JP2023536677A - 車両の改善されたメンテナンスのための車両レベル故障予測 - Google Patents
車両の改善されたメンテナンスのための車両レベル故障予測 Download PDFInfo
- Publication number
- JP2023536677A JP2023536677A JP2022573618A JP2022573618A JP2023536677A JP 2023536677 A JP2023536677 A JP 2023536677A JP 2022573618 A JP2022573618 A JP 2022573618A JP 2022573618 A JP2022573618 A JP 2022573618A JP 2023536677 A JP2023536677 A JP 2023536677A
- Authority
- JP
- Japan
- Prior art keywords
- data
- component
- sensor
- model
- components
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 181
- 238000004458 analytical method Methods 0.000 claims abstract description 84
- 230000015556 catabolic process Effects 0.000 claims abstract description 55
- 238000006731 degradation reaction Methods 0.000 claims abstract description 55
- 230000006866 deterioration Effects 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000036541 health Effects 0.000 claims abstract description 13
- 239000002131 composite material Substances 0.000 claims abstract description 3
- 238000000034 method Methods 0.000 claims description 66
- 238000004891 communication Methods 0.000 claims description 13
- 238000013500 data storage Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 97
- 238000012360 testing method Methods 0.000 description 72
- 230000000875 corresponding effect Effects 0.000 description 65
- 230000006870 function Effects 0.000 description 60
- 238000010586 diagram Methods 0.000 description 44
- 206010011906 Death Diseases 0.000 description 42
- 230000006378 damage Effects 0.000 description 41
- 230000008569 process Effects 0.000 description 39
- 230000004927 fusion Effects 0.000 description 37
- 239000002245 particle Substances 0.000 description 36
- 238000012549 training Methods 0.000 description 35
- 238000012545 processing Methods 0.000 description 32
- 230000006399 behavior Effects 0.000 description 31
- 238000004364 calculation method Methods 0.000 description 28
- 239000012267 brine Substances 0.000 description 27
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 27
- 230000002596 correlated effect Effects 0.000 description 20
- 230000002159 abnormal effect Effects 0.000 description 19
- 238000005259 measurement Methods 0.000 description 18
- 238000003860 storage Methods 0.000 description 18
- 230000001965 increasing effect Effects 0.000 description 16
- 230000007774 longterm Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 15
- 238000013461 design Methods 0.000 description 14
- 238000009826 distribution Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 13
- 230000008439 repair process Effects 0.000 description 13
- 230000007613 environmental effect Effects 0.000 description 12
- 238000002955 isolation Methods 0.000 description 10
- 230000036962 time dependent Effects 0.000 description 10
- 206010000117 Abnormal behaviour Diseases 0.000 description 9
- 230000009471 action Effects 0.000 description 9
- 238000011161 development Methods 0.000 description 9
- 238000012546 transfer Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 8
- 230000002950 deficient Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000007726 management method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 7
- 230000004048 modification Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 230000001052 transient effect Effects 0.000 description 7
- 239000000470 constituent Substances 0.000 description 6
- 238000012937 correction Methods 0.000 description 6
- 239000012530 fluid Substances 0.000 description 6
- 230000010354 integration Effects 0.000 description 6
- 230000003068 static effect Effects 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003750 conditioning effect Effects 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000001816 cooling Methods 0.000 description 4
- 238000007418 data mining Methods 0.000 description 4
- 230000007123 defense Effects 0.000 description 4
- 230000036961 partial effect Effects 0.000 description 4
- 230000002085 persistent effect Effects 0.000 description 4
- 238000013439 planning Methods 0.000 description 4
- 230000000644 propagated effect Effects 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000002459 sustained effect Effects 0.000 description 4
- 208000024891 symptom Diseases 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 239000000428 dust Substances 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000010006 flight Effects 0.000 description 3
- 238000010230 functional analysis Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 238000013515 script Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013506 data mapping Methods 0.000 description 2
- 230000006735 deficit Effects 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 230000002542 deteriorative effect Effects 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000009474 immediate action Effects 0.000 description 2
- 238000010348 incorporation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000033001 locomotion Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 235000019198 oils Nutrition 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241000473391 Archosargus rhomboidalis Species 0.000 description 1
- 208000001930 Autoimmune limbic encephalitis Diseases 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000001594 aberrant effect Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 235000015107 ale Nutrition 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000003877 atomic layer epitaxy Methods 0.000 description 1
- 238000013398 bayesian method Methods 0.000 description 1
- 238000007664 blowing Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 235000019476 oil-water mixture Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000246 remedial effect Effects 0.000 description 1
- -1 resistors Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
地上ベースのコンピューティングシステムは、同様の航空機に配置された同様の構成要素の性能パラメータのデータを受信し、それぞれの同様の構成要素の対応する劣化レベルおよび劣化の変化率を判定する。同様の構成要素のグループの車両レベルの劣化は、それぞれのグループの同様の構成要素の合成劣化の解析に基づいて生成される。それぞれの同様の構成要素の各々の残存耐用年数(RUL)および健全状態(SOH)の少なくとも一方は、同様の構成要素の各々の劣化レベルと同様の構成要素のグループの車両レベルの劣化との比較に基づいて判定される。同様の構成要素の各々の予測メンテナンス時間は、同様の構成要素のRULおよびSOHのうちの対応する少なくとも1つに基づいて判定され、これにより、車両レベル情報に基づいて構成要素の費用効果の高いメンテナンスの判定が可能になる。
Description
関連出願の相互参照
本特許出願は、2020年2月26日「に出願された「PROGNOSTICS FOR IMPROVED MAINTENANCE OF VEHICLES」と題する米国特許出願第16/801,596号の一部継続出願であり、これは2019年9月26日に出願された「HIGH FREQUENCY SENSOR DATA ANALYSIS AND INTEGRATION WITH LOW FREQUENCY SENSOR DATA USED FOR PARAMETRIC DATA MODELING FOR MODEL BASED REASONERS」と題する米国特許出願第16/583,678号の一部継続出願であり、これは2018年10月18日に出願された「PARAMETRIC DATA MODELING FOR MODEL BASED REASONERS」と題する米国特許出願第16/163,726号の一部継続出願であり、これら全内容は参照により本明細書に組み込まれる。
本特許出願は、2020年2月26日「に出願された「PROGNOSTICS FOR IMPROVED MAINTENANCE OF VEHICLES」と題する米国特許出願第16/801,596号の一部継続出願であり、これは2019年9月26日に出願された「HIGH FREQUENCY SENSOR DATA ANALYSIS AND INTEGRATION WITH LOW FREQUENCY SENSOR DATA USED FOR PARAMETRIC DATA MODELING FOR MODEL BASED REASONERS」と題する米国特許出願第16/583,678号の一部継続出願であり、これは2018年10月18日に出願された「PARAMETRIC DATA MODELING FOR MODEL BASED REASONERS」と題する米国特許出願第16/163,726号の一部継続出願であり、これら全内容は参照により本明細書に組み込まれる。
本発明の実施形態は、一般に、複雑な車両、例えば航空機の構成要素のメンテナンスがいつ必要であるかを判定することに関する。さらに、実施形態は、すべての同様の航空機の同様の構成要素のメンテナンスが必要であるか否かを、そのような構成要素に関連付けられた車両レベルデータの解析に基づいて識別し、費用がかかり、かつ労働集約的である従来の固定時間間隔に基づいた「スケジュールされたメンテナンス」に対して、認定メンテナンス技術者のために構成要素の状態に基づいて、実施可能な動的かつ費用効果の高い「予測メンテナンス」スケジュールを生成する。
車両、航空機、宇宙船および他のシステムなどの複雑なシステムのメンテナンスは、運用費用が大きい。そのようなシステムのメンテナンスは、典型的には、システムの様々な構成要素のための所定のスケジュールで(周期的な時間に基づいて)行われる。スケジュールは、例えば3ヶ月ごとなど、単に時間ベースであってもよく、または例えば、平均故障間隔(MTBF)構成要素信頼性計算によって判定される運用の3ヶ月ごとまたは1000時間ごとなど、時間、使用状況、および信頼性メトリックの組み合わせに基づいてもよい。時間および使用状況は、典型的には、同様の動作環境で利用されるのと同じまたは同様の構成要素の性能履歴に基づく。そのような信頼性メトリックに完全に基づくスケジュールされたメンテナンスは、多くの商用システムおよび国防総省のシステムにおいて最適とは言えないことが示されている。国防長官府(OSD)は、2032年までにすべてのシステムが状態基準保全プラス(CBM+)プロセスに従うことを指示する指令4151.22(マンデート)を発行した。CBM+プロセスは、構成要素の状態に基づいてスケジュールされるメンテナンスを提供し、もはや所定の時間ベースおよび使用状況ベースのメンテナンスを提供しない。しかしながら、CBM+要件の遵守は重大な課題を提示している。
構成要素のそのような所定のスケジュールされたメンテナンスは、いくつかの環境では満足のいくものであったが、このタイプのメンテナンスは、他の環境のいくつかの機器/車両ではうまくいかないものもあった。所定のスケジュールされたメンテナンスは、費用がかかり、テストのために部品を取り出してそれらを交換することによって偶発的な事故をもたらす可能性がある不必要なメンテナンスに起因して、車両の可用性が遅延する原因であることが判明している。例えば、ジェット機を考える。同じタイプのジェット機は、様々な非常に異なる環境条件、例えば、広範囲に変化する温度および吹き付ける砂を有する砂漠と、それに対し、わずかな浮遊ダストしかない温帯地域で利用することができる。さらに、同じ航空機が同じ外部環境条件下で運用する場合、異なるパイロット、特に軍用パイロットは、航空機構造に異なる負荷変動を引き起こす実質的に異なる方法で同じ航空機を飛行させることを選択してもよい。また、異なるミッションは、航空機の構成要素に異なるレベルの応力をもたらす。したがって、構成要素の所定のスケジュールされたメンテナンスは、期待された応力よりも大きいために必要なメンテナンスを実行しない結果となり得るか、または期待された応力よりも著しくレベルが低いレベルのために不要なメンテナンスを実行する結果となり得る。車両の構成要素のメンテナンスのタイミングを改善するための信頼性の高い故障予測は、より費用効果の高いソリューションを提供すると共に、不要なメンテナンスを回避し、航空機/システムの運用上の稼働率を高め、メンテナンス要員をより良く活用する。実際に必要とされるときにのみメンテナンスを実行することは、同様の航空機の何機もメンテナンスしなければならない場合にはさらに重要である。したがって、同じ構成要素についての複数の同様の航空機にわたる構成要素性能のメトリックを利用して、構成要素のオンボードテスト基準を改善し、同様の構成要素についての車両全体の同時メンテナンス判定を行うことができるように、同様のタイプの航空機の車両内の構成要素のメンテナンスのより正確な予測が必要である。
本発明の実施形態の1つの目的は、複数の同様の航空機にわたる対応する構成要素性能の車両全体のメトリックの組み込みに基づいて信頼性の高い故障予測をもたらすために、より高い精度でオンボード構成要素モデルを更新する必要性を満たすことである。
本発明の一実施形態の別の目的は、すべての同様の航空機に配置された同じ構成要素のメンテナンスが必要であるか否かを、そのような構成要素に関連付けられた車両レベルデータの解析に基づいて識別することである。
地上ベースのコンピューティングシステムは、同様の航空機に配置された同様の構成要素の性能パラメータのデータを受信し、それぞれの同様の構成要素の対応する劣化レベルおよび劣化の変化率を判定する。同様の構成要素のグループの車両レベルの劣化は、それぞれのグループの同様の構成要素の合成劣化の解析に基づいて生成される。それぞれの同様の構成要素の各々の残存耐用年数(RUL)および健全状態(SOH)の少なくとも一方は、同様の構成要素の各々の劣化レベルと同様の構成要素のグループの車両レベルの劣化との比較に基づいて判定される。同様の構成要素の各々の予測メンテナンス時間は、同様の構成要素のRULおよびSOHのうちの対応する少なくとも1つに基づいて判定され、これにより、車両レベル情報に基づいて構成要素の費用効果の高いメンテナンスの判定が可能になる。
地上ベースのコンピューティングシステムは、同様の航空機に配置された同様の構成要素の性能パラメータのデータを受信し、それぞれの同様の構成要素の対応する劣化レベルおよび劣化の変化率を判定する。同様の構成要素のグループの車両レベルの劣化は、それぞれのグループの同様の構成要素の合成劣化の解析に基づいて生成される。それぞれの同様の構成要素の各々の残存耐用年数(RUL)および健全状態(SOH)の少なくとも一方は、同様の構成要素の各々の劣化レベルと同様の構成要素のグループの車両レベルの劣化との比較に基づいて判定される。同様の構成要素の各々の予測メンテナンス時間は、同様の構成要素のRULおよびSOHのうちの対応する少なくとも1つに基づいて判定され、これにより、車両レベル情報に基づいて構成要素の費用効果の高いメンテナンスの判定が可能になる。
本発明のいくつかの例示的な実施形態は、本発明の実施形態の動作がより理解されるために、添付の図面を参照して以下に説明されるIVHMシステムおよびデータ融合モジュールからの入力を組み込む。
車両レベルの故障予測の実施形態は、図1~図35との関係で説明したような他の発明に関連付けられた実施形態および特徴の説明から利益を得る。車両レベルの故障予測の実施形態は、図36~図48に関連付けられて説明される。
一実施形態では、故障予測システムは、データ融合モジュール1175およびMBR診断エンジン106からの入力を利用する。IVHMシステムは、図11のすべてのモジュール、MBR診断システム、および現在の対象故障予測システムを含み、その説明は、MBR診断エンジンおよびデータ融合モジュールの説明に続く図26に関連付けられた本文を参照することから始まる。
モデル駆動アーキテクチャ(MDA)およびモデルベースのエンジニアリング(MBE)を使用するIVHMは、システムが変更またはアップグレードされるたびにソフトウェアおよびハードウェア要素をフライト認定するのではなく、一度に認定するソリューションである。これは、システムの診断ドメイン知識を有するモデルを含むXMLフォーマット構成ファイルを使用することによって、大幅な費用削減をもたらす。モデルは精度を検証する必要があるが、高価で時間がかかるソフトウェアフライト認定を必要としない。これにより、軍事活動費用および支援費用が25%から-35%削減される。
図1は、航空機12のIVHM(統合型車両健全性管理)システム10の機能的挙動およびインターフェースを示し、MBR(モデルベース推論)エンジン14は、航空機12のアビオニクスベイ内の計算デバイス(不図示)上で動作する。航空機は図1を参照して示され説明されているが、実施形態はこのタイプの車両に限定されない。観測された挙動16は、様々な航空機アビオニクスデータバスから得られたBIT(ビルトインテスト)、パラメトリック、アナログ、および離散のセンサデータを指す。期待された挙動18は、様々なサブシステム、ライン交換可能ユニット(LRU)、およびシステム全体の構成要素のモデル化されたドメイン知識20から予想されるものを指す(このモデルはXMLフォーマットで表される)。構成要素とは、サブシステム、LRU、および部品を指す。観測された挙動16が期待された挙動と異なる場合18、異常な挙動(不一致/残差)が登録され、MBRエンジン14は診断モードに入る(因果解析)。様々な推論アルゴリズムおよびBIT、パラメトリック、およびセンサデータの解析により、MBRエンジン14は、故障した構成要素の検出、単一の故障した構成要素または同様の構成要素の多義性グループへの分離、誤警報識別、故障した構成要素の機能的評価(すなわち、ポンプ内の漏れ、パイプ内の漏れ、空気流の閉塞、軸受の損傷、および構成要素の物理に依存する他の評価)、および未知の異常を含む結果22を生成する。未知の異常の場合、モデル20は、構成要素、およびその故障モードに関連する他の構成要素とのその相互作用に関する追加情報を用いて改良される。この情報は、これらの構成要素の製造業者から得られ、追加の故障モードが既存のモデルに追加される。チェーン(直列または並列)内の同様の要素の多義性グループを低減するために、典型的には、多義性グループ内の特定の構成要素に分離するために追加のセンサが必要とされる。サイズ、重量、および電力の制限に起因し、追加のセンサを適用することができない場合、メンテナンス管理者は、局所的な多義性グループ内でオフボード診断解析を実行しなければならない。
図2は、IVHMシステム100のブロック図を示す。図2の様々な構成要素は、相互接続された機能、故障モード、故障確率、およびモデル化されたシステムにおける機能的評価を論理的に組み合わせるために互いにリンクされ、デザインソース(114,116,118,120)、パイロットのディスプレイに配信されるリアルタイムまたは後処理の入力データ(運用フライトプログラム102から得られ)、地上システム(OFP 102から得られ)、および維持管理者の地上メンテナンス行動122のためのディスク上のストレージ(126)にもリンクされる。説明の目的のために、IVHMシステム100はブロック図として表されているが、説明されている機能および方法は、様々な方法でハードウェア構成要素において論理的に組み合わされてもよい。
運用フライトプログラム(OFP)102は、車両の全体的な運用を管理するためのハードウェアおよびソフトウェアを包含する。OFP 102は、ランタイム診断エンジンIVHMExec 104を含む。OFP 102はまた、アビオニクスデータバスに受動的に取り付けられ、ミッション計画システムと能動的にインターフェースされ、地上システムおよびメンテナンスシステム122と能動的にインターフェースされたスタンドアロンのアビオニクスIVHMコンピュータとして実装されてもよい。IVHMExec 104は、診断モデルベース推論(MBR)エンジン106を含む。MBRエンジン106は、車両システムまたはサブシステムの物理モデルをシステム状態を記述する入力データと組み合わせ、その後、システムが正常に動作しているか否か、システム異常が存在するか否かを判定するために決定論的推論を実行し、システム異常が存在する場合には、存在する障害および誤警報の位置およびタイプを分離し、識別する。IVHMExec 104は、ポータブルメンテナンスデバイスビューア122によってもアクセスされ得るディスク126にメンテナンス記録を書き込む。
