出結果が、検出された事象の起源に関する、より正確な情報につながる可能性がある場合、他の識別警告が送信されることができる。

図６は、監視システム内の異常検出器のカプセル化を概略的に示す。

監視システム１が、異常検出器５１、５２、５３をカプセル化し、およびデータを分配し、各異常検出器の挙動を監視する監督手段６１を備える。これらの監督手段６１は、管理手段６３、データ分配手段６４、パラメータ設定手段６５、通信手段６６、および表示手段６７を備える。管理手段６３が、異常検出器５１、５２、５３を始動させるように、およびこれらの異常検出器の各々のパラメータ設定および較正選択肢に対応するインスタンス７１、７２、７３を管理するように構成される。データ分配手段６４が、異常検出器の各々に対する入力データを入手し、準備するように構成される。パラメータ設定手段６５が、インスタンスパラメータを調節するように構成される。通信手段６６が、各異常検出器からの出力メッセージを受信し、区分し、選択し、読み出すように構成される。表示手段６７が、結果を表示するように構成される。

図７は、本発明に係る、エンジン部品の試験台用管理システムを概略的に示す。

管理システム８１は、エンジン部品５の試験台３、および監視システム１に接続された制御システム８３を備える。制御システム８３が、試験台３を制御するように、ならびに試験台３およびエンジン部品５から出力されるデータを記憶手段８５に記録するように構成される。さらに、監視システム１が、制御システム８３を介して、および試験台３とエンジン部品５の組合せ１１から出力されるデータを監視システム１に送信するデータバス８７を介して、試験台３とエンジン部品５の組合せ１１に接続される。この構成は、試験台の機能が乱されないようなものである。

例えば、制御システム８３が、第１のコンピュータ内に配置されることができ、監視システム１が、第１のコンピュータから離れた所にある第２のコンピュータ内に配置されることができる。

本発明はまた、監視システムの、異なる要素で使用されることができるコンピュータプログラム製品に関し、これらのプログラムは、上記で説明されるような、本発明に係る方法の適用に適合されたコード命令を備える。

コンピュータプログラムは、
入力の際に読み取られる測定結果の名称、測定結果の取得周波数、およびバッファメモリのサイズ（セグメントまたはデータパケットの継続期間、および２つのパケット間の時間）を記述するパラメータ、
警告が発行される前に行われる連続した試験の回数を指定する「確認」パラメータ、
警告が送信されるべき、確認された異常の値を指定する閾値パラメータ、
確認を求めて警告を送信するために使用される、観測時の最小平均信頼度閾値を指定する信頼度パラメータ、ならびに
予想される劣化が検討されるべきかどうか、およびいつ検討されるべきかを指定する「限界（ｈｏｒｉｚｏｎ）」パラメータ
といった変数またはパラメータを含んでもよいことに留意されたい。

Claims (16)