MBRエンジン106は、MBRエンジン106による意思決定を容易にするために高周波センサデータおよび低周波センサデータが共に解析および統合されるデータメッセージインターフェース108を介してリアルタイムセンサデータを受信する。MBRエンジン106はまた、リアルタイム動作インターフェース112を介して車両のランタイム動作モデル110を受信する。車両のモデル110は、モデル開発グラフィカルユーザインターフェース(GUI)114を使用してモデリングエンジニアによって作成される。モデル110は、オフライン(非リアルタイム)でMBRエンジン106を用いて作成および検証され、その後IVHMExec 104のリアルタイム埋め込みビルドによって使用されるXMLファイルにエクスポートされる。モデル110の作成に加えて、GUI 114はモデルを検証するためにも使用される。検証および妥当性確認は、特定の入力データを使用しない、モデルの内部論理および要素のテストである。このプロセスは、モデルが適切に動作しない、あるいは全く動作しないようなエラーがなく、モデルが論理的に一貫していることを保証するために必要である。
モデル開発プロセスのさらなる工程として、テストマネージャ116は、シミュレートされたフライトデータ118または実際のフライトデータ118に対してモデルをテストすることによってモデルを評価する。開発インターフェース120は、IVHMExec 104ランタイム実行可能ファイルに静的または動的に(スタンドアロンIVHMExecの場合は静的に、グラフィカルユーザインターフェース(GUI)との統合の場合は動的に)リンクされた別個のクラスであるMBRエンジン106アルゴリズムの修正および追加を可能にする。検証がモデルを論理的にテストする一方で、テストマネージャ116は、モデル性能および出力が所望通りであることを保証する。モデルが検証およびテストされると、XMLモデル構成ファイル110が生成される。
IVHMExec 104は、モデルのXML表現をロードし、車両内の様々なバスから受信される入力センサデータメッセージおよび/または地上で再生するための様々なフォーマットの記憶された履歴データにモデルを適用することによって、MBRエンジン106をリアルタイムで実行する実行部である。IVHMExec 104はまた、開発インターフェース120を介してテストマネージャ116によって使用されてもよい。ストレージインターフェース124は、MBRエンジン106を記録データストレージ126に接続する。記録データ126は、ログファイル、機器の完全なタイムスタンプされた状態、例えばスナップショット、タイムスタンプされた障害/故障異常、検出、分離、および分離に対する任意の機能的評価を含む。ログファイルはまた、MBRエンジンソフトウェア状態(バージョン番号、故障および再起動)、他の航空機ソフトウェアの識別、それらのバージョン番号、故障の場合は故障時の状態、ソフトウェアの再起動、および故障につながる機能的評価も含む。このデータの収集は、航空機で発生した実際の事象の診断視覚化の再生を可能にし、メンテナンス管理者が故障した構成要素につながるハードウェアとソフトウェアの両方の相互作用をよりよく理解することを可能にする。記録データストレージ126は、MBRエンジン106によって使用される生データおよびその処理の結果を記憶する。
一実施形態では、MBRエンジン106は、動的に較正されたデータ入力能力と、パラメータ化された直接アナログセンサデータと対応するビルトインテスト(BIT)入力とのIVHMデータ融合のためにセンサロジック内で組み合わされた論理ゲート(積集合AND、和集合OR、排他的論理和XORなど)、ルール、事例(履歴)、および決定木のセットとを含む。パラメトリックデータ、直接アナログセンサデータ、およびBIT結果の比較は、故障および誤警報予測における信頼性尺度をもたらす。
ここで、MBRエンジン106が使用するモデルの作成例について説明する。一実施形態では、モデルは、モデル化車両内の多くのソースからのデータ融合を提供する。特に、モデルは、MBRエンジン106がアナログデータ入力および定量化されたデジタルデータ入力を含むことを可能にするパラメータ化されたデータ入力能力を含んでもよく、異常の存在を判定するために測定された物理量に対して固定された境界または動的に較正された境界を有する。パラメータ化されたデータ異常判定は、単純な固定された境界、物理センサ動作に基づいて動的に変化する較正値、または信号ノイズ低減、ウィンドウ処理、待ち時間および同様のパラメータ化されたデータ調整を含む、より複雑な判定プロパティに基づくことができる。これらのデータ較正パラメータおよび閾値は、システムのリアルタイム動作中の評価のためのセンサノードプロパティとなる。関数は論理セットおよびオペランドとして表すことができ、ルールは論理セット、自然言語セマンティクス、履歴挙動(事例ベース)、または決定木(障害木解析)として表してもよい。例えば、圧力関数の場合、モデルは、フロー圧力が提供されるか否かを評価し、所望の関数論理に従って他の入力を組み合わせる。一実施形態では、各入力は、関数が真として評価されるための正の結果を示さなければならないが、他の論理関数も使用されてもよい。この関数の様々なユーザ定義パラメータは、関数のノードプロパティとして表すことができる。車両の1つまたはXML MBRモデル110およびアビオニクス計算デバイスで実行されるバイナリIVHMExec 104リアルタイムエンジンは、車両全体のIVHM能力/機能を提供する。
パラメトリックおよびBIT MBRモデルは、それらの機能によって関連する構成要素およびセンサを含んでもよい。一実施形態では、車両システムまたはサブシステムのモデルは、図3に示すように、グラフ内のノードとして表してもよい。特に、図3は、図2のモデル開発GUI 114を使用して表されるように、診断ノードまたは非診断ノードの両方を含む環境制御サブシステム(ECS)の一例を示す。説明の目的のために、特定の例が説明されるが、本明細書で説明される原理は、車両の任意のサブシステムまたはシステムに適用されてもよい。モデリングエンジニアは、図2のGUI 114を介して図3のモデルと対話する。
診断ノードは、障害または誤警報を引き起こすシステム構成要素を判定するためにMBRモデル推論エンジンで直接使用され、非診断ノードは、センサ出力およびBITテスト比較などのタスクに使用される。非診断ノードは、パラメトリックセンサデータとBITデータ結果とのリアルタイム比較に使用される。パラメトリックセンサは、(センサが故障していないときの)真のシステム挙動を表し、BITデータが対応する構成要素の故障を示すときに名目上動作している場合、この結果は誤警報として示される。故障したセンサは、センサの偽陽性テストおよび偽陰性テストから識別される。フロー圧力構成要素などの構成要素は、構成要素をモデルの他の要素に接続することによって、その状態(例えば、オン、オフ、高圧または低圧など)およびステータス(動作可能、故障、漏れなど)がMBRエンジン106によって示される特定のシステム要素を指す。センサノードは、例えば、直接センサアナログ入力、パラメトリックデータ入力、およびバイナリBITデータ入力などの多くの形態をとることができる入力データを用いてモデル化される。図3を参照すると、代表的な構成要素ノードがECSフロー圧力センサノード202として示されている。他の構成要素ノードには、ECSフロー204、ECS冷却206、およびECS準備完了208が含まれる。
図3Aは、機能ノードアイコンをダブルクリックすることによってモデリングエンジニアが見ることができるノード202の様々なユーザ定義パラメータを示し、ノード202(円形)の図3Aに示すウィンドウが表示される。ノードプロパティで定義されるパラメータは、ノードクラス301、デフォルトパラメータ値303、ならびにノード202の能力、出力、およびステータスデータ型を定義するデータ項目305を含む。特定のラベルおよび特徴が図3Aに示されているが、これらは、モデル化されている機能およびモデル化された車両のデザインに応じて変えてもよい。
デフォルトパラメータ値303,311は、利用可能なサプライヤデータがないことを示す「0」を有する構成要素サプライヤから入力された故障確率(故障モード)を示す。あるいは、故障確率は、履歴性能データから入力することができる。これは、劣化事象によって再計算することができ、すなわち、故障確率は、劣化事象と共に増加する。間欠性閾値313は、例示的なデフォルト値が5秒である間欠的またはランダムな挙動の時間期間を指す。状態315は、例えばオン、オフ、高圧など、構成要素の様々な状態を定義する。利用可能なおよび使用中のパラメータ317は、両方とも「真」に設定されているものとして示されている、すなわち、構成要素は利用可能であると共に使用中である。パラメータ317のいずれかにおける「偽」状態は、故障および/または電力の損失などの他の理由に起因する可能性があり、リンク仕様319は、機能ノードによって他の構成要素へのリンクを指定する。
図3のモデルにおける別のタイプのノードは、機能ノードである。代表的な機能ノードは、提供フロー圧力ノード210として示されている。他の機能ノードには、提供フロー212、提供冷却214、および提供ECS準備完了216が含まれる。図3の各機能ノードは、基本的なAND関数を表している。提供フロー圧力210は、例えば、フロー圧力が提供されるか否かを判定するために使用され(論理セットおよび論理オペランド)、所望の機能ロジックに従って他の入力を組み合わせる。この例では、各入力は、結果として生じる関数の状態が真であるためには、正の結果を示さなければならない。機能ノード210の様々なユーザ定義パラメータは、モデリングエンジニアが機能ノードアイコンをダブルクリックすることによって見ることができ、機能ノード210(楕円形)の図4に示すウィンドウが表示される。ノードプロパティで定義されるパラメータは、ノードクラス302、デフォルトパラメータ値304、ならびにノード210の能力、出力、およびステータスデータ型を定義するデータ項目306を含む。特定のラベルおよび特徴が図4に示されているが、これらは、モデル化されている機能およびモデル化された車両のデザインに応じて変えることができる。
図3のモデルにおける別のタイプのノードは、物理センサノードである。代表的な物理センサノードは、図3においてECS_フロー圧力ノード218(台形)として示されている。別の物理センサノードがECS_温度ノード238として示されている。物理ノードおよび仮想ノードは、多くの形態をとることができる入力データを示すためにモデル内で使用される。上述したように、モデリングエンジニアは、GUI 114を介して図3のモデルと対話する。物理センサノード218の様々なユーザ定義パラメータは、ノードアイコンをダブルクリックすることによってモデリングエンジニアが見ることができ、物理センサノード218の図5に示すウィンドウが表示される。センサノード218の場合、パラメータ化された入力データは、図5に示すノードプロパティのウィンドウにおいてデフォルトとして定義された固定された上限および下限(許容閾値)と共に使用される。パラメータ化されたデータの使用は、図5に見られるような生値402としてセンサノードプロパティにリスト化された定量化されたセンサ値の直接解析を可能にする。この場合、センサ生値402は、ECSサブシステムの測定されたフロー圧力を含む。生値402が下限404を下回るか、または上限406を超える場合、センサは異常を示し、その後、MBRエンジン106(図2)によってモデルの残りの部分と共に使用されて、異常の性質および原因を判定する(因果解析図2)。
物理センサノードの別の例は、BIT ECS_フロー圧力障害220である。このセンサは、モデル化されたシステムからのビルトインテスト(BIT)データを使用し、これはデータ出力における異常動作または正常動作のいずれかを示す。このBITテストは、対応するパラメータ化されたセンサと同じ上限および下限を使用するようにデザインされているが、異常動作の場合には異なる結果を生成する可能性がある。したがって、排他的論理和、すなわち(XOR)センサノードであるXOR_ECS_フロー圧力ノード222への別個のパラメータ化データ入力と共に、BITテストを入力として使用する。場合によっては、BITテストセンサのみがメンテナンス管理者に利用可能であってもよい。この場合、BITテストは、ここでECSフロー圧力218に使用されるパラメトリックセンサノードと同様の診断センサとして使用される。図3のモデルにおける他の物理センサノードは、BIT_ECS_準備未完了ノード240およびBIT_ECS_一時的障害ノード242を含む。
XOR_ECS_フロー圧力ノード222は、物理センサノードBIT_ECS_フロー圧力障害220およびパラメータ化された入力センサノードであるECS_フロー圧力_ND 228(非診断)からの入力を受信する。別個のパラメータ化入力センサがXOR入力に使用される理由は、この入力が非診断用である(診断サイクルが実行されない)ためである。センサは、システム障害および誤警報を判定するためにMBRエンジンで使用されることを意味する診断用、またはMBRエンジン評価からそれらを除去するための非診断用のいずれかであり得る。XORセンサ入力の場合、XOR論理および出力は相補的であり、MBRエンジン処理から分離されているので、MBRエンジンとの干渉を防止するために、非診断パラメトリックセンサ入力228が望ましい。ここで使用される例では、BITテストセンサ220も同じ理由で非診断用である。さらに、XORセンサの場合、ブランク機能226は、各センサがそれに取り付けられた下流機能を有するというデザイン要件を満たすために使用される。別のブランク機能が236に示されている。同様に、ノード222に対して、XOR_ECS_一時ノード244は、物理センサノードBIT_ECS_一時的障害242およびパラメータ化されたセンサノードECS_温度_ND 224から入力を受信する。
XOR_ECS_フロー圧力ノード222は別個の出力ストリームを生成し、接続されたセンサ(パラメータ化されたセンサノード228および対応するBITテストノード220)が異なる評価を提供する場合にのみ正のブール結果を示す。正常の動作条件下では、これは起こるべきではないため、XORセンサノードは、システムのBITまたはパラメータ化された入力のうちの1つが異常な結果を提供しているときを判定するのに有用である。これは、システムの健全性を診断するための別のツールをモデラに提供し、そうでなければ解析が困難な場合がある。
BITテストデータフィールドのみが利用可能である場合の一例が、提供フローノード212にセンサ入力を提供するBIT_ECS_フローステータスフラグ障害ノード230として図3に示されている。この場合、BITテストノード230は診断用であり、MBRエンジンで直接使用される。図3に見られる他のモデル要素タイプは、例えば232として示される、モデルの機能を説明するコメントと、図3に示されるサブモデルに示されるモデル要素の外側(すなわち、Outsideサブモデル:「LTAに出力」)のモデル要素がサブモデル、具体的には提供冷却機能ノード214と通信することを可能にする出力アイコン234とを含む。
場合によっては、パラメトリックノードは、固定された上限および下限を有さない。この場合、例えば図6に示すように、別個のノードクラスを使用することができる。このノードは、図3のサブシステムモデルの一部ではない。ここでは、経時的に変化し得る較正値(例えば、較正電圧)を提供する第2の入力が使用される。その後、測定値は、較正値の周りの較正_マイナス_パーセント502および較正_プラス_パーセント504(一般にサブシステムサプライヤ情報から判定される)によって定義されるパーセンテージ範囲内に収まらなければならない。このタイプのセンサノードは、パラメータ化されたセンサの限界に対する既知の較正値が存在する場合、図3および図5のECS フロー圧力ノード218などの境界_センサ_cfgクラスノードの代わりに使用することができる。
一実施形態では、図3に示すようなモデルは、モデルの各要素に対応するデータフィールドのリストを含む。例えば、図7に示すように、ECS_温度(C)602の値は、ECSサブモジュール内の診断用ECS_温度センサノード604および非診断用ECS_温度センサノード606にマッピングされる。これらは、このモデルのデータ入力として使用されるファイルフォーマットのデータ列のラベルであり、各サブシステム内の様々なセンサのすべてのデータフィールドを1つのファイルに体系的に定義することを可能にする。BITテストデータノードには別個のデータ項目がマッピングされ、較正されたセンサノードには較正データ項目がマッピングされる。ドロップダウンメニュー608の生値データ項目選択は、この例示的なデータ項目がECS温度センサからの生の測定値であることを示す。モデル(パラメトリックまたはBIT)内の各センサは、較正されたパラメトリックセンサ用の任意の較正値データセットと共に、データ項目にマッピングされる。
図2に戻って参照すると、モデル開発GUI 114(各サブシステムの動作をエミュレートするために、すべてのセンサ、構成要素、および機能を所定の位置に配置して)を使用してIVHM MBRモデルが構築された後、実際のまたはシミュレートされたシステムデータを使用してモデルを実行する2つの方法がある。上述したように、GUI 114は、テストマネージャ116を用いて記録されたフライトデータ118を使用してMBRモデルを実行する直接方法を含む。図8は、新規テストポップアップウィンドウ702を有する代表的なテストマネージャウィンドウを示す。フライト再生テスト704が選択されると、適切なテストシミュレートされたデータまたは実際のフライトデータファイルをオプション706から選択し、図2のテストマネージャ116にロードすることができる。データファイルを使用してモデルのテストが実行された後、出力ファイルが生成され、メンテナンス記録(すなわち、図2のメンテナンス記録ストレージ126)として書き込まれた後に記憶された解析された診断結果と共に見ることができる。既存のフライトデータを有する他のテスト事例は、708に示されるものから既に選択されてもよい。図9に示す特定のテストは代表例にすぎず、他の多くのテストを使用してもよい。
代替の実施形態では、GUI 114(図2)を使用するモデリングエンジニアは、IVHMExec 104(図2)のコマンドラインスタンドアロンバージョンを使用してモデルをテストしてもよい。この手順のために、モデルおよびデータマッピングに関する情報を含むXML(拡張可能マークアップ言語)ファイルが生成される(すなわち、図示されていない異なるGUI画面からの図8の完全な<<APS>>(APS.vmdl)モデル706)。このファイルは、IVHMExec 104のコマンドラインスタンドアロンバージョンで実行して、PMDデータビューア122(図2)にロードすることができる所定のストレージ位置に出力ファイルを生成することができる。この結果は、同じフライトデータに対してテストマネージャ116(図2)で生成されたものと同一であるべきであるが、コマンドライン手順は、大量のデータセットおよび様々な数のシステムMBRモデルのバッチファイル処理を可能にする。
モデルテストの出力データの一例を図10に示す(PMDビューア122図2)。MBRエンジン106(図2)は、ECS_温度ノード238として表されるパラメータ化されたECS温度センサにおける障害と、他の温度センサ(これらの場合のいくつか、例えば、LTAレーザアンプリファイアドライバ温度(不図示)では、利用可能なデータはBITテストのみであり、したがって、この場合の裏付けをするためにBITテストノードが使用される)を含む他のサブシステム構成要素における裏付けとの両方を使用して、ECS冷却構成要素の障害を分離している。図2および図10に同様に示すような相互接続されたサブシステムのサブモデルの論理は、ECS温度を測定するパラメータ化されたセンサECS_温度ノード238が、(サブシステム内部の他のセンサまたは他のサブシステムモデルからの外部センサからの)適切な裏付けのある異常であると判定された場合に、この結果を指示する。さらに、ECS温度異常を測定するBITテストBIT.ECS_一時的障害ノード242は、故障を別々に示している。このセンサノードは非診断用であり、したがってシステム障害を判定するために使用されないが、非診断用ECS_温度_NDパラメトリックセンサノード224の比較器として使用される。BITノードとパラメトリックノードとの間の変動は、障害BITテストまたはセンサを示すことができ、パラメータ化されたセンサを実装することによって追加される能力の1つである。
図10は、誤警報を生成するMBRエンジン106の出力の一例を示す。この場合、システムのPDUサブモデル内の電圧を測定するパラメトリックセンサである配電ユニット(PDU)P5Vセンサ802は、このサブシステムのデータ入力が定義されたパラメトリック範囲外であるため、異常を生成している。パラメトリックセンサノード実装は、潜在的に煩わしいハードウェアBITテスト結果を回避して、このセンサデータの直接使用を可能にする。パラメータ化されたノードはまた、信頼性尺度の計算のための定量的データの直接解析、偽データポイントのデータのウィンドウ処理、および同様の解析を可能にする。このサブモデルでは、パラメトリックノードPDU_P5_ND 806とBIT_PDU_P5_電圧障害808からのBITテストデータとの間のXOR_PDU_P5ノード804を使用した比較器解析が行われ、これらの2つの結果の間にセンサまたはBITテストの失敗を示す何らかの不一致があるか否かが判定される。以下の例では、他のサブシステムがシステムハードウェアの実際の障害の場合に同様の異常を予想するため、異常は誤警報であると判定される。そのような他の異常は存在しないので、MBRエンジン106は、この異常が誤警報(図10の右上のボックスにリスト化された結果)であると判定することができる。このボックスの下およびグラフィックの上に示されている他の線は、図10の結果における裏付けとなるタイムスタンプがされている。
本発明の中心的な目的は、車両および他のシステム用の高忠実度リアルタイム診断能力(誤警報(FA)拒否、障害検出(FD)、障害分離(FI)、および機器故障のパラメータ傾向)を生成することであるが、特に航空機に適している(ただし、これに限定されない)。本発明は、多数のハードウェアデバイスおよびオペレーティングシステム上の組み込みソフトウェア診断能力、ならびにフライト中のリアルタイムシステム動作中にシステムの健全性を判定するためのシステムアビオニクス統合を提供する。高周波センサおよび低周波センサからのパラメトリックデータ入力およびXORパラメータ-BIT比較器融合を実装することにより、システムは、有効なシステム健全性管理および診断能力を維持しながら、定量的センサ入力を解析し、高度な障害信頼性尺度および誤警報信頼性尺度を開発し、BIT故障を識別および解析する能力を有する。
図11は、高周波センサデータおよび低周波センサデータの両方が共に処理および統合されるデータメッセージインターフェース108(図2)の実施形態1100のブロック図である。破線1105は、線1105の上に示されている高周波センサデータ処理構成要素を、線の下に示されている低周波センサデータ処理構成要素から分離する。低周波センサデータ処理は、従来の手法を表す。低周波数センサ1110は、比較的低いデータレート出力を提供し、圧力、温度、体積、フロー、電圧、電流などのセンサに関連付けられ得る。そのようなセンサ出力は、典型的には、アナログ-デジタル変換器(A/D)1115によってデジタル信号に変換されるアナログ電圧に関連付けられる。当然ながら、センサによって直接デジタル出力が提供される場合、デジタル出力はA/D変換器1115によって処理される必要はない。
センサ出力のデジタル信号表現は、警報状態が存在するか否かの判定を行うように機能する警報検出器1120への入力として供給される。そのような判定は、センサ出力のデジタル値が、各それぞれのセンサに関連付けられた静的、記憶された上限および下限の閾値によって定義される値の固定ウィンドウ内にあるか否かの比較に基づく。そのような比較は、センサ値を対応する閾値と比較するマイクロプロセッサによって行うことができ、または専用回路、例えば集積回路比較器によって行うことができる。センサ出力の値がそれぞれのウィンドウ内にある場合、感知されている構成要素のパラメータの機能は、許容範囲内にある、すなわち警報状態でないと判定される。センサ出力の値がそれぞれのウィンドウの外側にある場合、パラメータの機能は許容範囲内にない、すなわち警報が必要であると判定される。センサウィンドウが比較的広い(低い閾値と高い閾値が遠く離れている)場合、極端または非正常であるが異常な動作状態により、感知されているパラメータがそのようなウィンドウを超え、それによって警報が発生する可能性がある。これは偽陽性に相当する。広いウィンドウは、システムが適切に機能している間に、ほとんどの信号、特にノイズの多い信号を警報として登録することを可能にする。これは、一般に、構成要素およびセンサが正常の定常状態を達成しているフライト前テストの場合である。定常状態の内部時間は、レーダーなどの特定のシステムでは30分までであり得る。定常状態が達成されると、誤警報が大幅に低減される。現在の方法は、残りの誤警報ならびに各センサの許容可能な静的下限閾値および静的上限閾値の理解を達成するために長いスケジュールおよび予算を必要とする。MBRエンジンの実装により、この労力と予算は2回のテストフライトで90%低減される。真の誤警報は容易に識別される。その後、メンテナンス(修理または交換)のために真の障害に対処することができる。持続的な偽陽性(上限閾値を超える)は、対応するセンサが故障したという指示である。ゼロセンサ生値は、センサ内の電気的短絡を表す。誤警報を最小限に抑えるために、極端なまたは非正常な動作状態に対応するセンサ出力に対応するために、センサウィンドウが比較的狭い(互いに近い低い閾値および高い閾値)に設定されている場合、感知されているパラメータは、センサ出力が狭いウィンドウの外側にあるため、異常/警報状態であると判定されない許容できない特性で動作している危険性がある。これは偽陰性に相当する。偽陰性は、起こり得る実際の異常が、そうでなければ因果解析のために検出サイクルで処理されるであろう警報登録およびタグ付けを逃したことを示す。したがって、固定された上限閾値および下限閾値を有するウィンドウを確立することに課題がある。
警報検出器1120からの出力は、警報ありまたは警報なしを示すそれぞれのデジタルタグを有する入力デジタルセンサ値からなる。これは、データのフォーマットおよび位置合わせを提供するデータ調整1125への入力を提供する。異なるセンサからのデジタル出力は、異なる桁数を有してもよく、または異なる符号化方法の値を有してもよいので、データフォーマットは、これらの値を標準化されたデータ表現およびフォーマット(すなわち、浮動小数点、整数、バイナリビットなど)、ならびに必要に応じてデータの桁のパディングに変換する。また、センサデータレート(周波数)は典型的には、異なるセンサの各々について異なるため、各センサデータストリームを共通のデータレート、例えば50Hzを有するデータストリームに変換することにより、そのような様々なセンサおよびデータブランチからの情報を統合および処理することがより容易になる。データ調整1125は、センサ値の表現の適合性を提供するためにフォーマット変更を行うことができるマイクロプロセッサ上に実装することができ、また、例えば50Hzなどの目標共通データレートに変換するために各センサデータストリームのアップサンプリングまたはダウンサンプリングのいずれかを必要とし得るそれぞれのデジタルセンサ出力の単一の共通データレートに時間同期信号を確立するために共通クロックを利用することができる。
他のデータ1130は、ハードウェアおよびソフトウェアBIT、システム障害コード、警告、注意、勧告、気象、および生物学的(車両操作者、例えばパイロットの心拍数など)データなどのセンサまたは監視から得られた他の情報を表す。この情報に関連付けられた信号は、A/D変換器1135、警報検出器1140、およびデータ調整1145によってさらに処理され、これらはそれぞれ、対応するA/D変換器1115、警報検出器1120、およびデータ調整1125について上述したものと同様の機能を実行する。
高周波センサ1150は、高データレートのアナログ情報を提供し、例えば、応力ゲージ、歪みゲージ、加速度計、振動センサ、トランスデューサ、トルクゲージ、音響センサ、光学センサなどのセンサを含むことができる。そのようなセンサ出力は、A/D変換器1155によってデジタル信号表現に変換され、異常/劣化検出器1160に入力され(より詳細な説明については図12およびテキストを参照されたい)、異常/劣化検出器1160では、各センサデータストリームが異常および/または劣化状態を表すか否かの判定を行う機能が行われる。センサ値に対してそのような条件の一方または両方が存在すると判定された場合、対応するデジタルセンサデータは、ダウンサンプリングされたセンサ日付レートでリアルタイムのセンサ情報を含む埋め込みフラグ表示と共に出力1162に出力される。出力1163は、すべてのセンサについてのデジタルセンサデータの生の出力であるが、各センサに関連付けられたデータ量を低減するためにダウンサンプリングされた後である。この出力1163は、ダウンサンプリングされた(実質的に低い)データレート以外のすべてのセンサのデータを含み、診断健全性判定を提供するために追加のリアルタイムプロセッサ(不図示)によって利用されることを意図している。ダウンサンプリングされたデータは、リアルタイムのセンサデータのすべてを処理することと比較して、より管理しやすく(記憶に必要なメモリが少なくて済むサイズが小さく)、処理が容易であり、リアルタイムの診断健全性判定を実行するプロセッサに必要な時間および処理能力を低減する。データ調整1165は、高周波センサが典型的には、同じ時間間隔で低周波センサよりも桁違いに多くのデータを生成するため、単位時間当たり実質的により多くのセンサデータを処理しなければならないことを除いて、データ調整1125と同様に動作する。すべてのデータコンディショナによって使用されるフォーマットは、異常もしくは劣化状態、または警報ステータスのフラグの組み込みに対応する。
データ融合モジュール1170(より詳細な説明については図13を参照されたい)は、移動時間ウィンドウ内の到来するセンサデータストリームを、相関するセンサデータのグループにマッピングし、すなわち、あるグループ内の各センサのセンサデータは、グループ内のあるセンサからのデータによって感知された構成要素異常または故障が、グループ内の他のセンサからのデータによって示されるように異常または故障によっても反映されるべきである相互関係を有する。例えば、第1のグループが、ポンプの振動、ポンプによって利用される電力、およびポンプによって生成されるフローレートを感知するセンサに関連付けられたセンサデータからなると仮定する。また、ポンプが軸受の摩耗によって劣化していると仮定する。軸受が十分に摩耗している場合、ポンプは標準外の振動を生成する。ポンプによって利用される電力は、摩耗した軸受の摩擦の増加に起因して、始動時の電力需要を増加させるか、または急増させる可能性がある。ポンプによって生成されたフローレートに関連付けられたセンサデータは、ポンプモータが必要なフローを維持しながらポンプシャフトの回転を増加させる負荷(電力)の増加を補償しようとするとき、劣化の重大度に応じて標準外の減少したフローを示しても示さなくてもよい。最終的に、これを継続させると、軸受の裂け、シャフトの位置ずれ、および場合によってはモータワイヤ巻線の焼けが発生して、ポンプ構成要素が故障する。
センサグループ内の2つ以上のセンサからの標準外の状態を示すセンサデータの一貫性は、実際の劣化または故障の存在を識別する工程である。実際の故障分離は、MBRモデル20(図1)と比較した場合に、MBRエンジンアルゴリズム106(図2)によって判定される。逆に、グループ内の別のセンサからのセンサデータによっても検証されない標準外状態を示す1つのセンサからのデータは、一時的な異常(ランダムまたは間欠的)に起因する可能性がある誤警報、または標準外状態の持続的なセンサがそれ自体が適切に機能していないことを示す誤警報である可能性がある。
他の上流構成要素または下流構成要素に関連付けられたセンサデータもグループ内に含めることができる。上記のポンプの例では、構成要素、例えば冷却を必要とするエンジンを通って導かれる液体のフローを生成するようにポンプが制御されると仮定する。このさらなる例では、ポンプの故障はまた、所望の動作範囲を超える可能性があるエンジン加熱の増加をもたらす可能性があるため、エンジンに関連付けられた熱センサをグループ内に含めることができる。したがって、相関するセンサデータのグループ化は、2つ以上の構成要素の感知された属性と関連付けることができることが理解されよう。センサデータのグループは、高周波センサ1150、低周波センサ1110、および/または他のデータセンサ1130からのセンサ情報を含んでもよい。当然ながら、いくつかのセンサからのデータは、いずれのグループにも含まれていなくてもよく、したがって、個別に解析され、考慮される。
データ融合モジュール1170は、相関するセンサの所定のグループ内に含まれるセンサデータについてのグループベースで、またはセンサデータがいずれのグループの一部でもない個々の単位で、経時的に増加する時間ウィンドウ内でマッピングされたセンサデータを解析する。データ融合モジュール1170は、タグがグループ/個々のセンサデータに関連付けられるべきか否かのセンサデータの各グループ/個々について記憶された使用状況および動作標準範情報に基づいて判定を行い、タグは所定の条件コードのセットのうちの1つからなる。各条件コードは、構成要素によって生成された同様の障害コードにマッピングされ、比較される。その後、条件コードは、MBRエンジン106におけるさらなる処理のために送信され(図2)、一方、障害コードおよび条件コードは、不揮発性メモリに記憶される。例えば、「0」」の条件コードは、構成要素の感知された属性が正常動作範囲内にあることを示し、「1」の条件コードは、構成要素の異常/故障を表し、「2」の条件コードは、センサの動作ウィンドウの正常範囲が望ましくない動作状態を含むほど広いことによって引き起こされ得る検出された偽陽性を表し、「3」の条件コードは、センサの故障、または実際の異常の裏付けがMBRエンジン106の検出サイクルを逃してしまうようなセンサの正常範囲較正のウィンドウを狭すぎることによって引き起こされ得る、検出された偽陰性を表す。
センサデータは、条件コードと共に、さらなる解析のためにデータ融合モジュール1170から診断モデルベース推論エンジン106に送信される。データ融合モジュール1170は、センサデータストリームを相関グループにマッピングし、それぞれのセンサ値を上限および下限閾値を有する動的正常動作ウィンドウと比較し、グループ内のあるセンサに関連付けられた異常/障害がグループ内の別のセンサによる異常/故障の相関によって支援されているか否かを判定し、判定された誤動作/障害を表すエラーコードタグを用いてそれぞれのセンサデータを符号化することができるマイクロプロセッサ/コンピュータ上で実行されるソフトウェアで実装される。
図12は、図11の異常および劣化検出器1160の一実施形態のブロック図である。この検出器は、好ましくは、処理に利用可能な数千ではないにしても数百のGPUプロセッサコアを有するシステムオンチップなどのグラフィック処理ユニット(GPU)上で実行されるソフトウェアによって実装される。これは、多数のセンサからの出力の同時処理を支援する。A/D変換器は、専用のハードウェア回路を利用してもよいが、A/D変換器は、GPUコアを利用するソフトウェアに実装されてもよい。同様に、データ調整モジュール1165は、GPUコア上で実行されるソフトウェアによって実装されてもよい。A/D変換器1155からのデジタルセンサ入力1205は、有効値および閾値の動的/移動ウィンドウにおいてセンサからパラメトリック値を受信する信号スケール識別モジュール1210によって入力として受信される。有効値の動的ウィンドウは、センサが関連付けられている車両の動作のための履歴記憶された正常データに基づいて確立される。信号スケール識別ブロック1210によって受信された生センサデータは、ダウンサンプルモジュール1215に渡され、ダウンサンプルモジュールは、実質的に正常なデータを排除する(このデータサンプルによって表される多数の削除された重複データを有する少量のタイムスタンプされた正常データを保持する)ことによってセンサデータストリームのサイズを縮小する。標準外パラメータデータの代表は、タイムスタンプおよびこのデータサンプルによって表される削除された重複データの数でタグ付けされる。出力1220上で送信されるこのダウンサンプリングされたデータストリームは、非リアルタイムオフライン解析のための初期データストリームの再作成を可能にする。動作モードブロック1225の識別は、センサデータを解析し、それを車両の対応する異なる動作モード、例えば、いくつかのモードを挙げると、フライト前、タクシー、離陸、加速および減速、徘徊、武器配送、着陸、フライト後の動作モードに関連付けられた異なる記憶された履歴値範囲と比較する。選択検出モードブロック1230は、車両の動作モードを識別する動作モードブロック1225の識別からの出力を受信する。選択検出モードブロック1230は、モードパラメータ1235に、その動作モードに固有の期待される値の正常のウィンドウを定義する各センサの対応する記憶されたパラメータセット(上限および下限閾値、ならびに他のモード依存要因)を識別させる。
これらのパラメータは、異常/劣化検出モジュール1240に送信され、異常/劣化検出モジュール1240は、各センサデータストリームの対応するパラメータを利用して、これらのパラメータによって定義された期待される動作標準の外側にある値を識別する。したがって、各センサの正規化された動作の動的ウィンドウは、動作モードに応じて変化する。これは、動作モードに基づいて各センサの正常パラメータの動的な変化を提供し、したがって、対応する「正常値ウィンドウ」を変更して特定の動作モード中に期待される値を可能にすることができるため、異常/劣化が感知されているか否かのより正確な判定を可能にする。センサ値は動作モードに応じてかなり変化する可能性があるため、それぞれの動作モードのウィンドウ閾値およびパラメータを調整することにより、すべての動作モードをカバーするために単一の大きな許容範囲を利用する必要なく、誤警報を排除する能力を大幅に高める。様々な動作モードについて収集され記憶された以前のセンサデータに基づくオフライン訓練は、これらのウィンドウ閾値の精緻化を可能にする。
非正常測定モジュール1245は、異常/劣化検出モジュール1240からそれぞれのセンサデータを受信する。モジュール1245は、判定された動作モードの正常パラメータ値に対して、各センサ出力に関連付けられた値のパラメータ距離測定を行う。これらのパラメータ距離測定値に基づいて、非正常測定モジュール1245は、各センサ出力について、センサによって感知されている機能が正常モード内で動作しているか否か、または異常が存在するか否かの判定を行う。センサ出力値が対応する正常値ウィンドウ内にある場合、正常動作が判定され、すなわち、機能は期待される動作範囲内で動作している。センサ出力が対応する正常値ウィンドウ外にある場合、動作の異常が判定され、すなわち、機能が劣化した性能または故障状態で動作しているか、またはセンサもしくはその較正に問題がある。上述したタグ条件コードを参照されたい。そのようなタグは、各センサ出力に適用され、設定された異常および劣化フラグモジュール1250に送信される。モジュール1250は、そのようなタグを、出力1162としてデータ調整モジュール1165に送信されるセンサ出力値の各々に組み込む。
図13は、図11に示すデータ融合モジュール1170の一実施形態のブロック図である。融合モジュール1170は、マイクロプロセッサベースのコンピュータ上で実行されるソフトウェアによって実装されてもよい。データマッパモジュール1310は、データ調整モジュール1125、1145および1165からセンサデータ1305の到来ストリームを受信する。このモジュールは、上述したように、相関された異なるセンサからのデータが移動時間ウィンドウ内でそれぞれのグループに統合されるように、到来するセンサストリームからのデータをマッピングまたは相関させる。すなわち、時間ウィンドウが移動するにつれて、その時間ウィンドウ内で発生するセンサ出力は、相関グループにマッピングされるべきものである。到来するセンサデータは共通のデータレートに標準化されているため、各時間ウィンドウ内の時間を選択して、各センサについて1つのデータ出力を捕捉することができる。データを供給するセンサは事前に知られており、相関するセンサのグループを手動で予め決定することができるため、相関情報(相関するセンサのセット)をメモリに記憶し、データマッパによるセンサ出力の関係をそれぞれの相関するグループにルーティングするために利用することができる。これらの相関するセンサ出力のグループは、対応する相関するセンサのグループの初期性能パラメータの記憶されたセットに対して、劣化/異常と判定されたグループ内のセンサ出力を含む、相関するセンサ出力のグループのデータを解析する、融合データモジュール1315に入力される。融合データモジュール1315は、診断モデルベースの推論エンジン106によって提供されるさらなる解析を支援するために、条件付き障害コードまたは異常コードでタグ付けされた単一のデータセットに、センサ出力の相関グループのデータを融合または統合する。融合データモジュール1315からの融合出力データは、各相関されたセンサ出力グループに関連付けられたデータを、それぞれの相関されたセンサグループの一部である単一のセンサからの出力と比較するパラメータ特徴付けモジュール1320への入力である。この比較は、好ましくは、過去または最後の状態からの単一のセンサからの対応する出力を利用する。過去の出力センサ状態とのそのような比較は、非正常な挙動または少なくとも非正常な挙動に向かう傾向を示し得る将来の状態を示し、予測するのに有用である。そのような比較の結果は、キューに記憶され、その後、さらなる解析のために出力1175として編成されたセットとしてMBRエンジン106に出力される。キューは、(必要に応じてより多くのプロセッサRAMをキューに動的に割り振り、必要でないときに割り当てられたRAMを解放することによって)データ損失なしに入力データレート1175を管理しながら、MBRエンジン106で必要とされる任意の処理待ちに対応するための可変データレート出力を可能にする。
図14および図15は、それぞれ、対応する正常および欠陥のあるポンプ軸受の遠心ポンプ内のモータ軸受の振動センサからの例示的な高周波センサデータ1405および1505を示す。センサ出力データ1405は、ポンプ内の正常に動作している軸受からの振動を表し、ポンプの状態に対応するより大きな振幅を有する反復振幅変動1410を示し、これは正常では、より少ない振動を生成するポンプの状態に対応するより小さな振幅変動1415をわずかに大きくする。より大きな振幅変動1410は、典型的には、インペラハウジング内の流体逆流の補償または負荷の変化によるより大きな負荷が発生しているポンプ状態に対応し、より小さな振幅変動1415は流体の逆流がなく、振動が少ないことに対応する。1410および1415の両方は、遠心ポンプの定常状態動作を表す。ロータ(ポンプシャフト)速度は、示されている時間間隔全体にわたって一定のままであることに留意されたい。
センサ出力データ1505は、ポンプ内の軸受の誤動作/欠陥からの振動を表す。図14の変形例と幾分類似して、より小さい振幅出力1515が散在する反復的なより大きい振幅出力1510が存在する。しかしながら、より小さい振幅出力の平均と平均より大きい振幅出力との差は、図15において、図14における同じ対応する差よりも大幅に大きいことに留意されたい。また、より大きな振幅の出力部分1510の開始時の振幅スパイク1520は、より大きな振幅の出力部分1510の残りの部分のいずれよりも著しく高い振幅を有する。時間が経過するにつれて、スパイク1520 Aは、対応するより大きな振幅部分1510の残りの部分に対してその振幅差がさらに誇張されることに留意されたい。ポンプサイクルの開始時のこのような振動差は、軸受の摩耗による摩擦の増加に対応し得る。経時的なより高い周波数に対するシステムのベースライン傾向(例えば、開始からの平均傾斜の増加)にも留意されたい。これは、ポンプシャフトの劣化および位置ずれの発生、ならびに修理しない限りポンプの起こり得る最終的な故障を示している。
良好な作業指示でのポンプの動作中の正常の期待される軸受振動に対応してセンサデータが収集および記憶されると、このデータは、対象ポンプが正常に動作しているか、またはメンテナンスもしくは交換を必要としているか否かの判定を行うために、就航中のサービス中(航空機のフライト中)のセンサデータと比較/対比されることができる。図16および図17に関して以下で説明されるように、そのような判定は、好ましくは、2つ以上の感知パラメータから得られる情報に基づいて行われる。
図16および図17は、それぞれ良好な軸受および不良な軸受を有する遠心ポンプへの電力を監視するセンサからの例示的な高周波センサデータ1605および1705を示す。良好な軸受を有するポンプによって消費される電力に対応するセンサ出力データ1605は、比較的低い消費電力で、より低い大きさの部分1615において比較的高い消費電力のより大きい大きさの部分1610を含む。図16および図17のタイムスケールは同じであるが、図14および図15に関連付けられたタイムスケールとは異なることに留意されたい。例えば、より大きい振幅部分1610は、ポンプが動作可能であり、負荷を受けている時間に対応してもよく、より小さい振幅部分1615は、より軽い負荷またはおそらくほとんど負荷のない時間間隔に対応する。センサ出力データ1705は、軸受が不良なポンプによって消費される電力に対応し、時間間隔1715によって示されるように、より低い消費電力に対してより高い消費電力を表すより大きい大きさの部分1710を含む。しかしながら、消費されている電力のセンサからのスパイク1720は、対応する時間間隔1610の間に示される最大消費電力よりも一桁以上大きいことを表す。このような電力消費の極端に大きい必要性は、ポンプの回転部を動かすために特に高い初期抵抗を引き起こす不良軸受を有するポンプ(またはポンプサイクル)の初期始動と一致する。
ポンプ振動センサからのデータとポンプ動力センサとの融合は、ポンプの軸受が誤動作/劣化しているか否かの高い信頼性の判定につながる。欠陥軸受信号1505と電力センサデータ1705の両方による正の相関は、関連付けられたポンプが最低でもメンテナンスまたは場合によっては交換を必要とするという信頼性の高い判定をもたらす。逆に、2つ以上のセンサ信号から正の相関がなければ、欠陥を示す1つのセンサ信号のみが偽陽性である可能性がある。そのような偽陽性は、車両の動作の一過性の変化または一時的な電気的干渉などの一時的な状態の結果であり得る。あるいは、正の相関の欠如は、誤動作の検出に関連付けられたセンサ自体が欠陥であるか、またはおそらく較正が狂っていることを示すこともできる。
図18、図19、図20、および図21は、動的異常認識に利用される高周波センサ信号および導出されたセンサ信号平均を示す例示的なグラフである。この技術は、動作ベースの処理モードとは独立しており、それに加えて実行されるが、両方とも異常/劣化検出1160で並行して行われる。以下に説明する他の情報を有するパラメータ異常タグのみがデータ融合1170に転送される。これらのグラフのタイムスケール(横軸)は、動的異常認識に異なる移動平均がどのように利用されるかを説明するのを助けるためにこれらのグラフが提示されるのと同じではないことに留意されたい。図18において、高周波センサからの出力1805は、それぞれの短期、中期、および長期タイムスケール期間を有する一連の3つの異なる移動平均の基礎を形成する。この例では、より短期タイムスケール平均1810は、より長期のタイムスケール平均1820よりも短い中期タイムスケール平均1815よりも実質的に短い。タイムスケール持続時間は、対応する短期移動平均、中期移動平均、および長期移動平均を計算するために利用されるセンサデータ値の数を指す。値の数は、センサデータレートおよびセンサ値の典型的な変化率に応じて変化し得る。初期データ取得時に、これらの移動平均は、到来するパラメータ値および振幅の変化率に従って動的に設定される。中期平均タイムスケール期間は、一般に、短期移動平均タイムスケール期間の1.5から2.5倍であることが観測される。長期移動平均時間スケール持続時間は、一般に、中期移動平均時間スケール持続時間の2倍(またはそれ以上)であることが観測される。中期移動平均および長期移動平均のより大きいタイムスケール持続時間サイズは、これらの平均の結果として得られる曲線における大きさ(振幅)を減少させる効果を有することに留意されたい。これらの移動平均サンプリングウィンドウは、以前のセンサデータに対するオフライン訓練によって精緻化されてもよい。これらは、それらの適用性について十分な信頼が得られると静的に設定することができ、したがって、他のプロセスに利用することができる計算処理能力を低減する。図18に示すように、センサ出力の実質的に一貫した平均の大きさは、対応する実質的に直線の短期移動平均1810、中期移動平均1815および長期移動平均1820によってそれぞれ反映される。
図19は、関連する短期、中期、および長期移動平均1910、1915、および1920をそれぞれ有する高周波センサの出力1905を示す。この例では、間隔1925の期間に実質的な振幅、短時間過渡があった。短期移動平均1910は、この過渡間隔の間にセンサ信号1905を密接に追跡する。しかしながら、図示のように、中程度の長さの移動平均1915およびより長期の移動平均1920は、過渡間隔の間にこれらの平均の変動をほとんど生じさせないタイムスケールを有する。そのような過渡現象は、中程度の長さの移動平均1915にさえ関連付けられた移動平均時間間隔に対して短い一時的な(間欠的または過渡的な)異常を反映する可能性がある。これらは、ノイズの多いデータバス、環境効果、または何らかの他の近傍機構的効果によるデータ内のランダムノイズによって発生する可能性がある。この挙動は、移動平均の持続的でないシフトとしても知られており、したがって信号のランダムな統計的変動を示している。
図20は、関連付けられた短期、中期、および長期移動平均2010、2015、および2020をそれぞれ有する高周波センサの出力2005を示す。この例は、間隔2025で始まるセンサ出力値の実質的な初期の大きさの変化を示す。センサ出力の初期の大きさの変化は、間隔2025の終わりまでに減少するが、それは依然として、その進行する間隔2025よりも大幅に高いレベルに維持される(すなわち、ベースライン曲線の傾斜の増加)。理解されるように、短期移動平均2010は、間隔2025の前、間、および後のセンサ出力値を密接に追跡する。しかしながら、間隔2025の持続時間は、中期移動平均2015が短期移動平均2010に向かって追跡し始め、これらの2つの移動平均が間隔2025の終わりで実質的に一致するように、中期移動平均2015に使用される値の数よりも実質的に長い。間隔2025の間、長期移動平均2020は中期移動平均2015に向かってゆっくりと上方に移動しているが、間隔2025の終わりまでに、長期移動平均2020はまだ中期移動平均2015の値に達していないことに留意されたい。長期移動平均2020は最終的に中期移動平均2015に収束するが(センサ出力値が間隔2025の終わりで相対的に一定のままであると仮定すると)、これが発生するには、中で利用されるセンサ値の数と長期移動平均との間の差に応じて、かなりの数の移動平均ロールオーバー計算が必要になる。パラメータ値の大きなサンプリング(多数の連続移動平均計算)中にベースライン傾斜がゆっくりと増加しているという事実は、公称から外れた挙動、すなわち移動平均の持続的なシフトを示す(すべての曲線に留意)。これは、対応するパラメータデータに異常および劣化事象として登録(タグ付け)される。これらの移動平均に対応する構成要素は、故障しておらず、依然として使用可能であるが、劣化した状態である(すなわち、動作条件は、定常状態を達成するために、より低い値に調整されなければならない)。しかしながら、近い将来のある時点で、この構成要素は、構成要素の完全な正常の性能のために修理または交換されてもよい。
図21は、関連付けられた短期、中期、および長期移動平均2110、2115、および2120の高周波センサの出力2105をそれぞれ示す。この例では、間隔2125で始まるセンサ出力値2105は、間隔2125の終わりに実質的に公称から外れた値に達するまで、値の定常的な増加率を受ける。予想通り、短期移動平均2110は、基礎となるセンサ値2105の値を密接に追跡する。中程度の長さの移動平均2115(中程度のサンプリングウィンドウ)は、短期移動平均2110に向かって上昇し始めるが、間隔2125の終了後まで短期移動平均2110の値に達しない。予想通り、長期移動平均2120は、ゆっくりと中期移動平均2115に向かって上方に移動し始めるが、図示のグラフの終わりまでに、中期移動平均2115と同じ値に達していない。この例は、間隔2125の前に示された値から、間隔2125の終わりに新たな比較的公称から外れた移動平均に移動するセンサ出力値の持続的な変化(移動平均の持続的なシフト)を示す。この例は、故障が近い構成要素を示している。それは、非常に早く、すなわち、好ましくは関連する車両が保管所に戻ると、修理または交換されなければならない。ベースライン傾斜は、下降することなく連続的に急激に増加している。これが重要な構成要素である場合、車両の動作がそのまま継続する場合、車両の安全性が含まれる。車両の操作者は、ベースに戻るべきである。パラメータデータは、MBRエンジン106によって直ちに処理される警報と、即時の行動のために(車両が航空機であると仮定して)パイロットに表示されるまたは地上ベースのパイロットに送信される情報とを伴う(重要な構成要素についての)重要な異常としてタグ付けされる。