1. 少なくとも１つのエンジン部品用の試験台用監視システムであって、
   連続した瞬間に、試験台（３）とエンジン部品（５）の組合せ（１１）に特有な内因性および外因性のパラメータの測定結果に対応する時間信号パケットを取得する取得手段（７）と、
   前記瞬間より前の時間信号パケットを使用して、前記連続した瞬間の各瞬間における内因性指標ベクトルおよび関連する外因性指標因子を構築する処理手段（９）と、
   前記外因性指標ベクトルに対するコンテキストクラスを識別する処理手段（９）と、
   前記試験台とエンジン部品の組合せ（１１）の状態の診断結果を作り出すために、少なくとも１つの異常検出器を使用して、前記関連する外因性指標ベクトルに対する前記識別されたコンテキストクラスにより条件付けられる前記内因性指標ベクトルのリスク確率を計算する処理手段（９）と
   を備えることを特徴とする、監視システム。
2. 学習段階の間に、初期外因性指標ベクトルのシーケンスから開始して、１組のコンテキストクラスを構築する処理手段（９）と、
   新しい外因性指標ベクトル入力から開始して、実行段階の間に前記１組のコンテキストクラスを更新する処理手段（９）と
   を備えることを特徴とする、請求項１に記載のシステム。
3. 外因性指標ベクトルの新しい検出結果が、すでに構築されたコンテキストクラスに属するかどうかをチェックし、新しい検出結果に対応するコンテキストクラスが存在しない場合に、適切な数の類似する外因性指標ベクトルが、新しいコンテキストクラスを形成するために検出されるまで、新しい検出結果の外因性指標ベクトルをデータベース（１０）に記録することにより、処理手段（９）が前記１組のコンテキストクラスを更新するように構成されることを特徴とする、請求項２に記載のシステム。
4. 外因性指標ベクトルの新しい検出結果が、すでに構築されたコンテキストクラスに属するかどうかを検証し、前記新しい検出結果の少なくとも一部を、対応するコンテキストクラスに記録することにより、処理手段（９）が前記１組のコンテキストクラスを更新するように構成されることを特徴とする、請求項２または３に記載のシステム。
5. 処理手段（９）が、各コンテキストクラスに対する前記外因性指標ベクトルの適合値を計算することにより、外因性指標ベクトルのコンテキストクラスを識別するように構成されること特徴とする、請求項２から４のいずれか一項に記載のシステム。
6. 処理手段（９）が、尤度最大化基準を使用して、前記１組のコンテキストクラスを構築するように構成されることを特徴とする、請求項２から５のいずれか一項に記載のシステム。
7. 処理手段（９）が、外因性指標ベクトルに適用される最適化基準に基づき、適切な数のコンテキストクラスを選択するように構成されることを特徴とする、請求項２から６のいずれか一項に記載のシステム。
8. それぞれの内因性または外因性のパラメータに対して、前記瞬間より前の時間信号の少なくとも１つのパケットをバッファリングするバッファメモリ（２１ａ〜２１ｈ）と、
   少なくとも１つのスケールに従って前記時間信号パケットの各々を平滑化して、前記パケットを表す曲線を形成する処理手段（９）と、
   前記代表的な曲線を再サンプリングする処理手段（９）と、
   前記再サンプリングされた曲線を圧縮して、前記内因性または外因性の指標ベクトルを構築する処理手段（９）と
   を備えることを特徴とする、請求項１から７のいずれか一項に記載のシステム。
9. 処理手段（９）が、前記リスク確率の品質値を計算するように構成されることを特徴とする、請求項１から８のいずれか一項に記載のシステム。
10. 異常検出器が正常挙動モデルを実現し、尤度計算により正常測定結果を生成することを特徴とする、請求項１から９のいずれか一項に記載のシステム。
11. 異常検出器がベアリング損傷検出モデルを実現することを特徴とする、請求項１から１０のいずれか一項に記載のシステム。
12. 異常検出器が断続的事象検出モデルを実現することを特徴とする、請求項１から１１のいずれか一項に記載のシステム。
13. 前記異常検出器（５１、５２、５３）がカプセル化された監督手段（６１）であって、前記異常検出器を始動させ、前記異常検出器の各々に対する入力データを入手し、前記異常検出器の各々から出力メッセージを受信し、前記異常検出器の各々に対するパラメータ設定および較正選択肢に対応するインスタンスを管理するように構成された監督手段（６１）を備えることを特徴とする、請求項１から１２のいずれか一項に記載のシステム。
14. 試験台（３）を制御し、試験台、およびエンジン（５）の少なくとも１つの部品から出力されたデータを記憶手段（８５）に記録するように構成された、エンジン試験台に接続された制御システム（８３）を備える管理システムであって、試験台とエンジン部品の組合せから出力される前記データを監視システムに送信する制御システムを介して試験台に接続された、請求項１から１３のいずれか一項に記載の監視システム（１）を備えることを特徴とする、管理システム。
15. 少なくとも１つのエンジン部品用の試験台を監視する方法であって、
    試験台とエンジン部品の組合せに特有な内因性および外因性のパラメータ測定結果に対応する時間信号パケットを、連続した瞬間に取得するステップと、
    前記連続した瞬間の各瞬間に、前記瞬間より前の時間信号のパケットを使用して、内因性指標ベクトルおよび関連する外因性指標ベクトルを構築するステップと、
    前記外因性指標ベクトルに対するコンテキストクラスを識別するステップと、
    前記試験台とエンジン部品の組合せの状態の診断結果を作り出すために、少なくとも１つの異常検出器を使用して、前記関連する外因性指標ベクトルに対する前記識別されたコンテキストクラスにより条件付けられる前記内因性指標ベクトルのリスク確率を計算するステップと
    を備えることを特徴とする、方法。
16. 請求項１５に記載の方法がコンピュータにより実行されたときに、方法を実現するコード命令を備えるコンピュータプログラム。

Images