図22は、動的異常認識を支援するために利用される基準が導出される高周波センサ値の例示的なグラフである。この例示的なグラフは、基礎となるセンサ値2205に基づいて移動データウィンドウ2210上で決定された基準を示す視覚的表現を提供する。これらの基準は、関連付けられたセンサ値によって感知された対応する機能について警報が実施されるべきか否かを判定するための基準を提供する。線2215は、ウィンドウ2210内に含まれるデータ値の傾斜を表す。線2220は、ウィンドウ2210内に含まれるデータ値の算術平均(u)を表す。鉛直線2225は、ウィンドウ2210内に含まれるデータ値の標準偏差(SD)の視覚的表現である。一般に、警報は、
|s|<0.0167
および
SD/u<1/6
と設定される。
この技術は、センサ出力値の持続的なシフトの検証、ならびに警報係数の決定、すなわち警報がいつ決定されるべきかに対応する。この技術は、平均によって正規化されるように、6つの標準偏差を超える一貫性値を決定するガウス分布統計を有する低確率に基づいている。標準偏差は、異なるセンサ出力値に対応するために平均によって正規化されることに留意されたい。図18~図21と比較すると、移動平均を有する正規化された信号(図22)は、移動平均の持続的なシフトに対してより小さい傾斜「s」を生成し、SD/uの値がより小さいことに留意されたい。これにより、警報を生成するために(上述のような)必要な条件が生成される。
|s|<0.0167
および
SD/u<1/6
と設定される。
この技術は、センサ出力値の持続的なシフトの検証、ならびに警報係数の決定、すなわち警報がいつ決定されるべきかに対応する。この技術は、平均によって正規化されるように、6つの標準偏差を超える一貫性値を決定するガウス分布統計を有する低確率に基づいている。標準偏差は、異なるセンサ出力値に対応するために平均によって正規化されることに留意されたい。図18~図21と比較すると、移動平均を有する正規化された信号(図22)は、移動平均の持続的なシフトに対してより小さい傾斜「s」を生成し、SD/uの値がより小さいことに留意されたい。これにより、警報を生成するために(上述のような)必要な条件が生成される。
図23は図11の異常/劣化検出を実施するために利用することができる例示的な独立した並列工程のフロー図を示す。センサからのデジタル出力のストリーム1205は、各センサに関連付けられたデータの適切な移動ウィンドウを判定する工程2305への入力として受信される。各センサは固定データレートでデータを出力するが、様々なセンサの出力データレートは異なっていてもよい。各センサの出力データはそのセンサに対して一意に識別されるため、各センサの既知のデータレートをメモリに記憶し、次に取得して、適切な移動データウィンドウ、すなわち解析のために一緒にグループ化されるセンサ出力値の数の決定を支援することができる。工程2305に続いて、デジタルセンサデータストリームは、出力1220上で送信されるデータの量を最小限に抑えるために、工程2310においてダウンサンプリングされる。多くの場合、異常がフラグ付けされると、一連の移動するデータウィンドウにわたって同じ異常が存在する。ダウンサンプリングは、所与のセンサ出力に対してそれぞれ同じ異常を有する連続した移動データウィンドウの数をカウントすることと、その後、カウントされたデータフレーム/ウィンドウの数を、同じ異常を有する連続した移動データウィンドウの最後に関連付けられたデータで符号化することとからなることができ、その結果、カウントされた回数の関連データを単に複製することによって、必要に応じて元のデータを再構成することができる。この手順は、その出力サイズを低減するために公称データにも利用される。この情報は、構成要素の将来の状態/値の予測のためのリアルタイムと、メンテナンス位置で実行されるメンテナンス解析などの非リアルタイム環境の両方で使用されることが期待される。出力1220は、地上制御ステーションおよび/またはメンテナンス場所に無線などで送信されてもよく、または不揮発性ストレージにローカルに記憶され、後にストレージからメンテナンス場所に転送されてもよく、またはPMDビューアを実行する接続されたハンドヘルドデバイスによって車両から取得されてもよい。
工程2315において、現在の動作モードの判定が行われ、動作モードの対応する記憶されたパラメータが選択される。航空機の場合、現在の動作モードは、離陸、標準の加速、戦闘加速、定常状態速度での巡航、着陸などが可能である。この情報は、メモリに記憶されたフライト計画から、または動作モード、例えば車輪の重量、加速度計、速度、高度の変化率などを反映するセンサデータの解析などから判定することができる。そのようなセンサデータの記憶された所定の基準/閾値は、現在のセンサタグと比較した場合に動作モードを決定するために利用することができる。特定の動作モードに関連付けられた検出パラメータ、例えば上限閾値および下限閾値、または決定された動作モードの記憶された正常値が選択される。複数の異常検出器1160の各々は、構成要素内の同一の既存の高周波センサ(1~n個のセンサ)のセットに接続され、GPUの1つのコアに実装される。あるいは、同様のまたは異なる構成要素からの異なるセンサに対して、同じGPUコアで複数の異常検出器1160を実行することができる。センサ閾値および較正情報は、サプライヤデータから入手可能であり、リアルタイム入力車両データに対する処理のために車両に記憶される。車両内の各高周波センサに使用することができる十分なGPUコアがある。
工程2320において、現在のセンサ値が、現在の移動ウィンドウについて選択された検出パラメータと比較される。実際の測定(リアルタイム入力信号)では、これらの選択された検出パラメータは、センサが取り付けられた構成要素の公称動作に一致する。逆伝播を伴う入力層、隠れ層、および出力層を有する人工ニューラルネットワーク(ANN)を異常検出機構として利用することができる。記憶された訓練データは、クラスのグループに編成され、監視能力(オフライン教師付き学習)で利用される。各クラスのモデル化には、n次元ガウス関数を利用することができる。これらは、ラジアル基底関数(RBF)とも呼ばれる。それらは、入力層と出力層との間の統計的プロパティおよび次元相互関係を捕捉する。RBF ANNのアルゴリズム目標は、公称構成要素挙動については出力パラメータ「0」であり、公称構成要素挙動以外については出力パラメータ「1」である。
工程2325において、正常なセンサ値、例えば異常の出力について、センサ値と対応する正常な検出パラメータとの間の差が計算され、記憶される。この情報は、センサデータのオフライン訓練およびRBF機能モデルの改良に有用である。工程2330において、必要に応じて、対応するセンサデータに対してデータフラグ/タグが設定される。
工程2335において、各移動ウィンドウについての各センサの出力についての短期移動平均、中期移動平均、および長期移動平均が判定される。移動平均の計算は、当業者にはよく理解されており、そのような計算およびソフトウェアを実装するのに支障はない。工程2340において、これらの移動平均間の差、および移動平均の傾向の判定が行われる。工程2345において、決定された傾向は、記憶された履歴傾向データと比較されて、非正常な状態が存在するか否かを判定する。工程2347ごとに(上記の説明によって決定された)永続的なシフトが存在する場合、プロセスは、警報フラグの必要性の検証および妥当性確認を継続し、対応するセンサデータを2350に送信する。
工程2350において、各移動ウィンドウにおける各センサ出力の傾斜、平均および標準偏差が計算される。当業者は、標準的なマイクロプロセッシングユニットを使用して、または算術処理ユニットを使用して、ソフトウェアでそのような計算を実施する方法を知るであろう。これらの計算は、グラフィック処理ユニット上で実施することもできる。工程2355において、「テスト1」が行われ、傾斜が記憶された所定の傾斜閾値と比較されて、非正常状態が存在するか否かが判定される。工程2360において、「テスト2」が行われ、正規化標準偏差が記憶された所定の標準偏差閾値と比較されて、非正常状態が存在するか否かが判定される。工程2365において、「テスト1およびテスト2」の両方が正常値から外れている場合、非正常な挙動が存在すると判定される。必要に応じて、工程2365に続く工程2330において、異常/劣化フラグが設定される。また、工程2330において、高周波センサデータは、低周波センサおよび他のデータセンサから受信したデータレートと実質的に同じデータレートを有するためにダウンサンプリングされる。これにより、データ融合ブロック1170によるすべてのソースからのセンサデータのより容易な処理および統合が容易になる。
図24は、図13のデータ融合を実施するために利用することができる例示的な工程のフロー図を示す。工程2405において、到来するセンサデータストリーム1305は、グループ内の各データストリームが相関される所定のグループにルーティング(マッピング)される。センサデータの相関について上述した。各センサデータストリームは一意に識別され、相関するグループ内のセンサは予め決定され、相関する各グループ内のセンサを識別するモデリングエンジニア(図2)による手動入力などによってメモリに記憶される。この情報は、メモリに記憶され、その後、到来するデータストリームを相関グループに分離するために取得される。これらの相関グループは、個々のセンサ出力によって示される任意の障害に対する相関解析だけでなく、個々の解析のためにメモリに一時的に記憶されてもよい。
工程2410において、相関するグループの各々について、センサ値が、現在の動作モードに関連付けられた値の対応する正常範囲と比較される。この解析に基づいて、非正常と識別されたグループに関連付けられたセンサデータは、条件コードでタグ付けされる。工程2415において、融合されたグループセンサデータは、複数のデータウィンドウにわたる相関または相関の欠如について個々の(単一の)センサ値と比較されて、非正常な挙動または非正常な挙動への傾向を検出する。例えば、相関する高周波センサ1150のグループと相関するセンサ1110または1130のうちの一方から来る個々のセンサデータは、異常を確認するか、または個々のセンサデータがグループ内の他の人によって他の非正常なセンサ出力によって妥当性確認がされない潜在的な誤警報を防止するのに有用であり得る。あるいは、そのような個々のセンサデータは、正常動作を反映することができ、一方、高周波センサからの相関センサの対応するグループは、非正常挙動に向かう傾向を示すことができる。これは、単一のセンサデータが、対象構成要素が何らかの形態のメンテナンスを必要とする可能性があるという警告を提供するのに十分に応答しない個々のセンサの「偽陰性」を表す。
図25は、高周波センサ解析および低周波センサデータとの統合を実施するための例示的なコンピューティングシステム2500のブロック図である。コンピューティングシステムオンチップ(SOC)の中心はマイクロプロセッサ2505であり、これはまた、算術処理ユニットおよび/またはグラフィック処理ユニット(GPU)を含んでもよい。あるいは、GPUは、図23および図24の計算/決定の一部、すなわち「グラフィック」情報以外を処理するために単独で使用されてもよい。読み出し専用メモリ(ROM)2510は、マイクロプロセッサ2505によって使用される記憶されたプログラム命令およびデータを含む。ランダムアクセスメモリ(RAM)2515はまた、データが記憶され、後に読み出され得る場所としてマイクロプロセッサ2505によって使用される(GPUはまた、それ自体のRAMを有する)。不揮発性メモリデバイス2520は、コンピューティングシステムの電力損失時に失われない命令および/またはデータを記憶するために利用される。入力/出力(I/O)バッファ2525は、マイクロプロセッサ2505に結合され、外部データの受信およびマイクロプロセッサから外部デバイスへのデータ伝送を容易にする。入力デバイス2530は、ユーザがコンピューティングシステム、例えばキーボード、マウスなどに情報を入力するための従来の方法を表す。出力デバイス置2535は、コンピュータシステムからユーザ、例えばビデオモニタ、プリンタなどに情報を伝達するための従来の方法である。マイクロプロセッサ2505(またはGPU)の並列コアの数に応じて、すべてのコアは、上記で説明した工程に従ってすべてのセンサからのデータを処理するのに必要な十分な計算能力を提供する。例えば、1つのコアを使用して、センサの1つの相関グループのすべてのデータを処理することができる。これは、そのグループ内のすべてのセンサが、そのグループ内の他のセンサの出力と記憶および比較する必要がある出力を有するためである。
当業者によって理解されるように、ROM 2510および/または不揮発性ストレージデバイス2520は、マイクロプロセッサ2505が図示のように周辺機器との間で情報を通信することを可能にするオペレーティングシステムを記憶する。より具体的には、センサデータは、I/O 2525を介して受信され、メモリに記憶され、次いで、記憶されたプログラム命令に従って処理されて、それぞれのセンサに関連付けられた構成要素の異常および劣化の検出を達成する。上記で説明したようなセンサデータの解析に基づいて、当業者は、連続する移動データウィンドウにわたって図18~図21に関して説明したような異なる長さの移動平均を判定し、異なる長さの移動平均のそれぞれの値を特定の動作モードの記憶された閾値と比較するためにコンピュータシステムソフトウェアに実装する方法を知る。同様に、図22に関して、当業者は、連続する移動データウィンドウ内のセンサデータの傾斜、平均、および標準偏差をソフトウェアで計算し、結果を記憶された基準と比較する方法を知る。それぞれの車両の異なる動作モードに対応する異なる閾値および値がメモリに記憶される。動作モードを決定すると、対応する記憶された閾値および値は、それぞれの動作モード中にセンサから導出された情報との比較のために利用される。すべてのタイプの動作条件について所与のセンサの正常動作範囲を決定するために固定された上限および下限閾値のみを利用するのとは対照的に、本明細書に記載の技術は、所与のセンサの動的な、すなわち変化する基準を提供して、センサデータおよび/または車両の動作モードの変化に依存する異常/劣化を決定する。
使用される場合、特に明記しない限り、用語「上部」、「下側」、「前方、」、「背面」、「上」、「下、」および同様のそのような用語は、実施形態を特定の向きに限定するものとして解釈されるべきではない。代わりに、これらの用語は相対的にのみ使用される。
図26は、構成要素レベルで性能/劣化の過去、現在、および将来の状態を判定し、航空機/システム機器の劣化/故障状況認識を提供しながら、構成要素レベルでのメンテナンスが航空機/システムに必要か否かを判定するための例示的な故障予測システム2600のブロック図を示す。システム2600は、構成要素レベルで動作し、すなわち、処理されているデータおよび情報は、データ融合モジュール1175からの構成要素データおよびMBR診断エンジン106からの出力の検出およびタグ付けされた異常な挙動に応じて、単一の構成要素または複数の構成要素に同時に関連することができ、複数の相互に関連する構成要素間の相互接続された劣化/故障モードを可能にする。複雑な車両システム内の複数の構成要素からのデータおよび情報のすべてを処理するために、故障予測システム2600は、それぞれが異なる単一の構成要素に関連付けられた情報およびデータを処理することに専念する複数の処理システムからなることができる。
データインターフェースモジュール2605は、データ融合モジュールから入力1175を受け取り、タグ付けされたデータおよび警報を識別し、この分離されたデータをLRU/システム選択およびデータ転送モジュール2610へ渡す。警報は、モジュール2610によって損傷推定モジュール2625に直ちに渡される。106(MBR診断エンジン)からの出力は、それぞれの構成要素の障害/故障および誤警報分離に対応する複数の構成要素障害コード、ならびに障害/故障の原因(例えば、漏れパイプ、摩耗した軸受、モータシャフトの位置ずれなど)の公称データおよび機能解析からなる。障害データおよび公称データの両方は、損傷推定モジュール2625に渡されるBITおよびパラメトリックデータに対応する。複数のソースからの警報および対応する分解融合データ(すなわち、構成要素の各々について、LRU/システム選択およびデータ転送モジュール2610において劣化構成要素について分離され、警報を有する構成要素データに与えられる優先度が最も高い様々なモジュールに同時に転送される複数のストリームに組み込まれるデータ)も、データインターフェース2605およびLRU/システム選択およびデータ転送モジュール2610を介してデータ融合モジュール1175から損傷推定モジュール2625に渡される。
LRU/システム選択およびデータ転送モジュール2610は、解析される構成要素に関連付けられた関連するタグ付きデータ(警報の優先度が最も高くなるタグ付きデータ)、ならびに対応するBIT、パラメトリック、アナログ(アナログ-デジタル(A/D)変換なしの直接センサ信号)、離散(ソフトウェアビットを介して渡されるハードウェアON/OFF制御信号)、環境(湿度、圧力、温度、塵埃などの内部環境条件)、および外部計測データ(例えば、砂、埃、熱、風、雨など)などの航空機データを識別および分離する。このデータは、モデルインターフェースモジュール2620に送信される。モデルインターフェースモジュール2620は、各構成要素に1つのデータの複数のストリームを作成する。タグ付けされたデータは、異常検出器(高周波センサ)、低周波センサ、およびタグ付けされた警報および確証された証拠データと融合されたデータを有する他のデータストリームから得られたメタデータである。確証された証拠データは、1)障害なし、2)障害、3)偽陰性または偽陽性のいずれかの誤警報、および4)2)および3)の原因の機能解析を表すデータからなる。現在の構成要素の障害/故障モードについての様々な対話/相互接続された構成要素センサからの確証された証拠データは、異常/劣化検出器モジュール1160から受信され、データ融合モジュール1175において融合され、データインターフェースモジュール2605に提供される。このデータは、現在の構成要素の障害/故障モードに対してLRU/システム選択およびデータ転送モジュール2610で分解される。独立して確証された証拠データが、MBR診断エンジン106から受信され、MBR診断エンジン106は、現在の構成要素の障害/故障モードについての様々な相互作用/相互接続された構成要素センサのパラメトリックおよびBITデータからの障害/故障/誤警報分離を実行する。LRU/システム選択およびデータ転送モジュール2610はまた、メンテナンス履歴データベースインターフェース2615を介して、関連する構成要素メンテナンスデータ(フライト後のパイロット鳴きおよびメンテナンス管理者ノートを含む)に関連付けられたメンテナンス履歴データベース2618からの事例ベースの履歴を要求し、それは次に、現在の異常な構成要素の挙動および警報データとリアルタイムで比較される。これらの履歴は、事例ベースの記録および関連する構成要素の記憶されたパラメータ値である。メンテナンス履歴DBインターフェースモジュール2615は、例えば、ANSI SQL文を利用して、メンテナンス管理者によって書き込まれたこれらのメンテナンス記録に含まれる、以前に記憶された修理および交換情報ならびに実行されたテストを抽出することができる。メンテナンス管理者は、メンテナンス管理者がメンテナンス認証を得た航空機/システム構成要素のメンテナンスを実行するように割り当てられた技術者である。これらのメンテナンス記録はまた、故障予測エンジンによって以前に記憶されたフライト中リアルタイム評価を含み、好ましくはリレーショナルデータベースであるメンテナンス履歴データベース2618に記憶される。メンテナンス管理者は、構成要素を固定または修理または交換するときにグラフィカルユーザインターフェース(GUI)を介してメンテナンスノートを入力し、構成要素の劣化ステータスをさらに視覚的に観測する。関連する記録はまた、劣化が判定される元のBITおよびセンサパラメトリック記録データを含む。記録されたノートはまた、警報の性質に関する手動入力の説明、および構成要素警報が発行された理由、および警報/問題を修正するためにどのような修復工程が行われたかの機能解析を含むことができる。
モデルインターフェースモジュール2620は、特定の構成要素についてLRU/システム選択およびデータ転送モジュール2610から受信した分解されたタグ付きデータに基づいて、関連する構成要素を識別する要求を故障予測モデルデータベース2635に送信し、故障予測モデルデータベース2635が関連する物理ベースモデル、例えばXMLファイル、経験的モデル、例えばXMLファイル、および物理システム論理/機能モデル、例えばXMLファイルをハイブリッドPSモデルモジュール2630に送信することを要求する。これらのモデル/ファイルは、それぞれの構成要素属性、機能、挙動、およびセマンティクスに関する構成要素の診断および故障予測の定義および構成要素の知識を含む「ブループリント」である。図27に関してより詳細に説明するように、関連する構成要素の物理学ベースのモデルは、現在の対応するデータ値と比較した構成要素に関連付けられた値を利用して、結果として生じる残差も生成する関連する構成要素の経験的モデルと共に残差を生成する。これらの残差を組み合わせて、組み合わせたモデルと比較して現在のデータの完全な観測を形成する。ゼロ残差付近は、異常な構成要素の挙動がないことを意味する(小さな残基は、収集されたデータからオフラインでシステムを訓練することによって後に排除され得る構成要素のノイズによって引き起こされ得る)。
損傷推定モジュール2625は、物理モデル(すなわち、物理ベースシステム損傷方程式)および経験的モデルからの残差を物理システム論理/機能モデルと共に利用して、各構成要素の劣化挙動の表現を生成する。残差は、期待される構成要素属性、機能、挙動、およびセマンティクスと、評価されている構成要素の現在のデータストリームによって生成された対応する属性との間の差である。残差は、構成要素の評価中に3つのモデルのそれぞれについて生成され、良好な性能を有する航空機構成要素については通常ゼロに近い。劣化レベルは、パイロット/ミッション操作者に表示される警報の重大度レベルを表す。警報レベルは、例えば、損傷推定モジュール2625によって判定される構成要素の残存耐用年数(RUL)に相関させることができる。70%~51%の間のRULは、(最近のRUL値からの急激な低下ではなく漸進的な低下を仮定して)穏やかな劣化挙動を示し、50%~11%は中程度の劣化挙動を示し、11%未満は構成要素の修理または交換を必要とする。当然ながら、様々なパーセンテージは、期待される将来の摩耗/劣化および将来の環境の重大度に応じて生じ得る。損傷推定モジュール2625、RUL、およびEOL(寿命末期)の判定については、以下でより詳細に説明する。
警報生成器モジュール2645は、損傷推定器モジュール2625によって判定されたRULのレベルに基づいて警報を生成する。それは、現在および以前に記憶されたRULデータからRULの傾斜を計算し、この傾斜およびRULの現在値に基づいて警報のレベルを生成する。例えば、所定の量を超える傾斜の変化は、RULの値のみでは警報を生成することが保証されない場合であっても、劣化が速すぎることを通知し、警報を引き起こす可能性がある。これは、図30についてさらに説明される。計算されたRUL曲線3005は、履歴および現在のデータから決定される。劣化した構成要素について、傾斜3010は、RUL計算の摺動ウィンドウにわたって動的に計算される。最終的なRUL曲線傾斜は、いくつかの連続した摺動ウィンドウ、例えば3つのウィンドウにわたって計算される。これは、y軸とx軸との間の1対1の測定単位関係(すなわち、単位のない傾斜を生成する時間軸)を生成するために、y軸(RUL軸)と同じ単位に対して計算され、重み付けされ、正規化されるRUL曲線傾斜の平均である。この単位のない傾斜は、所定の閾値、例えば0.5と比較される。この傾斜が所定の閾値より大きい場合、警報が発せられる。時間単位(x軸値)は、動作の開始と(各摺動ウィンドウ内の)現在時刻との差であり、開始RULは、動作の開始時の過去のRULである(すなわち、第1のスライドウィンドウで使用される、後続の摺動ウィンドウは、前の摺動ウィンドウにおける最後のRUL計算を使用し、以下同様である)。警報は、パイロット行動のための関連するLRU/構成要素を伴う警報のレベルを示す視覚的表示を提示するパイロットディスプレイ2650に渡される。劣化量、特定の構成要素、ならびに構成要素のフライトおよびミッション臨界性に応じて、判定は、既知の劣化した構成要素であってもフライトミッションを継続することであり得る。
アルゴリズム選択モジュール2660は、損傷推定器モジュール2625および状態予測器モジュール2670によって利用されるアルゴリズムを決定する。現在解析されている構成要素に関連付けられたアルゴリズム2668が識別され、処理のためにアルゴリズム選択モジュール2660から損傷推定モジュール2625および状態予測モジュール2670のメモリにロードされる。状態予測器モジュール2670は、過去の履歴状態を使用し、(粒子フィルタアルゴリズムを使用して)解析されている構成要素の現在および予測される将来の状態を計算する。これらの状態は、対象構成要素に関連する新しいBIT、パラメトリックセンサ、アナログ、離散、環境などのデータが受信されると更新される。解析データデータベース2655は、損傷推定器モジュール2625によってすべての解析データを、ハイブリッドモデルモジュール2630および状態予測器モジュール2670からのハイブリッドモデルパラメータと共に受信して記憶する。
サービス品質(QoS)計算機2675は、IVHM診断および故障予測システムレベルのサービス品質メトリック、ならびに構成要素レベルのサービス品質メトリックを計算する。これらのメトリックのいくつかを図28に示す。図28では、すべてのメトリックが現在の航空機/システムおよびその構成要素に関連することに留意されたい。RULは損傷推定モジュール2625で計算され、一方、将来の予測である寿命末期(EOL)は状態予測モジュール2670で計算される。構成要素QoSメトリックは、対象車両/航空機のQoS計算機モジュール2675で計算され、解析データDB 2655内のすべての現在の航空機について記憶される。オフライン地上ベースの車両レベルの故障予測システムは、すべての航空機/システムからのデータ(マイニングデータ)を蓄積し、これらの記憶されたメトリックから単一、複数、または車両全体のレポートを生成する。これらのQoSメトリックは、状態予測モジュール2670に渡され、状態予測モジュールは、この情報を解析データDB 2655に記憶する。様々なレポート生成およびデータ再生のために地上のオフラインで後で取得される。ミッション計画2665は、損傷推定器モジュール2625にミッションプロファイルを提供し、状態予測器モジュール2670にミッション計画情報を提供する。ミッション計画モジュール2665は、劣化したミッション計画、すなわち構成要素の劣化の程度に応じて(可能であれば)代替の修正されたミッション計画を構築するために、損傷推定モジュール2625から機器損傷情報を受信する。状態予測器モジュール2670は、ミッション計画モジュール2665から更新されたミッション計画を周期的に受信し、それと引き換えに、現在の設備および将来の設備の劣化状態を、設備の状態に基づいて反応的かつ事前行動的なミッション計画を構築するミッション計画モジュール2665に提供する。損傷推定器モジュール2625および状態予測器モジュール2670の結果によるすべての解析データは、解析データ2655に記憶される。
図27は、各構成要素の挙動および劣化の傾向が確実に特徴付けられる各構成要素の、1)物理ベースのモデルモジュール2710、2)経験的モデルモジュール2715、および3)データ駆動型機能物理システムモデルモジュール2720からなる例示的なハイブリッドモデルシステム2630のブロック図を示す。物理学ベースのモデルにおける(構成要素、構造体などの製造における不完全性、および/または、翼構造体の微細構造的裂け目、トランジスタの回路不良、抵抗器、コンデンサなどの標準以下の品質の材料などの他の原因に起因する)潜在的な不正確さおよび欠陥は、経験的モデルの使用によって効果的に克服される。経験的モデル残差は、一般に、物理学ベースのモデルでは考慮されていない様々な原因による不完全性を解決する付加的なものである。これらの残差は減法的であってもよく、その場合、物理学ベースのモデルは過剰に指定される(それは航空機/システム上の利用可能な構成要素データよりも詳細にモデル化される)。そのような事象の場合、構成要素のサプライヤは、構成要素出力において追加の必要なデータを提供するように求められる。ゼロの経験的モデル残差は、構成要素の状態および状態が正常に機能していること、または以前に見られた不一致が経験的モデルから十分に改良されて現在の動作モード、使用状況、ミッション、および環境のゼロ残差を生成していることを意味する。図27から、残差r’(p)およびr(p)は数学的に表すことができる。
ここで、
p=パラメトリックセンサデータ
Mpb=物理ベースモデル
ypbm=モデルのパラメトリック出力
u=パラメトリックデータの入力ストリーム
;類似の定義
;類似の定義
残差r’(p)およびr(p)は、以下のように定義される。
r’(p)=ypbm(p)+yem(p)=ypbm(p)+Mem(p)u(p)={Mpbm(p)+Mem(p)}u(p)
r(p)=yps(p)-r’(p)
残差ゼロまたはほぼゼロは、構成要素のプロセスおよびモデルを一致させるために理想的である。当然ながら、付加的なノイズは残差を変化させ、システムから排除されない場合はモデルで考慮されなければならない。
3層モデルは、構成要素の故障予測モデル全体を含み、好ましくはXMLファイルとして記憶される。各モデルの入力2705は、それぞれの構成要素の各々に感知されたパラメトリックデータ、すなわち、データ融合モジュール1175およびMBR診断エンジン106の出力である。物理ベースモデルモジュール2710および経験的モデルモジュール2715からのそれぞれの残差出力2725および2730は、加算ノード2735によって合計され、その出力は、加算ノード2740への入力を形成する。物理システムモデルモジュール2720からの残差出力2745は、他方の入力から減算される加算ノード2740への他方の入力、すなわち、物理ベースのモデルモジュール2710および経験的モデルモジュール2715からの残差の加算の組み合わせを形成する(すなわち、残基のこの組み合わせは、図1に示すような期待された挙動と観測された挙動との間の差を表す)。
ここで、
p=パラメトリックセンサデータ
Mpb=物理ベースモデル
ypbm=モデルのパラメトリック出力
u=パラメトリックデータの入力ストリーム
;類似の定義
;類似の定義
残差r’(p)およびr(p)は、以下のように定義される。
r’(p)=ypbm(p)+yem(p)=ypbm(p)+Mem(p)u(p)={Mpbm(p)+Mem(p)}u(p)
r(p)=yps(p)-r’(p)
残差ゼロまたはほぼゼロは、構成要素のプロセスおよびモデルを一致させるために理想的である。当然ながら、付加的なノイズは残差を変化させ、システムから排除されない場合はモデルで考慮されなければならない。
3層モデルは、構成要素の故障予測モデル全体を含み、好ましくはXMLファイルとして記憶される。各モデルの入力2705は、それぞれの構成要素の各々に感知されたパラメトリックデータ、すなわち、データ融合モジュール1175およびMBR診断エンジン106の出力である。物理ベースモデルモジュール2710および経験的モデルモジュール2715からのそれぞれの残差出力2725および2730は、加算ノード2735によって合計され、その出力は、加算ノード2740への入力を形成する。物理システムモデルモジュール2720からの残差出力2745は、他方の入力から減算される加算ノード2740への他方の入力、すなわち、物理ベースのモデルモジュール2710および経験的モデルモジュール2715からの残差の加算の組み合わせを形成する(すなわち、残基のこの組み合わせは、図1に示すような期待された挙動と観測された挙動との間の差を表す)。
加算ノード2740の出力2751は、性能推定モジュール2755への入力であり、出力2750は、損傷推定モジュール2625に転送され、解析データ2655に記憶され、モデルパラメータの精緻化は、故障予測モデルDB 2635に記憶される。状態予測器モジュール2670は、解析データ2655から(モデルパラメータおよび残差からなる)更新された解析を受信する。性能推定モジュール2755において、初期入力は、すべての航空機/システム構成要素に関する履歴性能データを記憶する初期性能パラメータデータベース2760から受信される。パラメータ残差2751とデータベース2760から得られた対応するパラメータとの比較は、入力をフィルタリングする拡張カルマンフィルタオブザーバモジュール2765に入力を提供し、性能のデルタ差分を含む性能推定モジュール2755に出力を提供する。性能推定モジュール2755の出力は、物理ベースモデル2710にルーティングされるフィードバックループであり、予測される性能測定値および過去の性能測定値との所定の性能差が根本原因解析をトリガする。連続的な低下性能は、対応する構成要素の劣化の増加によって引き起こされる。
一例として、劣化したブラインポンプを選択し、数十分の動作にわたってその様々な成分信号について監視した。このポンプの軸受性能およびポンプの動力分配性能の劣化を図29に示す。数分の動作にわたって、軸受振動振幅2905は、正常動作から劣化の発生2910まで、可能性のある顕著な故障のポイント2915まで急速に上昇する。同様に、図29では、ポンプの動力分配2920は、軸受劣化の発生2925から急激に上昇する。必要とされる大きな電力2930は、このレベルの動作で継続することが可能である場合、追加のポンプ構成要素の劣化を引き起こす可能性がある。多くのフライトにわたって、より正確な初期性能パラメータは、収集されたデータおよびモデルおよびアルゴリズムの改良/精緻化を介して実行されるモデルおよびアルゴリズムに関するオフライン地上訓練から連続プロセスとして得られる。
物理学ベースのモデル2710は、構成要素の物理学、例えば、電気的、機械的、流体力学などに基づいて対象構成要素の動作を特徴付ける複数の式を含む。これは、公称挙動と、(入力パラメトリックおよびBITデータストリームから)構成要素損傷指示が存在する場合、この損傷が品質と量の両方でどのように増大すると予想されるかを記述する。損傷表示は、本質的に単調ではない場合がある。損傷は、構成要素の固有のプロパティ(例えば、電池の回復、または電力システムの半導体に起因する影響)または不完全/部分的なメンテナンス動作などの外因性の影響によって引き起こされる可能性がある。各障害モードは、一般に、異なる損傷伝播モデルを有し得る。経験的モデル2715は、構成要素物理ベースモデル2710の異なる構成要素障害モード損傷変動および場合によっては構成要素修復(ハードウェアがこの能力を有する場合)におけるこれらの違いを捕捉するのに非常に役立つ。これらの方程式は、当然ながら、特性評価される特定の構成要素に応じて変化する。例えば、例示的なブラインポンプは、以下の表1に示すような個々の構成要素の動作で特徴付けることができる。
上記のパラメータの定義を表2に示す。
典型的なブラインポンプの公称パラメータ値を表3に示す。
上記のパラメータの定義を表2に示す。
典型的なブラインポンプの公称パラメータ値を表3に示す。
経験的モデル2715は、構成要素の動作データの統計的に有意なサンプルに基づいて通常のシステム動作をモデル化する対象構成要素データ値のモデルを提供する。構成要素の履歴性能データに基づくそのような経験的モデルは、同じ構成要素が異なる応力レベルおよび/または異なる環境で動作した可能性があるため、物理ベースのモデルよりも性能期待値のより広い変動を可能にする。一例として、ブラインポンプインペラハウジングおよびパイプを通る時間依存性(1日の異なる時間に、数日、数週間、数ヶ月などにわたって)の流体のフローを監視することは、局所的なブラインポンプの動作および使用を特徴付ける。対応するデータ値は、局所的な航空機/システムの動作および使用において利用されるようにブラインポンプを経験的に定義する統計的に有意な経験的モデルを提供する。経験的モデルを利用することにより、同じ航空機/システム上の異なる位置にある同一のブラインポンプまたは他の航空機/システム内の同一のブラインポンプの異なるRULおよびEOL予測は、監視されているブラインポンプのRULおよびEOLを判断することができる現実世界の変動を提供する。このような結果は、RULおよびEOLの予測の精度を高める。
物理システムモデル2720は、データ駆動型の機能モデルである。物理システムモデル2720内の故障予測ノードは、航空機/システムのミッションプロファイルおよびその動作モード(すなわち、フライト前、タクシー、離陸、徘徊など)に関連する構成要素の予想される使用パラメータを含む。観測/測定された挙動、すなわちデータ値は、対応する機能モデル、すなわち対応する測定データ値の値の許容範囲(閾値)と比較され、これは許容可能な挙動の「ブループリント」であり、この比較の残差2745が出力である。
例えば、例示的な物理システムモデル2720のブラインポンプ構成要素のサブセットが図31に示されている。それは、ブラインポンプをモデル化する異なるパラメータ/特性を使用する「障害モデル」および「モデル化プロセス」からなり、この例ではブラインポンプ構成要素のサブセットが示されている。部分的なブラインバンプ表現3100は、塩水「供給ライン」、インペラ(黒い三角形)を介した塩水「加圧出力」、およびブラインポンプ冷却システム内で塩水を循環させるためにモータによって供給されるトルクを提供するモータ回転シャフトを示す。「障害モデル」は、影響を受ける入力3105、影響を受ける症状3110、影響を受ける出力3115、入力3120、故障モード3125、出力3130、およびチェックボックス3135からなる。チェックボックス3135は、影響を受ける入力3105と入力3120との間、影響を受ける症状3110と故障モード3125との間、ならびに影響を受ける出力3115と出力3130との間の相関を表す。一例として、故障モード3125におけるポンプ制限の相関は、影響を受ける症状3110における過剰な熱、過剰なノイズ、および過剰な振動の症状に対応することに留意されたい。これは、上述した他の相関についても同様である。これらの相関は、ブラインポンプの高忠実度モデルの生成に大きな貢献をもたらす。モデルは、精査中の構成要素の劣化を理解するために必要なデータタイプを含まなければならない。モデリングプロセス3140は、必要とされる典型的なデータ仕様を記述する。典型的な仕様は、「記録仕様」、「アルゴリズム仕様」、「傾向仕様」(劣化の品質および量)、および「予測仕様」である。モデル化される構成要素に応じて、他の仕様が必要とされる場合がある(例えば、電気部品の配線図仕様など)。
性能推定モジュール2755および拡張カルマンフィルタ2765は共に、時間依存摺動センサデータウィンドウにおける構成要素性能差を測定する。拡張カルマンフィルタ2765は、経時的な構成要素センサパラメータのオブザーバとして使用される。すなわち、センサパラメータ履歴を使用して、可変時間依存摺動センサパラメトリックデータウィンドウにわたる構成要素のパラメータの変化を監視および計算する。強化カルマンフィルタは、構成要素性能における非線形力学を提供する。最初に、(オフラインで訓練された)既存の記憶された訓練データから構成要素の性能を計算し、現在のデータとの差を計算し、過去の構成要素の性能と比較する。性能の変化は、性能推定モジュール2755に転送される。強化されたカルマンフィルタオブザーバ2765および性能推定モジュール2755は、性能状態および劣化バイアス(構成要素に見られる場合、センサ信号の一例として図29を参照)の両方を同時に推定する(「オブザーバ」として使用される第1モジュール2765内の)2段階カルマンフィルタのロバストなバンクに基づいている。入力2705は、(物理システムモデル2720からの)パラメータ残差2751および初期性能パラメータ2760と共に、性能推定2755カルマンフィルタ段階1に進む。拡張カルマンフィルタオブザーバ2765の第二段階に渡されたこの段階の出力は、新しい構成要素パラメータ、すなわち、入力2705からの直接に対する小さいサンプリングウィンドウにわたる残差の平均によって調整された構成要素パラメータである。段階2の2765では、段階1の2755からの推定結果が「測定値」とみなされる。段階2の2765の出力は、性能測定値における動的デルタ差分、および性能推定2755における性能推定を改善するための改善された構成要素パラメータを提供する。この2段階カルマンフィルタ手法は、異常に挙動する構成要素の高速劣化検出および分離を提供する高速共分散行列計算による高速収束のためにデザインされている。2段階カルマンフィルタは、一般的に知られており、例えば、V.R.N.Pauwels,2013,Simultaneous Estimation of Model State Variables and Observation and Forecast Biases Using a Two-Stage Hybrid Kalman Filter,NASA,ASIN:B01DG0AT6Aがある。2段階機構はまた、センサパラメトリックデータが劣化を示すか否かを決定し、センサを配置し、劣化を定量化し、結果を出力する。
2段階カルマンフィルタは、図34により詳細に示されている。離散線形時変状態空間時間方程式を使用して、構成要素パラメータの力学を記述する。これらは以下の通りである。
ここで、
ukは入力データストリームであり、
vkは、第1の性能推定値である。
C1およびC2は定数である。
共分散行列は、段階1と段階2との間のパラメータ結合を提供する。
および
は無相関ランダムガウスベクトルである。
入力データストリームuk(p)および残差2751は、性能推定モジュール2755の性能状態推定モジュール2756に送られ、これは、2セットの式1)時間更新式および式2)測定更新式を計算する。これらは、図34において、時間更新式については下付き文字(k+1|k)と、測定更新式については(k+1|k+1)と区別される。時間更新方程式は、状態およびエラー共分散1からnの工程を時間的に進めることによって事前推定値を計算する役割を果たす。測定方程式は、uk+1の静的計算によって表され、事前推定値へのフィードバック測定を通じて事後推定値を得る役割を果たす。時間依存更新は性能予測、測定更新は予測の補正の役割を果たす。この予測補正反復プロセスは、それらの実値に近い状態を推定する。測定方程式v(k+1|k+1)は結合モジュール2757に渡される。新しい時間依存パラメータ状態v(k+1|k)が性能最適化モジュール2766に渡され、下付き文字(k+1|k)を有するパラメータ状態はパラメータ残差2751で修正され、下付き文字(k+1|k+1)を有するパラメータ状態はそれらの決定に残差を含まない。パフォーマンス履歴モジュール2768は、最適化された性能予測の履歴を提供し、維持し、かつ更新する。新たな最適化された性能状態yk+1が性能最適化モジュール2766によって生成され、Δ性能生成器モジュール2767に渡される。モジュール2767は、現在の前方時間1からnの工程数にわたって動的Δ(デルタ)構成要素パラメータ性能を提供する。モジュール2767は、時間依存デルタ更新y(k+1|k)を結合モジュール2757に渡し、測定更新y(k+1|k+1)をエラー補正モジュール2758に渡す。結合モジュール2757は、共分散行列Zkを解くことによって測定更新v(k+1|k+1)と時間依存デルタ予測更新y(k+1|k)とを結合(求解)し、エラー補正モジュール2758においてエラー補正された最終的な性能パラメータ
をもたらす。
2段階カルマンフィルタ法で利用されるフローチャートを図35に示す。プロセスは再帰的に実行される。これは、工程2780における事前状態の予測および工程2785における事前エラー共分散、ならびに工程2787における最適カルマンゲインの計算をカバーする。それは、工程2790における事後予測状態および工程2795における事後エラー共分散を更新する。その後、プロセスは、次の処理サイクルのために初期工程2780に再利用される。この結果は、フィードバックループを介して物理ベースのモデルモジュール2710にルーティングされる。物理ベースのモデルモジュール2710は、物理ベースのモデリングに欠陥が否かを判定する際にこの結果を使用する。複数の時間依存摺動データウィンドウにわたる(すなわち、性能推定モジュール2755の出力結果からの)劣化事象のサイズ(定量化)および速度は、モデルの改良を促進する。これらの改良結果および関連するセンサパラメトリックデータは、後の再生および学習/訓練のために故障予測モデルDB 2635に記憶される。
ここで、
ukは入力データストリームであり、
vkは、第1の性能推定値である。
C1およびC2は定数である。
共分散行列は、段階1と段階2との間のパラメータ結合を提供する。
および
は無相関ランダムガウスベクトルである。
入力データストリームuk(p)および残差2751は、性能推定モジュール2755の性能状態推定モジュール2756に送られ、これは、2セットの式1)時間更新式および式2)測定更新式を計算する。これらは、図34において、時間更新式については下付き文字(k+1|k)と、測定更新式については(k+1|k+1)と区別される。時間更新方程式は、状態およびエラー共分散1からnの工程を時間的に進めることによって事前推定値を計算する役割を果たす。測定方程式は、uk+1の静的計算によって表され、事前推定値へのフィードバック測定を通じて事後推定値を得る役割を果たす。時間依存更新は性能予測、測定更新は予測の補正の役割を果たす。この予測補正反復プロセスは、それらの実値に近い状態を推定する。測定方程式v(k+1|k+1)は結合モジュール2757に渡される。新しい時間依存パラメータ状態v(k+1|k)が性能最適化モジュール2766に渡され、下付き文字(k+1|k)を有するパラメータ状態はパラメータ残差2751で修正され、下付き文字(k+1|k+1)を有するパラメータ状態はそれらの決定に残差を含まない。パフォーマンス履歴モジュール2768は、最適化された性能予測の履歴を提供し、維持し、かつ更新する。新たな最適化された性能状態yk+1が性能最適化モジュール2766によって生成され、Δ性能生成器モジュール2767に渡される。モジュール2767は、現在の前方時間1からnの工程数にわたって動的Δ(デルタ)構成要素パラメータ性能を提供する。モジュール2767は、時間依存デルタ更新y(k+1|k)を結合モジュール2757に渡し、測定更新y(k+1|k+1)をエラー補正モジュール2758に渡す。結合モジュール2757は、共分散行列Zkを解くことによって測定更新v(k+1|k+1)と時間依存デルタ予測更新y(k+1|k)とを結合(求解)し、エラー補正モジュール2758においてエラー補正された最終的な性能パラメータ
をもたらす。
2段階カルマンフィルタ法で利用されるフローチャートを図35に示す。プロセスは再帰的に実行される。これは、工程2780における事前状態の予測および工程2785における事前エラー共分散、ならびに工程2787における最適カルマンゲインの計算をカバーする。それは、工程2790における事後予測状態および工程2795における事後エラー共分散を更新する。その後、プロセスは、次の処理サイクルのために初期工程2780に再利用される。この結果は、フィードバックループを介して物理ベースのモデルモジュール2710にルーティングされる。物理ベースのモデルモジュール2710は、物理ベースのモデリングに欠陥が否かを判定する際にこの結果を使用する。複数の時間依存摺動データウィンドウにわたる(すなわち、性能推定モジュール2755の出力結果からの)劣化事象のサイズ(定量化)および速度は、モデルの改良を促進する。これらの改良結果および関連するセンサパラメトリックデータは、後の再生および学習/訓練のために故障予測モデルDB 2635に記憶される。
損傷推定モジュール2625は、各構成要素の損傷量の決定を行う。ブラインポンプの例では、損傷ベクトル方程式は次式で与えられる(物理ベースモデル方程式のすべての変数は、直接測定されたパラメトリックセンサ値またはこれらのセンサパラメトリックデータから導出された値であることに留意されたい)。
摩擦摩耗(摺動および転がり摩擦)
rthrust(t)=wthrustrthrustω2
rradial(t)=wradialrradialω2
ここで、
wthrust=スラスト軸受摩耗係数
wradial=ラジアル軸受摩耗係数
ω=ポンプ回転速度(先に定義)
rthrust=摺動摩擦
rradial=転がり摩擦
損傷ベクトル
d(t)=[a4(t),rthrust(t),rradial(t)]θ
ここで、
d(t)=は損傷ベクトルであり、
a4(t)=インペラ面積係数(先に定義)
rthrust=摺動摩擦(先に定義)
rradial=は転がり摩擦(先に定義)
θ=ポンプ温度
ブラインポンプの著しい損傷は、軸受の摩耗に起因して発生し、これは摩擦の増加の関数である(すなわち、摩擦係数を受ける)。
摩耗ベクトルは、摩耗係数によって形成される。
w(t)=φ(t)=[wa4,wthrust,wradial]θ
ここで、
φ(t)は、予測アルゴリズムにおけるパラメータベクトルとして使用され、
重量計算からそれを微分する
θ=ポンプ温度
損傷推定器モジュール2625におけるRUL計算は、RULが現時点で計算され、将来の投影/予測ではないことを除いて、状態予測器2670について以下に説明するEOL計算と同一である。経時的な劣化したブラインポンプ劣化を表す典型的なRULグラフ3005を図30に示す。RULは、障害/故障および/または構成要素の欠陥がない場合であっても(すなわち、欠陥方程式は、データが利用可能な過去または現在の時間ホライズンのいずれかにおけるすべての動作条件に対して有効)、航空機/システムの動作履歴の任意の時点で推定することができる。RUL(データが利用できない場合)の将来の予測は、寿命末期(EOL)予測として知られている。
摩擦摩耗(摺動および転がり摩擦)
rthrust(t)=wthrustrthrustω2
rradial(t)=wradialrradialω2
ここで、
wthrust=スラスト軸受摩耗係数
wradial=ラジアル軸受摩耗係数
ω=ポンプ回転速度(先に定義)
rthrust=摺動摩擦
rradial=転がり摩擦
損傷ベクトル
d(t)=[a4(t),rthrust(t),rradial(t)]θ
ここで、
d(t)=は損傷ベクトルであり、
a4(t)=インペラ面積係数(先に定義)
rthrust=摺動摩擦(先に定義)
rradial=は転がり摩擦(先に定義)
θ=ポンプ温度
ブラインポンプの著しい損傷は、軸受の摩耗に起因して発生し、これは摩擦の増加の関数である(すなわち、摩擦係数を受ける)。
摩耗ベクトルは、摩耗係数によって形成される。
w(t)=φ(t)=[wa4,wthrust,wradial]θ
ここで、
φ(t)は、予測アルゴリズムにおけるパラメータベクトルとして使用され、
重量計算からそれを微分する
θ=ポンプ温度
損傷推定器モジュール2625におけるRUL計算は、RULが現時点で計算され、将来の投影/予測ではないことを除いて、状態予測器2670について以下に説明するEOL計算と同一である。経時的な劣化したブラインポンプ劣化を表す典型的なRULグラフ3005を図30に示す。RULは、障害/故障および/または構成要素の欠陥がない場合であっても(すなわち、欠陥方程式は、データが利用可能な過去または現在の時間ホライズンのいずれかにおけるすべての動作条件に対して有効)、航空機/システムの動作履歴の任意の時点で推定することができる。RUL(データが利用できない場合)の将来の予測は、寿命末期(EOL)予測として知られている。
状態予測器2670は、時間依存式である状態ベクトルを使用する。ブラインポンプの場合、完全な状態ベクトル方程式は次のように書くことができる(物理ベースモデル方程式のすべての変数は、直接測定されたパラメトリックセンサ値またはこれらのパラメトリックセンサデータから導出された値であることに留意されたい)。
x(t)=[ω(t),θthrust(t),θradial(t),θoil(t),a4(t),rthrust(t),rradial(t)]θ
θthrust=は推力軸受の温度である(先に定義)
θradial=ラジアル軸受の温度(先に定義)
θoil=油の温度(先に定義)
a4(t)=インペラ面積係数(先に定義)
rthrust=摺動摩擦(先に定義)
rradial=は転がり摩擦(先に定義)
ω(t)=ポンプモータ回転(先に定義)
状態予測器2670は、時間依存式である状態ベクトル、すなわち、任意の時点におけるブラインポンプの状態を使用する。損傷方程式および状態方程式は共に、任意の時点における構成要素の物理学を定義する。
ブラインポンプのEOLの予測は、上述の状態ベクトル方程式および損傷方程式の方程式を用いてブラインポンプの将来の状態を予測する粒子フィルタアルゴリズムを使用して数値的に計算される。将来の状態粒子確率密度(xは上記の状態ベクトルであることに留意されたい)は、粒子フィルタ(PF)プロセスによって与えられる。
粒子フィルタ(PF)は以下の計算をする。
この分布をn工程で近似する。
そのため、粒子iは、利用可能な新しいデータなしでn工程前方に伝播され、
その重量を
とし、EOLは以下の近似をされる。
すなわち、EOL予測の重量に対するkpでの粒子の重量を使用しながら各粒子をそれ自体のEOLまで前方に伝播する。
x(t)=[ω(t),θthrust(t),θradial(t),θoil(t),a4(t),rthrust(t),rradial(t)]θ
θthrust=は推力軸受の温度である(先に定義)
θradial=ラジアル軸受の温度(先に定義)
θoil=油の温度(先に定義)
a4(t)=インペラ面積係数(先に定義)
rthrust=摺動摩擦(先に定義)
rradial=は転がり摩擦(先に定義)
ω(t)=ポンプモータ回転(先に定義)
状態予測器2670は、時間依存式である状態ベクトル、すなわち、任意の時点におけるブラインポンプの状態を使用する。損傷方程式および状態方程式は共に、任意の時点における構成要素の物理学を定義する。
ブラインポンプのEOLの予測は、上述の状態ベクトル方程式および損傷方程式の方程式を用いてブラインポンプの将来の状態を予測する粒子フィルタアルゴリズムを使用して数値的に計算される。将来の状態粒子確率密度(xは上記の状態ベクトルであることに留意されたい)は、粒子フィルタ(PF)プロセスによって与えられる。
粒子フィルタ(PF)は以下の計算をする。
この分布をn工程で近似する。
そのため、粒子iは、利用可能な新しいデータなしでn工程前方に伝播され、
その重量を
とし、EOLは以下の近似をされる。
すなわち、EOL予測の重量に対するkpでの粒子の重量を使用しながら各粒子をそれ自体のEOLまで前方に伝播する。
粒子フィルタプロセスは、カルマンフィルタリングの線形性およびガウスノイズの仮定を回避するロバストな手法であり、不確実性を効果的に考慮しながら、長期ホライズン故障予測のためのロバストなフレームワークを提供する。収集された解析データ2655からの長期ホライズン予測のためのアルゴリズムの精度および正確性を改善するために、オフライン訓練/学習において補正項が推定される。粒子フィルタリング方法は、経時的な劣化モードの発展を表す状態方程式が、加法ノイズ、反復的に洗練されたサンプリング重量、および条件的に独立した出力を有する一次マルコフ過程としてモデル化され得ると仮定する。
図32および図33は、それぞれ粒子フィルタアルゴリズムおよびEOL予測の例示的なフローチャートを示す。工程3205において、粒子フィルタアルゴリズムは、メモリに記憶された初期粒子パラメータで初期化される。工程3210において、初期粒子パラメータに基づいて初期粒子集団が生成される。工程3215において、粒子は、状態予測子モデルを使用して伝播される。工程3220において、様々なパラメータに割り当てられた重量は、工程3225におけるそれぞれのパラメータの現在の測定値に基づいて更新される。工程3230において、更新された重量が縮退した重量であるか否かの判定が行われる。縮退した重量は、粒子重量の差、すなわち、少数の粒子が高い重量を有し、残りの粒子が小さい重量を有する場合として定義される。すべての再サンプリングされた粒子が<=5%以内の同様の重量を有する場合、粒子変動重量縮退は中断される。工程3230によるNO判定は、工程3215に戻ることによるプロセスの反復をもたらす。工程3230によるYES判定は、工程3235による再サンプリングをもたらし、続いて工程3215に戻ることによるさらなる反復が再び続く。縮退が中断されていない場合、再サンプリングが必要である。推定に寄与しない粒子の計算を回避するために、現在の粒子数(工程3215に伝搬された粒子)に対して再サンプリング(3235)が行われる。これらの粒子重量は外れ値であり、拒絶される。粒子フィルタプロセスはまた、上記の粒子フィルタ方程式によって説明される。
図33は、EOL判定を提供するための例示的な方法のフロー図である。工程3305において、EOL生成が開始される。工程3310において、初期粒子集団(計算のために選択された粒子の任意の初期数であり、記憶された生データおよび解析データからのオフラインアルゴリズムおよびモデル訓練の後の改善)の推定が行われる。工程3315において、粒子は、状態予測子モデルを使用して伝播される。工程3320において、検討中の構成要素について所定のパーセンテージのEOLに達したか否かの判定が行われる。工程3320によるNO判定は、工程3315に戻る反復をもたらし、そこで状態予測子モデルを使用した粒子のさらなる伝播が発生し、続いて工程3320による再度の判定が行われる。工程3320によるYES判定の結果、工程3325でEOL予測が生成される。航空機/システムの動作中の(劣化した構成要素についての)連続構成要素EOL予測は、解析データ2655に記憶される。このEOL予測は、将来の航空機/システム動作に使用される。EOL予測は、製品支援チームにレポートとして提供されるEOL予測を生成するためのさらなる解析のために、地上およびオフラインの車両レベル故障予測エンジンによって、このデータおよび以前の履歴データからEOL確率分布関数(PDF)を作成することを可能にする。上記の式は、EOL決定のより詳細な説明を提供する。なお、RULは、現時点で計算されており、将来の状態予測を伴わない。この計算は、上述のEOL方程式および方法を使用して現在の時点のRUL計算が決定されることを除いて、上述のEOL計算と同一である。
図44により詳細に示すように、図36および図37は、ユーザ選択可能な制御がGUI 3601によって提供される例示的な車両レベル故障予測システム3600のブロック図を提供する。例示的なGUI 3601は、複数のメニューを有するメニューバー3602と、ボタンアイコン上にマウスをホバーさせたときに示されるツールチップ3604内の名前によって示される行動を開始するように構成された複数の実行可能ボタンアイコンを有するツールバー3603とからなる。メイン画面本体3605は、利用可能なすべての航空機の行を表示するテーブルであり、各行は尾部番号によって識別される一機の航空機を表示する(同様のタイプの航空機の車両からの航空機は、それらの尾部番号によって個別に識別される)。表の各列は、そのシリアル番号、尾部番号、ミッション能力(地上ベース、部分的にミッション可能(PMC)、非ミッション可能(NMC)、および完全ミッション可能(FMC))、そのゾーン、その位置、および他のユーザ定義属性など、航空機の尾部番号に固有の属性を表示することができる。表示された各航空機は、その状態、機器資産などを示すためにマウス選択することができる。GUIは、役割ベースの動作モードを有し、すなわち、各役割は、異なる目的を有する人員による異なる使用に関係する。これらの人員は、1)航空機ミッションを計画および実行するミッション操作者、2)航空機のメンテナンスの役割を果たすメンテナンス管理者、3)ミッション操作者およびメンテナンス管理者を訓練する訓練士、4)物理的構成要素のモデル(物理学ベース、データ駆動、および経験的)を開発するモデルデザイン者、5)データベース機能を維持するデータベース管理者、および6)車両レベル故障予測システムの動作のためのソフトウェアを開発、維持、および生成するプログラマであり得る。GUIは、柔軟で同時の利用を提供するために、異なるオペレーティングシステムおよび様々なサーバ(例えば、ミッションサーバ、メンテナンスサーバ、訓練サーバ、技術データサーバなど)を有するサーバ上で独立して実行することができる。
ツールバー3603の「サーバ」ボタンアイコンが(ミッション操作者モードのミッション操作者によって)「オフ」から「オン」に変更されると、車両レベルの故障予測システムは自律モードに入り、COMMSシステム3605と様々なデータソケットリンクを確立し、COMMSシステムは、フライト中の様々な航空機、またはフライト前テスト、地上走行、および打ち上げ前などの地上動作における他の航空機からデータを受信する。すべてのGUI機能は、典型的には、手動で実行するようにミッション操作者によって選択されない限り、自律的に実行される。メンテナンス管理者は、GUI 3601を介して、オフラインの「メンテナンスモード」(すなわち、新たな航空機データを取得しようとしていないか、またはCOMMS 3605が非アクティブである場合)で実行し、様々な計算および予測を実行し、予測メンテナンススケジュールに必要なレポートを構築し、航空機構成要素の平均故障間隔(MTBF)に基づいてメンテナンススケジュールを構築するようにシステムに指示することができる。MTBFは、構成要素サプライヤの信頼性およびテストデータからの構成要素仕様からデザイン段階で開発される。これらは、図43に関連付けられた説明されるように、予測メンテナンスが必要性を通知するとき、または即時の補正メンテナンスを必要とする故障が発生したときに、企業資産管理(EAM)システムにおける在庫管理および供給チェーン動作を支援し、構成要素および構成要素を保管し、修理/交換の準備を整える。GUI 3601を介したトレーナは、蓄積された生データおよび解析されたデータを再生することによって車両レベル故障予測システムの使用を他者に教示および訓練するために、オフライン「トレーナモード」でシステムを実行することができる。デザイナモードでは、デザインフェーズおよび他の段階における後の改良の間に、デザイン者は、モデルを作成し、それらを検証し、GUI 3601(図44)を介して4355テストマネージャ(図41)の合成および/または実際のフライトデータでそれらをテストする。メンテナンス管理者は、GUI 3601(図44)を介してこの能力も有する。プログラマモードは、車両レベル故障予測システム3600を構築、修正、または強化するための開発モードである。
図36および図37は、例示的な車両レベル故障予測システム3600のブロック図である。システムは、車両レベルのデータを収集し、オンボード故障予測モデルを改善し、すべての同様の航空機の共通の構成要素のメンテナンスが必要か否かの判定を可能にするための構成要素メンテナンスメトリックを生成する。システム3600は、認定技術者による実施可能なメンテナンスタスクのための動的な予測メンテナンススケジュールを提供する。本明細書で使用される場合、「車両レベルのデータ」は、複数の同様のタイプの航空機からのデータを指す。当然ながら、複数の異なる車両のデータを収集し、車両レベルで解析することができる。データインターフェース3625は、異なる入力デバイスからデータを受信するための通信インターフェース(API)を提供する。通信チャネル3605は、(戦術通信リンクを介して)車両/航空機のオンボード埋め込みアビオニクス故障予測エンジンから地上ベースサーバ上で動作するシステム3600へ無線通信によって無線送信されるデータを表す。すべての航空機は、アビオニクスミッションコンピュータまたはアビオニクスベイに設置された独立したIVHMコンピュータ上で動作するこのエンジンを有する。COMMS 3605は、航空機の全車両に利用可能な複数の通信チャネルである。システム3600は、これらすべての通信チャネルからデータを受信するようにデザインされている。「同様の航空機/同様のタイプの航空機」は、同じモデルおよび仕様カテゴリの航空機である。例えば、同じ軍用航空機、例えば米国空軍による使用が指定されたF-35Aは、米国海軍によって使用するために指定されたF-35B、および米国海軍によって使用するために指定されたF-35Cとは異なる構成要素および能力を有し得る。そのような状況では、1つの「同様の航空機」グループ(車両)は、米国空軍による使用が指定されているF-35A航空機を含み、別の同様の航空機グループは、米国海軍によって指定されているF-35B航空機を含み、別の同様の航空機グループは、米国海軍による使用が指定されているF-35C航空機を含む。地上では、航空機データは、アンビリカルケーブル(ネットワークケーブル)接続3610によって、またはホットスワップ可能なソリッドステートドライブ(SDD)3615を航空機から取り外し、それらをメンテナンス管制センターに物理的に輸送し、SSDドライブレセプタクル3620を介して車両レベル故障予測エンジン3600にデータを渡すことによって転送することができる。データインターフェース3625は、(航空機通信リンクに接続されたときの)異なるデータレートおよびソースからの入力データの受信に関連付けられたフォーマットを収容する。データインターフェース3625によって識別された航空機から受信された入力データは、データが受信された特定の構成要素/航空機の尾部番号を識別するための既存のヘッダ(メタデータ)を有するタイムスタンプ付きセンサデータを含む。入力データはまた、オンボードMBR診断エンジン106(14)によって生成された関連する構成要素/航空機尾部番号を識別するようにタグ付けされた解析データ、およびオンボード故障予測システム2600によって生成された関連する構成要素を識別するようにタグ付けされた解析データを含む。このデータは、2つのパスでストレージ3626データベースに記憶される。1)航空機が動作可能であり、無線通信リンクを介してデータを送信している場合、データインターフェースモジュール3625は、データを受信してデータ分配モジュール3630に直接渡し、データ配信モジュールは、このデータをデータストレージ3626データベースに記憶する。2)航空機が地上にあるとき、例えばフライト後の動作中に、データは、手動転送3615を介してアンビリカルケーブル接続3610またはSSDドライブレセプタクルインターフェース3620を介して車両故障予測システム3600に、データインターフェースモジュール3625に、次いでデータストレージ 3626データベースに渡される。データ配信モジュール3630からストレージ3626へ行われる要求は、オフライン使用のためにデータストレージ3626モジュールから新たに記憶されたデータを取得する。
モデル、アルゴリズム、および構成要素は、トリプレット(1つ、1つ、1つ)または(1つ、多数、1つ)または(1つ、多数、多数)の三つ組でマッピングされる。マッピング(1つ、多数、1つ)および(1つ、多数、多数)は、構成要素が同様/同一であり、複数のアルゴリズムが構成要素の正確な結果を生成し得る場合に生じる。このマッピング方式モデルでは、常に、構成要素に関連する唯一の(すなわち、3階層モデルの組み合わせ)であることに留意されたい。これにより、故障予測モデルモジュール3640におけるモデルアルゴリズム構成要素の自動選択が可能になる。データ配信モジュール3630は、ストレージモジュール3626データベースからデータを引き出し(新しいデータが到着するとデータの自動プルを可能にするデータベーストリガへのアクセスを有する)、「引き出された」データを故障予測モデルモジュール3640解析システムに配信する。モジュール3640は、アルゴリズムモジュール3670の構成要素に適用され、アルゴリズムライブラリ3680から選択された適切なアルゴリズムを用いて、構成要素に固有の適切な3層モデルを選択する。これにより、モデルアルゴリズム構成要素システムが構成要素に対して故障予測を実行することが可能になる。データ配信モジュール3630は、生データを自動ロジスティクス環境(ALE)モジュール3800および3830に送信する。故障予測モデルモジュール3640は、構成要素モデルに関連するアルゴリズムのマッピングを有する。各構成要素は、個別に調整されたアルゴリズムを有する(例えば、電子システムは、機械システムまたは構造システムと同じアルゴリズムを有さない)。故障予測モデルモジュール3640内で、データは物理ベースの故障予測モデル3641、経験的故障予測モデル3642、およびデータ駆動の故障予測モデル3643にさらに分配される。同様に、故障予測アルゴリズムモジュール3670は、物理ベースモジュール3671、経験的モジュール3672、およびデータ駆動モジュール3673からなる。データはモジュール3641からモジュール3671に送信され、累積モデル残差は残差分配モジュール3650からモジュール3671に送信される。これは、モジュール3642、3672、および3650、ならびにそれぞれモジュール3643、3673、および3650についても同じ方法で行われる。これらのモジュールの処理および動作は、モジュール2630(図27の)、すなわち、対応するモデル、物理ベースのモデルモジュール2710、経験的モデルモジュール2715、およびデータ駆動機能物理システムモデルモジュール2720について説明したものと実質的に同じである。図36に示されるモジュール3640において使用される故障予測モデルは、複数の同様の航空機内に配置される同様の構成要素のそれぞれの故障予測を提供するように機能し、その結果、同様の構成要素のそれぞれの相対的な性能が、データ配信モジュール3630から受信されるデータに対する他の同様の構成要素の集合的な性能(平均、中央値など)と比較され得る。同様に、モジュール3670で使用されるアルゴリズムは、複数の同様の航空機に配置された同じ構成要素のそれぞれについてモジュール3640の3層モデルにアルゴリズムを提供するように機能し、その結果、同様の構成要素のそれぞれの相対的な性能は、データ配信モジュール3630から受信したデータに対する他の同様の構成要素の集合的な性能と比較することができる。故障予測モデルモジュール3640および故障予測アルゴリズムモジュール3670の様々なモデルは、それぞれモデルライブラリDB 3660およびアルゴリズムライブラリDB 3680に記憶され、評価される特定の構成要素データに基づいて使用するために取得される。残差分布モジュール3650は、予測結果の精度および正確性を高めると共に、モデルおよびアルゴリズムの両方の継続的に改良する。改良点は、それぞれモデルおよびアルゴリズムについてモデルライブラリDB 3660およびアルゴリズムライブラリDB 3680に記憶される。システム2600に記載されているように、非ゼロ残差は、その後パラメータ性能推定モジュール2755によって確認される劣化事象を示す。これは、システム3600で使用されるのと実質的に同じ処理である。
図41は車両レベルの故障予測システムのデザイン、訓練、および改良を示す図である。デザインモードでは、モデリングエンジニア4310は、グラフィカルユーザインターフェース4315、4325、および4335を使用して、対象構成要素の物理ベースモデル、データ駆動モデル、経験的モデルにそれぞれ変更および修正を入力する。例えば、修正を含む予測モデルマークアップ言語(PMML)に記憶することができるそれぞれのモデル4320、4330、および4340は、その後、故障予測モデルライブラリ4350に記憶される。同様に、アルゴリズム開発インターフェース4375を利用するアルゴリズムエンジニア4370は、それぞれのアルゴリズムの修正を、例えばJava(登録商標)ファイル、JNIファイル(Java(登録商標)とC++データ構造との間のインターフェース)、およびC++ファイルとしてのプログラミングファイル4380に入力することができる。更新されたプログラミングファイル4380は、アルゴリズムライブラリ4385に記憶される。
故障予測モデルライブラリ4350からのモデルおよびアルゴリズムライブラリ4385からの対応するアルゴリズムを利用するテストマネージャ4355は、ストレージデータベース4360(3626ストレージから移行されたフライトデータ(図36))からのシミュレートまたは記録されたフライトデータに基づいて予測精度をテストすることができる。回帰テストおよび精度テストの結果は結果4365に記憶され、これは、アルゴリズムライブラリ4385に記憶された対応するアルゴリズムを修正して精度を高めるためにアルゴリズム改良および訓練モジュール4395によって使用され、また、それぞれのモデルの精度を高めるために故障予測モデルライブラリ4350に記憶された対応するモデルのモデル改良および訓練モジュール4390の修正によっても使用される。
デザインモードでは、ユーザは、グラフィカルユーザインターフェース(GUI)ならびに適切な構成要素アルゴリズムを介して、同様の航空機および時間ホライズン(数時間、数時間、数ヶ月、数年、および数十年)における同様の構成要素の解析を選択する能力を有する。これらの選択肢は、構成要素モデルおよびアルゴリズムのANSI SQL文を含むXMLファイルとして記述され、故障予測モデルライブラリ4350およびアルゴリズムライブラリ4385のデータベースに記憶されてもよい。XMLファイル内の組み込みSQL文は、テストマネージャ4355で実行されるときに様々なデータベースからのデータの自動抽出を可能にする。XMLファイルは、再現可能なテストを実行するためのスクリプトファイルとなる。自動スクリプトファイルテストは、テスト対象の構成要素に適用されるモデルおよびアルゴリズムの回帰テストにとって非常に重要である。これらは、新しいパラメータ改良のために容易に更新され、一方、古いパラメータは、XMLファイル内の<histories></histories>ラベルの下に保持される。動作モードでは、システム2600において、故障予測モデルおよび対応するアルゴリズム構成ファイルが航空機に転送され(モデルデータベースが移行され)、それぞれ故障予測モデルDB 2635およびアルゴリズム2668ファイルに航空機に記憶される。同様に、システム3600では、これらはモデルライブラリDB 3660およびアルゴリズムライブラリDB 3680に記憶され、故障予測モデルモジュール3640およびアルゴリズムモジュール3670での処理に利用される。車両レベル解析は、オンボードシステム2600データ上で動作する損傷推定器モジュール3674について説明したのと同じ方法で車両データ上で動作する損傷推定器モジュール2625(システム2600の通信回線2600を修正してシステム3600から取られた同様の処理制御)においてさらに進む。同様に、車両レベル解析は、オンボードシステム2600データ上で動作する状態推定器モジュール2670について説明したのと同じ方法で車両データ上で動作する状態予測器モジュール3675(システム2600内のSOH計算および通信回線2600の修正を伴ってシステム3600から取られた同様の処理制御)で進行する。
アルゴリズムライブラリDB 3680は、性能解析が利用可能な航空機上のすべての構成要素に対して開発されたすべてのアルゴリズムを記憶する。アルゴリズムモジュール2668で使用されるアルゴリズムは、車両レベル故障予測システム3600用に開発されたアルゴリズムの完全なセットの小さなサブセット(すなわち、オンボード処理のために効率的かつ高速であるニューラルネットワーク、カルマンフィルタ、および粒子フィルタ)である。特定の構成要素に適用されるこれらのアルゴリズムのいくつかは、ロジスティクス回帰、線形回帰、時系列、記号時系列、ランダム森、決定木、移動平均、主成分(PCA)、サポートベクターマシン(SVN)、マルコフ連鎖、ベイズ法、モンテカルロ法、ニューラルネットワーク(それらの多く)、粒子群最適化、様々なフィルタ(カルマンフィルタおよび粒子フィルタ)、高速フーリエ変換(FFT)、勾配およびAdaブースト、ウェーブレット、遺伝的、自然言語、クラスタリング、分類、学習および訓練、ならびにデータマイニングを含む。
損傷推定器モジュール3674からの出力は、図38により詳細に示されている解析融合モジュール3690への入力として提供される。損傷推定器モジュール3674、状態推定器モジュール3675、および警報生成器モジュール3676の処理は、システム2600および3600の対応する機能と実質的に同じであることに留意されたい。状態予測器モジュール3675は、システム3600におけるSOH計算のために強化され、それによって、システム2600およびシステム3675の両方がCOMMS 3605アクティブで動作しているときに、モジュール3674および3600の両方がそれらの解析結果をシステム2600に送信するために(COMMS 3605を介して)追加の通信リンクを有する。これらのモジュールは、可能なハードウェアおよびソフトウェアの再構成のために航空機フライト制御システム(FCS)に情報を提供する(これについては後述する)。同様に、システム3600では、モジュール3674および3675の両方が、短期ホライズン(1日より長い)から長期ホライズン(航空機の車両がいつ陳腐化するかに依存する、50年未満または50年超)に最適化される。システム2600では、これらのモジュールは、航空機のミッションフライト時間(離陸から着陸まで)に依存する短期ホライズンで機能する。解析融合モジュール3690は、すべての同様の構成要素のモジュール3674からの解析出力および関連データを、選択された解析時間ホライズン(例えば、数時間、数日、数ヶ月、数年、数十年の持続時間)においてすべての同様の航空機のために融合する。データ融合モジュール3691(図38)は、図26のデータ融合モジュール1170と同様の方法で動作し、適切にタグ付けされた構成要素または同様の構成要素のグループに相関付けられた移動時間ウィンドウ内で損傷推定モジュール3674の予測からの入力出力をマッピングおよび平均化する。モジュール3691は、タグ付けされた警報を警報発生器3676(警報発生器2645と同様の機能であるが、車両レベルの計算のために最適化されている)に送信し、これらの警報はその後、ミッション操作者モードでCOMMS 3605に接続されたときにミッション操作者ダッシュボード3785に、およびメンテナンス管理者のモードでメンテナンス管理者ダッシュボード3790に登録される。このモジュール3691はまた、データおよび解析を状態予測器モジュール3675にも送信し(車両レベルの計算のために強化および最適化され、SOH計算を含む)、これは先に定義されたのと同じタスクを実行するが、解析融合モジュール3690では、これはまた、4405における構成要素の状態健全状態(SOH)インジケータを計算および予測する(図42)。RULおよびEOLは、損傷推定モジュール3674で計算され、構成要素の状態(異常な挙動)である(故障/障害、故障分離、誤警報、および根本原因解析は、MBR診断エンジン106(14)から得られる)。MBR診断エンジン106(14)から得られた異常な挙動データおよび解析は、その後、解析データリポジトリ3710に記憶され、それぞれメトリック3740におけるメトリック計算およびレポート3750におけるレポート生成に使用される。
解析融合モジュール3690からの出力は、ユーザが選択可能なベースで情報のグループ化を提供するメトリックモジュール3740への入力として提供される。例えば、図42のGUI 4400は、解析融合モジュール3690によって提供された情報を、レポートモジュール3750で生成された選択された故障予測レポート4405、メンテナンススケジュールレポート4410またはQoSレポート4415にソートするために使用できる様々なユーザ選択可能な基準を示す。図28に示すメトリックおよびレポート機能は、図42に示すもののサブセットであることに留意されたい。図42に示す故障/劣化およびサービス品質(QoS)基準に加えて、様々なタイプのメンテナンスレポート、例えば、スケジュールされたメンテナンス、予防メンテナンス、予測メンテナンス、および補正メンテナンスもまた、ユーザによって選択され、閲覧(ミッションダッシュボード3785およびメンテナンスダッシュボード3790内)およびプリント(プリント機能プリントモジュール3795)のために生成され得る。予測を実行するための既存の時間ホライズンが4420に示されている。これは、短い(1日まで)、中程度(数ヶ月)、および長い(数十年)ホライズンについてボタン4440を介して更新することができる。レポートは、単一の航空機4425、航空機4430のサブセット、または航空機4430の全車両について生成することができる。4435ボタンは、先に実行された既存の記憶された予測を検索することを可能にし、より良いレポート結果を得るために調整を行うことを可能にする。4445ボタンは、選択されたレポートのプリントを可能にし、ボタン4450は、レポートおよび予測を保存し、ボタン4455は、レポート画面を終了する。
電子部品のレポートモジュール3750(図37)によって生成された例示的な予測メンテナンススケジュール4500を図43に示す。単一/複数の同様の構成要素の健全状態(SOH)、残存耐用年数(RUL)、および寿命末期(EOL)メトリックは、メトリックモジュール3740(損傷推定モジュール3674および状態予測モジュール3675から取得)にグループ化され、レポートを生成するために、ならびに故障予測結果DB 3760にメトリックおよびレポートを記憶するために、レポートモジュール3750に送信される。レポート目的のために図42に示される他のすべてのメトリックは、モジュール解析データリポジトリ3710および故障予測結果DB 3760から得られる現在のデータおよび現在の解析を用いて、メトリックモジュール3740において計算される。ユーザの選択により、メトリックおよびレポートの閲覧およびプリントは、ユーザによって選択された正しい既存のパラメータを有する既存のデータ(新しいものではない)および既存のメトリック、レポート、およびデータ(解析データリポジトリ3710からのデータ)についての故障予測結果DB(図37)に対するクエリによって達成される。そうでなければ、新しいデータおよび新しいパラメータの選択肢について、新しいメトリック予測およびレポートがオンザフライで生成され、ユーザの要求に応じて後で使用するために記憶される。解析データリポジトリ3710および故障予測結果DBモジュール3760からのデータはまた、それぞれ既存のメトリックおよびレポートと同時に視覚化され得るか、または新しいレポートとしてまとめて生成され得る。
図43は、上にグラフ4505を有するチャート4500と、下にグラフ4510とを示し、それぞれが同じx軸タイムラインを有するが異なるy軸を有し、y軸上のパーセンテージとしてRUL/EOLを有するチャート4505と、チャート4510は任意のy軸(すなわち、視覚的影響のための棒グラフの任意の高さ)を有する。グラフ4505は、対象構成要素の予測されたRULを表す線4515を示しており、これは、1月の100%から4月の75%まで増加する下降傾斜で下降している。下降傾向の増大は、メンテナンスの観点から懸念の原因となり、場合によっては数日で構成要素の重大な故障の懸念の原因となる。線4520は、さらに増加する下降傾向に基づいて4月に線4515の将来に行われた1つの予測を表し、線4525は、より小さい下降傾向に基づいて4月に線4515の将来に行われた別の予測を表す。線4520は5月の0% RULを示し、線4525は6月の0% RULを示し、0% RULは潜在的な重大な故障を表す。線4520と線4525との間の持続時間は、不確実性の期間(または不確定性の包絡線)と呼ばれる。これらの予測と、特定の構成要素ならびにRUL予測の量および傾斜の変化によって変化し得る所定の閾値量、例えば30%のRULとに基づいて、例えば信頼性中心メンテナンス(RCM)解析を介してロジスティクスエンジニアリングによって生成されたスケジュールされたメンテナンス間隔などの、固定された所定のメンテナンススケジュール間隔の前に、これらの実際の状態に基づく予測に基づいてメンテナンスの必要性が示される。0% RULは、構成要素の寿命末期(EOL)を示す。グラフ4510は、グラフ4505の予測に基づいて、5月初めの直前の間隔4535の間にスケジュールされた予測メンテナンスを示す。これは、ロジスティクスエンジニアリングが、10月から11月の間の構成要素の事前にスケジュールされたメンテナンス間隔4540を計画したこととは対照的である。また、ライン4530は、構成要素の状態に基づいてこの動的にスケジュールされた予測メンテナンス事象で4535回の予測メンテナンスが発生しなかった場合、ライン4520またはライン4525(0% RULのEOL)と整列することに留意されたい。予測メンテナンス4535が発生した場合、線4515上の影響、すなわち線4530は、航空機の稼働率の増加に利益をもたらしながら、問題の構成要素の寿命の大幅な増加を示す。ボタン4545は、以前に記憶されたグラフデータおよび予測の表示を提供し、ボタン4550は、現在のグラフデータおよび後で使用するための予測を記憶し、ボタン4555は、現在のグラフをプリントし、ボタン4560は、現在の画面を終了する。
履歴および訓練データデータベース3730は、オンラインおよびオフライン動作中に解析されたすべての構成要素に関連付けられたデータの解析から収集された履歴データを含む。訓練システムモジュール3720は、より精緻で正確な解析を提供するために、データベース3730に含まれるデータを利用して、解析融合モジュール3690で利用されるアルゴリズムを周期的に更新する。
解析データリポジトリ3710は、MBR診断エンジン106(14)、故障予測エンジン2600のオンボードPMBR、およびPMBRGCS(地上ベースの車両レベル故障予測エンジン3600)からの以前に解析されたデータのすべてを含む。この情報は、解析の精度を高めるのを支援し、モジュール3750によってユーザ選択レポートを生成するためにメトリックモジュール3740によってこの情報へのアクセスを提供するために、解析融合モジュール3690に利用可能にされる。また、モジュール3690によって行われた解析は、履歴データ情報と統合されるようにデータベース3710に送信される。データベース3710はまた、アルゴリズムを継続的に改良できるように、アルゴリズムライブラリデータベース3680と通信する。両方のモデルおよびアルゴリズムの改良は、訓練システムモジュール3720においてオンラインまたはオフラインで自律的に行うことができる(モジュール3600は地上に配置されたサーバ上で実行されており、航空機運用のためのフライトまたはミッションクリティカルなシステムではないため)。これらの改良は、モジュール3690から受信したデータおよび解析をモジュール3720における累積解析に提供し、モジュール3710からデータを受信し、モジュール3770および3780からデータおよび解析を受信する。モジュール3720の訓練アルゴリズムは、アルゴリズムライブラリDB 3680から得られる。履歴データベースからのデータを用いて、既存の解析のための移動平均アルゴリズムおよび他のモジュール(上述)のパラメトリックおよびBITデータのための主成分アルゴリズムと組み合わせて、高忠実度の改良を行うことができ、履歴および訓練データDBモジュール3730内の同様の構成要素の次のデータの解析を実行するために記憶することができる。また、故障予測精度およびアルゴリズム調整・訓練モジュール3770は、アルゴリズムライブラリデータベース3680との対話型通信を提供し、解析データリポジトリ3710に入力を提供する。モジュール3770は、構成要素データの解析に利用される対応するアルゴリズムの修正に反映される継続的な精度更新を提供する。同様に、モジュール3710はまた、モデルライブラリデータベース3660に記憶されているモデルと順に通信する、故障予測モデル調整および訓練モジュール3780とも通信する。
故障予測結果データベース3760は、メトリックモジュール3740からユーザが選択したメトリックおよびデータと、レポートモジュール3750からの対応するレポートとを受信し、記憶する。データベース3760はまた、解析されたデータへのアクセスを提供する解析データリポジトリ3710と通信する。データベース3760はまた、ミッションダッシュボード3785およびメンテナンス管理者ダッシュボード3790に情報を提供する。ミッションダッシュボード3785は、運用車両レベル故障予測システム3600のミッション操作者モード(役割ベースのアクセス)でアクセス可能である。それは、すべての動作中および地上ベースの航空機の状況認識、ならびに、モデルデザイン機能を除く、車両レベル故障予測システム3600 GUIモジュール3601内のすべてのメニューおよびボタンへのアクセスを提供する。同様に、維持管理者ダッシュボード3790は、維持管理者の動作モードまたは維持管理者の役割で維持管理者にアクセス可能である。メンテナンス管理者は、モデルデザイン機能を除いて、GUI 3601内のすべてのメニューおよびボタンにアクセスすることができる。これらのダッシュボードの各々からの出力は、GUI 3601でプリントボタンがクリックされると、プリント機能モジュール3795に提供され、その後ダッシュボードで選択された項目のプリント出力を提供する(図44参照)。
この例示的な実施形態では、データ配信モジュール3630からのデータは、有機自動ロジスティクス環境(ALE)(すなわち、メンテナンスおよび支援システム)3800およびALE請負業者ロジスティクス3830に提供される。モジュール3800からの出力は、ストレージのためのデータを選択し、データベースファーム3820から使用のためのデータを引き出すデータマイニングモジュール3810に提供される。同様に、モジュール3830からの出力は、ストレージのためのデータを選択し、データベースファーム3850から使用するためのデータを引き出すデータマイニングモジュール3840に提供される。ALEメンテナンスおよび支援システム(軍事およびその契約業者の両方のためのロジスティクス運用)は、3レベルのメンテナンス、修理および/または交換、オーバーホールなどのメンテナンス機能、ならびに在庫管理、スペア部品および部品注文のためのサプライチェーン機能などの他の組織機能のために必要な企業レベルのアプリケーションを提供する。車両レベル故障予測診断システム3600は、診断および故障予測データならびに解析をこれらのALEに提供する。図39Aおよび図39Bは、オンボード構成要素(システム2600)およびオフボード構成要素(システム3600)の両方の性能評価ならびに関連するモデルおよびアルゴリズムの改良に使用されるモデルおよびアルゴリズムの精度を高めるために、車両レベルの構成要素性能メトリックがどのように使用されるかを示すフロー図4100である。フローチャート4101は、図41に示す統合開発環境(IDE)システムを使用してモデルおよびアルゴリズムを改良するために実行される訓練および学習を定義する。以下に提供される説明は、モデルの改良およびアルゴリズムの両方に等しく適用可能であることに留意されたい。ストレージ3626またはデータファーム3850内の収集された生データは、工程4105において、航空機および同様の航空機構成要素メタデータ(すなわち、末尾番号)を記憶されたファイル内で検索するデータマイニングアルゴリズムを介して抽出される。データファーム3820は、一般に、システムを構築した軍事請負業者には利用できない。システムを所有する軍事支部のみが利用可能である。分類および機械学習アルゴリズムを使用する構成要素および同様の構成要素のパラメータおよびパラメータ特徴抽出が、工程4110においてこのデータに対して実行される(すなわち、データは前処理される)。一般に、航空機の動作時間間隔全体にわたって収集される十分なデータがあるので、少量の欠落データがある場合でも、解析に悪影響を与えない。工程4115において、統計的サンプリングフィルタアルゴリズムを使用して、訓練データセットおよびテストデータセットの代表的なセットの構成要素および同様の構成要素パラメータを選択、操作、および解析し、訓練データセットの工程4120およびテストデータセットの工程4125に示すように、検査中のより大きなデータセットのパターンおよび傾向を識別する。工程4130において、訓練データセット4120は、特徴選択、スケーリング、および次元縮小のためのさらなる前処理を経る。特徴選択は、訓練データセットが特徴除外、すなわち外れ値データの除外を受け、したがって不正確な解析をもたらし得るデータセット内の望ましくない特徴を低減するプロセスである。次元削減は、データセットをより低い次元に変換し、迅速なパターン認識を提供し、結果の計算の複雑さを低減する。スケーリングは、最小値と最大値との間(一般にゼロと1との間)のスケーリング要因を有するアルゴリズムおよびモデルの両方の数値安定性を改善するために使用することができる。このデータはまた、テストデータセット4125に追加され、より細かい改良を提供する。工程4135において、訓練データセットは、モデルに関連付けられた3層モデルパラメータおよびアルゴリズムパラメータを改良する最も正確な特徴およびパターンを検索するように機械学習アルゴリズムを訓練する。これらのパラメータは、工程4140において、履歴および現在のデータセットからの3層モデルおよびそれらのアルゴリズムを最もよく記述するデータの重み付けサンプリングによるパラメータ最適化でさらに最適化される。工程4145において、後処理および判定時点、RUL、SOH、およびEOLが計算され、過去および現在の航空機フライトデータ結果と比較される。これらが既に利用可能な値から遠く、例えば10%より大きい場合、改良は工程4130で継続する。既に利用可能な値に近い(十分に近くない、例えば1%より大きく10%以下の)場合、改良は工程4135で継続する。n回の改良の後、値があまり変化しない、例えば1%以内である場合、最終的なモデルおよびアルゴリズムのパラメータおよびメトリックは、工程4155の新しいデータに記憶され、新しいパラメータは、4125のテストデータに追加され、4155の新しいデータにも記憶される。4155の新たなデータは、図41のデータベース4350の故障予測モデルライブラリ、4385のアルゴリズムライブラリ、および4365個の結果(改良されたテストデータセットおよびメトリックについて)を指す。次いで、これらのデータベース(4350,4385,4365)は、それぞれ、車両レベル故障予測システム3600の3660モデルライブラリDB、3680アルゴリズムライブラリDB、および3740故障予測結果DBに移行される。同様に、これらのデータベース(4350,4385,4365)は、オンボードシステム2600の2635個の故障予測モデルDB、2668個のアルゴリズム(サブセットアルゴリズムのみ)、および2655個の解析データにそれぞれ移行される。4350、4385、および4365のデータベースをシステム2600および3600に移行することにより、モデルおよびアルゴリズムの精度向上および改良が達成される。
動作状態4102において、工程4165のモデルおよびアルゴリズムデータベースは、システム3600内のデータベース3660モデルライブラリDBおよび3680アルゴリズムライブラリDBをそれぞれ参照する。工程4170から4185は、それぞれアルゴリズムおよびモデルについての3770故障予測精度ならびにアルゴリズム調整および訓練と3780故障予測モデル調整および訓練において生じる既存の処理に対する並列処理である。これは、パラメータ性能調整およびモデルおよびアルゴリズムの改良のために新しいデータが到着したときにのみ発生する(COMMS 3605がアクティブであり、かつシステム3600へデータを送信している場合、さもなければ、3626ストレージ内の既存のデータが利用される)。最初の解析およびデータは、上述の工程4101訓練システムの学習および訓練アルゴリズムで抽出される。新しいデータが到着すると、工程4170でモデル解析の感度および特異性が開始される。モデルの場合、この解析は、モデル入力値の変化から生じるモデル出力値の変化を検索する。それはまた、入力から出力結果までのモデルパラメータの不確実性を決定する。アルゴリズムの感度は、「真陽性」の劣化率を確認し、アルゴリズムの特異性は、正しく識別される「真陰性」の劣化率を確認する。真陰性のレートは、航空機上の同様の構成要素全体に対して取られたときに、真陽性のレートを低下させる傾向がある。感度および特異性は、RUL、EOL、およびSOHの測定における精度を高める。工程4175は、メトリック計算の不確実性を、例えば±5%に決定する。このパーセンテージが設定量より大きい場合、工程4170が再開始され、そうでない場合、プロセスは工程4180の検証および妥当性確認テストに進む。工程4180において、回帰テストが実行され(既存の成功したテストスクリプトが実行される)、以前のテスト結果と比較される。これらのテスト結果が工程4185で合格した場合、新しい解析およびデータは、ストレージおよび将来の処理のために工程4101のデータベースに送信される。これらのテスト結果が合格しない場合、解析および処理は工程4170に戻り、プロセスは上述のように継続する。
図40は、航空機の車両内の単一の/すべての同様の構成要素がいつメンテナンス/同時メンテナンスを必要とするかを決定するために構成要素の車両レベル性能メトリックがどのように使用されるかを示すフロー図である。1)自律モードおよび2)オフラインのミッション操作者/メンテナンス技術者モードの2つのモードがある。自律モードは、COMMS 3605がアクティブであり、3601のサーバボタンが「オン」にクリックされるとアクティブになり、ソフトウェアソケット接続を介したシステム3600とCOMMS 3605との間のハンドシェイクを可能にする。COMMS 3605からデータ配信モジュール3630へのリアルタイムデータ伝送は、自動化モードを検証する(すなわち、到来するデータはトリガである)。自律モードでは、劣化/障害/故障事象警報が存在する場合、これらは、特定の航空機尾部番号について、「地上ベース」航空機のカラーグレー、「完全ミッション可能(FMC)」のカラーグリーン、「部分ミッション可能(PMC)」のカラーオレンジ、および「非ミッション可能(NMC)」のカラーレッドとして、画面3605(図44)に視覚化される(すなわち、すべての同様の航空機のテーブルである)。さらなる行動は、ミッション操作者の介入を必要とする。注記として、PMCは、航空機が依然としてそのミッションを劣化モードで実行することができることを意味する。一方、NMCは、航空機がリカバリモード(フライト終了シーケンス)に入る、すなわちできるだけ早くホームに戻り、安全な場所に着陸する、または墜落することを意味する。操作者は、色がオレンジまたは赤の行をクリックすることができる(すなわち、画面3605上の各行は、動作中または地上で固有の尾部番号を有する航空機に関する情報である)。行がクリックされると、別の詳細画面が、メトリックモジュール3740から取得されたそれらの関連するメトリックと共に、その特定の航空機上のすべての材料資産の可視性を提供する。低いRULおよびSOHのパーセンテージは、ミッション操作者が劣化した資産行を単にクリックして図43に示すような画面を表示することによって予測メンテナンススケジュールを見るための推進力となる。オフラインのミッション操作者/メンテナンス技術者モードでは、ストレージ3626で収集されたデータは、上記と同じ動作を実行するために使用されるが、3601で「予測を実行する」ボタンをクリックすることによってオフラインで、または3605で航空機(行)をクリックし、その後、資産行をクリックすることによって上記で説明したように、図43の結果を見るために、すなわち、とるべきさらなる措置を決定するために使用される。劣化した資産の図43に示す予測メンテナンススケジュールは、図40に示すフロー図に依存する。
図43は、図40の決定形状4230における決定ごとに、予測メンテナンスが事前に計画されたスケジュールメンテナンスよりも「先に」発生する場合を示す。工程4235でメンテナンススタッフへの作業指示が発行される。「後の」予測メンテナンススケジュールは、(工程4245において)計画されスケジュールされたメンテナンスライン4540を予測メンテナンススケジュールライン4535の上に移動させる効果を有する。「先の」場合および「後の」場合の両方において、訓練システムモジュール3720(履歴および訓練DB 3730を更新する)および故障予測結果DB 3760は、工程4240を介して更新される。工程4200は、モジュール3660、3680、および3760から入力を受信し、モジュール3674および3675内のRUL、EOL、およびSOHを計算し、劣化事象および構成要素性能の低下を識別する。モジュール3690および3740は、工程4210、4215において必須の処理を提供し、工程4220、4225、4230、4235、4240、および4345は、それぞれ予測メンテナンススケジュールおよび事前に計画されたスケジュールされたメンテナンスについて、レポートモジュール3750において計算される。図43に示すグラフ化トリガ能力は、プリント機能3795を介してレポートモジュール3750、ならびにグラフ化機能を必要とし得る他のモジュールに存在する。
SOHは、構成要素の関連する物理学、化学、および/または生物学(すなわち、バイオテクノロジー)に依存するパーセンテージスコアであり、例えば、電池のSOHは、i番目のサイクルの最大残存容量Ciを公称容量C0で割ることによって推定される。
電池のSOHは、サイクル充放電に依存し、そのRULおよびEOLは、その構成材料の物理的および化学的プロパティに依存する。他の構成要素の場合、このプロセスは周期的ではなく、例えば、構造、機械設備、電子回路基板、回転機械などである。例えば、油水混合物中の砂粒子は、チョークバルブに深刻な侵食を引き起こす可能性がある。侵食が発生すると、開放値の増加により流体フロー係数Cvの値が増加する。このシステムのSOHは次のようになる。
Cfは、(ダルシー・ワイスバッハの式)によって与えられるパイプフローの摩擦係数であり、
ここで、
Hfは損失水頭(ft)
Lはパイプの長さ(ft)であり、
Dはパイプの内径(ft)であり、
vは流体の速度(ft/s)であり、
gは重力加速度(ft/s2)である。
Cfは、一般に、対応するサプライヤの仕様書に記載されている。Cvの計算値は直接的ではないが、チョークバルブ内およびチョークバルブの近くで利用可能なセンサに応じて、センサデータ、すなわち上流圧力、下流圧力、温度、フローレート、流体密度、エントロピーから計算することができる。
別の例は、構造(ターボファン航空機エンジンのターボブレード、ターボファンハウジング、ヘリコプタブレード、翼構造など)における亀裂進展である。フロー図を図45に示す。有限要素解析(FEA)4610(利用可能なデータ4605を使用)は、デザイン段階中に、問題の亀裂空間を要素(より小さい空間セルまたはゾーン)に分割する初期メッシュを用いて実行され、その上で偏微分方程式を解くことができ、亀裂空間の正味のより大きな領域の結果を生成する。図45の動作段階4615から4650において、工程4615は、FEA 4610から構造破壊パラメータを抽出し、これらのパラメータを入力センサデータで処理し、その後、亀裂伝播方向、その長さの成長を計算し、その後、亀裂先端の新しい位置を登録する。工程4625は、全方向の亀裂長さを決定し、以前の計算または以前のフライト計算と比較する。工程4630において、SOHが計算され、モジュール3690に送信される。FEA 4610はまた、航空機の空力不安定を引き起こす臨界亀裂長さ「Lcritical」を計算する。この不安定性が発生すると、工程4635で「Lcritical」に到達し、工程4640で警報が生成され、即座の行動のための点滅警報としてミッション操作者ダッシュボード3785に表示される。工程4645において、決定工程4635における臨界亀裂長さに達していない場合、処理は亀裂パラメータの更新によって継続し、工程4650においてこれらの新しい亀裂進展パラメータで再メッシュ化が適用される。処理は工程4615へのフィードバックによって継続する。これらの構成要素のSOHは、経時的な亀裂伝播のパーセンテージおよびその臨界性を示す。SOHは、材料組成(すなわち、ミクロ構造変形および材料不純物)、環境条件、ならびに様々な運航操縦およびミッションの下(重力を増減させる効果を有する高加速度および低加速度、高速旋回、高速上昇および下降)での航空機の使用に依存する。図47に示すように、亀裂進展は、経時的にゆっくりと成長する小さな亀裂(4805)または経時的に急速に成長し、周期的な外部負荷サイクルNに応じて非常に短い時間間隔で重要なシステム故障に伝播する可能性がある長い亀裂進展(4810)(すなわち、da/dN 4815)であり得、亀裂の周りの領域の引き裂きの増加は、この周期的な外部負荷および構造材料上の応力(4820)によるものである。SOHは数学的に与えられる。
;パリの法則
ここで、
a=亀裂長さ
N=負荷サイクル
ΔK=応力強度係数
「C」および「m」は、周波数、温度、応力比および環境条件から実験的に得られる。
ここで、s=印加応力
電池の例は、外部負荷に電気を供給するため、その内部の化学的および物理的構造に起因して周期的な充電および放電を扱っていることに留意されたい。一方、亀裂進展の例では、外部の繰り返し負荷が構造に変形を引き起こし、亀裂を成長および引き裂く材料の引き裂き剪断応力および歪みをもたらす。構造に対するこの外部負荷は、周期的ではなく連続的であってもよい。
電池のSOHは、サイクル充放電に依存し、そのRULおよびEOLは、その構成材料の物理的および化学的プロパティに依存する。他の構成要素の場合、このプロセスは周期的ではなく、例えば、構造、機械設備、電子回路基板、回転機械などである。例えば、油水混合物中の砂粒子は、チョークバルブに深刻な侵食を引き起こす可能性がある。侵食が発生すると、開放値の増加により流体フロー係数Cvの値が増加する。このシステムのSOHは次のようになる。
Cfは、(ダルシー・ワイスバッハの式)によって与えられるパイプフローの摩擦係数であり、
ここで、
Hfは損失水頭(ft)
Lはパイプの長さ(ft)であり、
Dはパイプの内径(ft)であり、
vは流体の速度(ft/s)であり、
gは重力加速度(ft/s2)である。
Cfは、一般に、対応するサプライヤの仕様書に記載されている。Cvの計算値は直接的ではないが、チョークバルブ内およびチョークバルブの近くで利用可能なセンサに応じて、センサデータ、すなわち上流圧力、下流圧力、温度、フローレート、流体密度、エントロピーから計算することができる。
別の例は、構造(ターボファン航空機エンジンのターボブレード、ターボファンハウジング、ヘリコプタブレード、翼構造など)における亀裂進展である。フロー図を図45に示す。有限要素解析(FEA)4610(利用可能なデータ4605を使用)は、デザイン段階中に、問題の亀裂空間を要素(より小さい空間セルまたはゾーン)に分割する初期メッシュを用いて実行され、その上で偏微分方程式を解くことができ、亀裂空間の正味のより大きな領域の結果を生成する。図45の動作段階4615から4650において、工程4615は、FEA 4610から構造破壊パラメータを抽出し、これらのパラメータを入力センサデータで処理し、その後、亀裂伝播方向、その長さの成長を計算し、その後、亀裂先端の新しい位置を登録する。工程4625は、全方向の亀裂長さを決定し、以前の計算または以前のフライト計算と比較する。工程4630において、SOHが計算され、モジュール3690に送信される。FEA 4610はまた、航空機の空力不安定を引き起こす臨界亀裂長さ「Lcritical」を計算する。この不安定性が発生すると、工程4635で「Lcritical」に到達し、工程4640で警報が生成され、即座の行動のための点滅警報としてミッション操作者ダッシュボード3785に表示される。工程4645において、決定工程4635における臨界亀裂長さに達していない場合、処理は亀裂パラメータの更新によって継続し、工程4650においてこれらの新しい亀裂進展パラメータで再メッシュ化が適用される。処理は工程4615へのフィードバックによって継続する。これらの構成要素のSOHは、経時的な亀裂伝播のパーセンテージおよびその臨界性を示す。SOHは、材料組成(すなわち、ミクロ構造変形および材料不純物)、環境条件、ならびに様々な運航操縦およびミッションの下(重力を増減させる効果を有する高加速度および低加速度、高速旋回、高速上昇および下降)での航空機の使用に依存する。図47に示すように、亀裂進展は、経時的にゆっくりと成長する小さな亀裂(4805)または経時的に急速に成長し、周期的な外部負荷サイクルNに応じて非常に短い時間間隔で重要なシステム故障に伝播する可能性がある長い亀裂進展(4810)(すなわち、da/dN 4815)であり得、亀裂の周りの領域の引き裂きの増加は、この周期的な外部負荷および構造材料上の応力(4820)によるものである。SOHは数学的に与えられる。
;パリの法則
ここで、
a=亀裂長さ
N=負荷サイクル
ΔK=応力強度係数
「C」および「m」は、周波数、温度、応力比および環境条件から実験的に得られる。
ここで、s=印加応力
電池の例は、外部負荷に電気を供給するため、その内部の化学的および物理的構造に起因して周期的な充電および放電を扱っていることに留意されたい。一方、亀裂進展の例では、外部の繰り返し負荷が構造に変形を引き起こし、亀裂を成長および引き裂く材料の引き裂き剪断応力および歪みをもたらす。構造に対するこの外部負荷は、周期的ではなく連続的であってもよい。
工程4635において、構造的故障が予測される臨界亀裂長さLcriticalに達したか否かの判定が行われる。工程4635によるYES判定の結果、工程4640においてミッションダッシュボードで警報が生成される。構造的故障を引き起こす可能性のある亀裂の臨界長さLcriticalが決定されているため、警報の生成は適切である。臨界亀裂長さが構造的故障を引き起こすと予測されるLcriticalにまだ到達していないことを示す工程4635によるNO判定は、工程4645で亀裂パラメータ、センサパラメータ、新しい環境条件およびミッションプロファイル、ならびに新しい使用パラメータを更新する。この更新に続いて、工程4650において、工程4615に戻ることによって別の計算反復が継続され、その結果、新しい情報に基づいて工程4635によって継続的な決定を行うことができる。
図46Aおよび図46Bは、構成要素のメンテナンス特性対時間のグラフである。モジュール3800は、メンテナンスタスク注文の生成、(最低でも)メンテナンスの中間レベル(Iレベル)の実施、サプライチェーンおよび在庫管理などに使用される軍の有機メンテナンスおよび支援システムを表す。モジュール3830は、防衛請負業者のメンテナンスおよび支援システムを表す。防衛請負業者は、航空機を運用する組織によってDレベル(すなわち、保管所レベルのメンテナンス)を実行するように求められてもよく、次いで、組織は、そのサプライヤおよび製造業者にDレベルメンテナンスを要求してもよい。Oレベルメンテナンスは、航空機を運用する組織(すなわち、軍事)によって、航空機の請負業者または開発者によって提供される技術データおよび場合によってはサービスと共に提供される(すなわち、請負業者チームは、軍内に組み込まれてもよい)。様々なタイプのメンテナンスは、y軸上で100%の性能からほぼ0%の性能までの範囲の「性能状態」4705対「時間」の確率として図46Aに記載されており、補正メンテナンスを示し、構成要素のEOLを反映することができる(構成要素を稼働させたままで非常に高価な構成要素のオーバーホールが実行され得る)。メンテナンス目的として、構成要素/ライン交換可能ユニット(LRU)の残存耐用年数(RUL)および残存耐用性能(RUP)は、スケジュールされていないメンテナンスを回避しながら最大化されるべきである。図46Aに示す用語の定義を以下に定義する。
このグラフから、潜在的な故障4710の発生時には、構成要素が予防メンテナンスのスケジュールされた時間4715を超えて実質的なRULを有することが多いため、予防メンテナンス4715は、典型的には、予測メンテナンス4730よりも多くのコストを追加しながら、実質的に費用対効果が低くなることは明らかである。したがって、予測メンテナンスを利用して実際の性能に基づくメンテナンスを利用すると、構成要素のより長い動作寿命が得られ、したがって構成要素の交換/修理費用、ならびに航空機の動作をより長く維持しながらメンテナンスを実行するための人件費が最小限に抑えられる。
図46Bにおいて、破線4755は、ゼロのメンテナンス値4750を表す。この値は、航空機のスケジュールされていないメンテナンスのための作業指示を伴う航空機のダウンタイムによる)平均ロジスティクス遅延時間(MLDT)と平均修理時間(MTTR)との間の移行点およびその動作状態の準備完了4755を表す。MLDTは、管理作業の様々な遅延、輸送手段の欠如または往復輸送のための長い時間、および他の理由に起因し得る。MLDTが解決されると、メンテナンス修理または交換動作を実行するために追加のMTTRが必要とされる。グラフ4760の正のピークおよびゼロへの直接降下は、一般に、EOLに近づく構成要素を表し、スケジュールされていないメンテナンス(高価な構成要素の完全なオーバーホール)につながる可能性があることに留意されたい。
このグラフから、潜在的な故障4710の発生時には、構成要素が予防メンテナンスのスケジュールされた時間4715を超えて実質的なRULを有することが多いため、予防メンテナンス4715は、典型的には、予測メンテナンス4730よりも多くのコストを追加しながら、実質的に費用対効果が低くなることは明らかである。したがって、予測メンテナンスを利用して実際の性能に基づくメンテナンスを利用すると、構成要素のより長い動作寿命が得られ、したがって構成要素の交換/修理費用、ならびに航空機の動作をより長く維持しながらメンテナンスを実行するための人件費が最小限に抑えられる。
図46Bにおいて、破線4755は、ゼロのメンテナンス値4750を表す。この値は、航空機のスケジュールされていないメンテナンスのための作業指示を伴う航空機のダウンタイムによる)平均ロジスティクス遅延時間(MLDT)と平均修理時間(MTTR)との間の移行点およびその動作状態の準備完了4755を表す。MLDTは、管理作業の様々な遅延、輸送手段の欠如または往復輸送のための長い時間、および他の理由に起因し得る。MLDTが解決されると、メンテナンス修理または交換動作を実行するために追加のMTTRが必要とされる。グラフ4760の正のピークおよびゼロへの直接降下は、一般に、EOLに近づく構成要素を表し、スケジュールされていないメンテナンス(高価な構成要素の完全なオーバーホール)につながる可能性があることに留意されたい。
図48において、障害管理4910は、診断および監督4905(障害検出、障害分離、誤警報拒否、および根本原因解析)および故障予測4915(劣化解析およびメトリック計算:航空機機器の健全性のためのRUL、EOL、SOH)ならびに様々な相互に関連するメンテナンス行動、手順、および再構成(すべて4920から4999)からなる。高忠実度および正確な診断および故障予測が、構成要素および航空機のメンテナンス、修理、およびオーバーホール(MRO)活動に大きな影響を与えることを理解することが重要である。正確な障害および故障の分離、誤警報の拒否、および機器の劣化の判定は、メンテナンス作業負荷を低減し、航空機の運用の車両を低減し、正確な診断および故障予測を用いて費用負担の最大50%(数十年にわたって重要)を排除する数十年にわたる運航の費用を支援する。車両レベル故障予測診断システム3600は、これらの様々なメンテナンス機能のそれぞれについて解析、計算、記憶、およびレポートをする。メンテナンス4920の手順は、スケジュールメンテナンス4935およびスケジュールされていないメンテナンス4940に分類される。スケジュールメンテナンス4935は、予防メンテナンス4950、予測メンテナンス4955、補正メンテナンス4960、および必要に応じたメンテナンス4965(緊急かつミルメンテナンスの必要性の実行を指す)においてさらに分類される。同様に、スケジュールされていないメンテナンス4940は、反応的/緊急メンテナンス4970に分類される。ブロック4950~4965はそれぞれ、それぞれ、スケジュールメンテナンス4935のためにブロック4991~4994において認定技術者によって実行されるそれらの典型的なメンテナンス動作に関連付けられている。反応的/緊急メンテナンス4970は、その参照メンテナンス行動ブロック4995を有する。反応的/緊急メンテナンス4970と必要に応じたメンテナンス4965との重要な差は、反応的/緊急性の必要性と併せて計画されたメンテナンスタスクを含めることであるが、オンデマンドメンテナンスタスクは、アドホック時間間隔メンテナンスが計画されない結果となり得る(例えば、利用可能な最良の時間)。交換/修理4925のタスクは、スケジュール/計画された修理4975およびスケジュールされていない/計画されていない修理4980に分類される。ブロック4975および4980は、それぞれ関連するメンテナンス動作4996および4997を有する。航空機フライト制御システムは、耐障害性があり、適応回復力を有し、その結果、(例えば、ハードウェアビットの固着、スイッチの固着、リレーの固着など)再構成するためのコマンドを送信することによって、障害からのハードウェアおよびソフトウェアのフライト中の再構成が可能である。再構成4930は、静的冗長性4985および動的冗長性4990を有する耐障害性システム4945でのみ利用可能なそのような適応回復力を実行する。損傷推定モジュール3674および状態推定モジュール3675は、車両レベル故障予測システム3600が動作可能であり、COMMS 3605を介してオンボード故障予測システム2600に接続されている間、フライト中の動作においてのみ利用可能なこの再構成機能を実行する。システム2600は、システム3600に追加の処理を要求し、システム2600は、必要な解析およびコマンドシーケンストリガに関する情報を提供する。システム2600は、航空機フライト制御システム(FCS)に伝送するためのコマンドシーケンスを構築し、検証する。何らかの理由でシステム3600が利用可能でない場合、システム2600は、利用可能な情報から不確実性を有する最良の可能なコマンドシーケンスを構築する。航空機を停止させることなく再構成するための(システム2600によって提供されるトリガからの)コマンドシーケンスを生成するためのシステム3600への直接フィードバックリンクがある。なお、このコマンドシーケンス情報は、FCSへの推奨に過ぎない。システム2600および3600は状況認識のみを提供する、FCSは、利用可能なハードウェアおよびソフトウェアの冗長性、現在のミッション、環境条件、起こり得るカスケード障害および故障(1つの構成要素の障害が他の構成要素、ならびに他のサブシステム構成要素の障害を生成する)などの様々な要因に応じて、再構成コマンドシーケンスを送信するか否かの最終決定を行わなければならない。この情報の大部分は、システム2600および3600によって提供される。静的冗長性および動的冗長性は、FCSによって処理される。耐障害性システムにおける静的冗長性(リアルタイム性能で高い信頼性を必要とする)は、一般に、(FCSにおける)ブロック4998のメモリ補正コードおよび多数決方式「m from n systems」を扱う。同様に、動的冗長性は、高忠実度および正確な診断(モジュール106(14))、故障予測診断(モジュール2600および3600)、および冗長ハードウェアを必要とする。計算ハードウェアは、単一、2重、3重または4重の冗長システム(すなわち、あらゆる点で同一である)とすることができる。そのような場合、FCSは、最も可能性が高く最良の結果を決定するためにハードウェア出力間で多数決方式を使用する(すなわち、単一は、単一故障点、2重は、マスタがスレーブを引き継ぐ場合、マスタ-スレーブ構成にあり、3重は、3つの同様の結果のうちの2つ、4重は、4つの同様の結果のうちの3つなど)。4重冗長ハードウェアでは、2つのペアが異なる結果を示し、各ペアが同じ結果を示す場合の複雑化のハードウェア複雑性の結果の場合、どのペアを選択するか。正しいペアを選択するには、他の情報/証拠が必要である。各コンピュータが異なる結果を示す場合、さらに困難である。これらは、診断および故障予測システムではなく、FCSにおいて懸念されるトピックである。図48の要素は、劣化に伴う冗長性(HW,SW)を介して、故障防止、故障除去、および故障防止の役割を果たすことに留意されたい。
Claims (8)
- 地上ベースコンピューティングシステムによって実施される方法であって、
複数の同様の航空機に配置された同様の構成要素の性能パラメータのデータを受信する工程と、
前記それぞれの同様の構成要素の対応する劣化レベルおよび劣化変化率を判定する工程と、
それぞれのグループ内の同様の構成要素の合成劣化の解析に基づいて、前記同様の構成要素の前記グループのための車両レベルの劣化を生成する工程と、
前記同様の構成要素の各々の劣化レベルと同様の構成要素の前記グループの前記車両レベルの劣化との比較に基づいて、前記それぞれの同様の構成要素の各々の残存耐用年数(RUL)および健全状態(SOH)のうちの少なくとも1つを判定する工程と、
同様の構成要素の前記RULおよび前記SOHのうちの対応する少なくとも1つに基づいて、各々の前記同様の構成要素のメンテナンスの予測時間を判定することによって、車両レベル情報に基づいて構成要素の費用効果の高いメンテナンスの判定を可能にする工程とを含む方法。 - データを受信することが、前記航空機が地上にある間に、複数の同様の構成要素のデータをそれぞれの同様の航空機から前記地上ベースコンピューティングシステムに転送することを含み、前記データが、前記航空機がフライト中に航空機データストレージデバイスに記憶された構成要素性能パラメータに基づく、請求項1に記載の方法。
- データを受信することが、前記航空機がフライト中に、複数の同様の構成要素のデータをそれぞれの同様の航空機から前記地上ベースコンピューティングシステムに無線通信リンクを介して転送することを含む、請求項1に記載の方法。
- 前記それぞれの同様の構成要素の対応する劣化レベルおよび劣化変化率を判定することが、
前記それぞれの同様の構成要素の物理モデルおよび前記それぞれの同様の構成要素の経験的モデルのうちの少なくとも一方によって、前記物理モデルおよび前記経験的モデルのうちの少なくとも一方によって判定された、前記同様の構成要素の前記性能パラメータの現在の状態と前記同様の構成要素の前記性能パラメータの対応する状態との差である第1の残差を判定することと、
前記それぞれの同様の構成要素の物理システムモデルによって、前記同様の構成要素の性能パラメータの現在の状態と、前記物理システムモデルによって判定された対応する同様の構成要素の性能パラメータの所定の範囲の状態との差である第2の残差を判定することと、
前記第1の残差および前記第2の残差の組み合わせに基づいて、前記それぞれの同様の構成要素の劣化レベルおよび前記それぞれの同様の構成要素の劣化変化率を判定することとを含む、請求項1に記載の方法。 - それぞれの同様の構成要素について前記車両レベルの劣化を生成することが、
すべての同様の構成要素の前記RULの加重平均を生成することを含む、請求項1に記載の方法。 - 前記それぞれの同様の構成要素の各々について前記SOHを判定することが、
同様の構成要素の各々の現在のSOHを判定することと、
前記同様の構成要素の各々について、現在の対応するSOHを100%の性能の状態と比較して、同様の構成要素の現在のSOHを生成することとを含む、請求項1に記載の方法。 - 前記それぞれの同様の構成要素の各々について前記RULを判定することが、
同様の構成要素の前記RULの以前の判定および前記それぞれの同様の構成要素の性能の劣化率に基づいて、前記同様の構成要素の各々のRULを判定することを含む、請求項6に記載の方法。 - 航空機のオンボード構成要素の劣化判定の精度を改善するために地上ベースコンピューティングシステムによって実施される方法であって、
複数の同様の航空機に配置された同様の構成要素の性能パラメータのデータを受信する工程と、
対応する同様の構成要素の各々の少なくとも2つのモデルによって、受信データに基づいて、それぞれの同様の構成要素の対応する劣化レベルおよび劣化変化率を判定する工程と、
各グループ内の同様の構成要素の劣化に基づいて、前記同様の構成要素の前記各グループの車両レベルの劣化を生成する工程と、
前記車両レベルの劣化に基づいて同様の構成要素の前記少なくとも2つのモデルのうちの少なくとも1つを修正して、前記少なくとも1つのモデルの精度を改善する工程と、
前記修正された少なくとも1つのモデルを同様の航空機に送信する工程であって、前記修正された少なくとも1つのモデルが、前記少なくとも1つのモデルの以前のバージョンを交換するために使用されて、オンボード劣化解析を生成することができ、それにより、車両レベルのデータに基づいてオンボード劣化解析の精度を高める工程とを含む方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/945,263 US10964130B1 (en) | 2018-10-18 | 2020-07-31 | Fleet level prognostics for improved maintenance of vehicles |
US16/945,263 | 2020-07-31 | ||
PCT/US2021/038036 WO2022026079A1 (en) | 2020-07-31 | 2021-06-18 | Fleet level prognostics for improved maintenance of vehicles |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023536677A true JP2023536677A (ja) | 2023-08-29 |
Family
ID=77338751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022573618A Pending JP2023536677A (ja) | 2020-07-31 | 2021-06-18 | 車両の改善されたメンテナンスのための車両レベル故障予測 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4189505A1 (ja) |
JP (1) | JP2023536677A (ja) |
CA (1) | CA3176638A1 (ja) |
WO (1) | WO2022026079A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240096147A1 (en) * | 2022-09-20 | 2024-03-21 | International Engine Intellectual Property Company, Llc | Scanner for monitoring the reliability of systems |
CN117634303B (zh) * | 2023-12-06 | 2024-06-21 | 北京京能能源技术研究有限责任公司 | 一种基于ai建模的汽轮发电机铁心过热故障预警方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120283963A1 (en) * | 2011-05-05 | 2012-11-08 | Mitchell David J | Method for predicting a remaining useful life of an engine and components thereof |
-
2021
- 2021-06-18 CA CA3176638A patent/CA3176638A1/en active Pending
- 2021-06-18 JP JP2022573618A patent/JP2023536677A/ja active Pending
- 2021-06-18 WO PCT/US2021/038036 patent/WO2022026079A1/en active Application Filing
- 2021-06-18 EP EP21755103.5A patent/EP4189505A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022026079A1 (en) | 2022-02-03 |
EP4189505A1 (en) | 2023-06-07 |
CA3176638A1 (en) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10964130B1 (en) | Fleet level prognostics for improved maintenance of vehicles | |
US10814883B1 (en) | Prognostics for improved maintenance of vehicles | |
US10725463B1 (en) | High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners | |
US11308250B2 (en) | Learning expected operational behavior of machines from generic definitions and past behavior | |
EP3867718B1 (en) | Parametric data modeling for model based reasoners | |
Esperon-Miguez et al. | A review of Integrated Vehicle Health Management tools for legacy platforms: Challenges and opportunities | |
Dangut et al. | An integrated machine learning model for aircraft components rare failure prognostics with log-based dataset | |
US10643187B2 (en) | Reporting and prioritizing faults for aircraft downtime reduction | |
US9399526B2 (en) | Method, devices and program for computer-aided preventive diagnostics of an aircraft system, using critical event charts | |
US9266626B2 (en) | Method, devices and program for computer-aided analysis of the failure tolerance of an aircraft system, using critical event charts | |
EP3497527B1 (en) | Generation of failure models for embedded analytics and diagnostics | |
JP2023536677A (ja) | 車両の改善されたメンテナンスのための車両レベル故障予測 | |
KR20180114255A (ko) | 헬리콥터 엔진의 정비 추천 시스템 | |
Miller et al. | System-level predictive maintenance: review of research literature and gap analysis | |
CA3163790C (en) | Prognostics for improved maintenance of vehicles | |
Das et al. | An open architecture for enabling CBM/PHM capabilities in ground vehicles | |
Dibsdale | Aerospace Predictive Maintenance | |
King et al. | Equipment health monitoring in complex systems | |
Knight et al. | Intelligent management of helicopter health and usage management systems data | |
Zaluski et al. | Developing data mining-based prognostic models for cf-18 aircraft | |
Schoenmakers | Condition-based Maintenance for the RNLAF C-130H (-30) Hercules | |
Reasoners et al. | Faisal Khan | |
e Lima | Development of an Aircraft Health Monitoring Program for Predictive Maintenance | |
Khan | Vehicle level health assessment through integrated operational scalable prognostic reasoners | |
Koelle et al. | Lessons Learned in Implementing a Practical Aircraft System Health Management (ASHM) Syste |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240416 |