JP4464966B2 - 仮想負荷監視システムおよび方法 - Google Patents

Description

本発明は、少なくとも１つの負荷を受ける部品の動作を監視するシステムおよび方法に関する。

本出願は、２００３年８月７日に出願された米国仮出願第６０／４９３，１９８号の優先権を主張する。

多くのシステムは、準周期的な性質を有する特性を含む。例えば、負荷部品を含む装置（例えば、回転翼航空機、ジェットエンジン、ＨＶＡＣ冷却装置、電動機など）が、多くの用途において用いられている。設計者は、通常、これらの部品が使用時に直面する負荷に関して、慎重な想定を用いている。しかしながら、実際に使用する時に、この装置内の上記部品は、予想以上に大きな負荷に直面し、それにより、その部品の寿命が、計画よりも早い修理または交換を必要とするか故障することがある。同様に、その部品は、予想よりも小さい負荷に直面し、それにより、その部品がまだ良好な状態にあるときに不必要な修理スケジュールが作成されることがある。

それぞれの部品を設計するときには、設計者は、慎重になりがちであり、最悪の場合を想定した負荷レベルに耐えるのに必要な性質（例えば、強度、質量、形状など）を有する部品を過剰設計する。さらに具体的に言えば、個々の部品は、それぞれのタイプの動作状態に関連づけられる最大負荷レベルを想定して、また、それぞれの状態におかれる特定の時間の割合を想定して、設計されることがある。この場合には、これらの部品は、それぞれの状態の間に直面する予想最大負荷と、それぞれの状態の発生が予想される事例の数に基づいて、設計される。このような推定値は、常態よりも厳しい条件のもとであっても、長期間、最適な動作を保証するために、通常、慎重になっている。

これらの部品はまた、常態よりも厳しい条件を表わす最悪の場合の最大複合使用プロフィールに耐えるように設計されている。例えば、これらの部品は、もっとも過酷に使用される装置が直面する力に耐えるように設計されることがある。実際の装置動作が、その装置部品の設計の間に用いられた想定に類する場合には、これらの部品は、予想寿命の間、持ちこたえるはずである。しかしながら実際問題として、装置のなかには、想定されたものよりも厳しい条件で用いられるものもある。例えば、戦闘で使用される回転翼航空機は、予想寿命よりも早い交換を必要とする部品を含むであろうが、一方、それよりも厳しくない状態で使用される回転翼航空機は、このようなことがなく、予想寿命よりも長持ちすることさえある。

あらゆる動作条件のもとで無期限に持ちこたえるくらい充分強い部品は、実用にならないほど、大きすぎ、費用がかかりすぎ、かつ重たすぎるであろうから、このような部品を設計することは必ずしも可能ではない。装置の部品は、交換に費用がかかることが多いために、部品への負荷を監視して、所与の部品が、実際に交換を必要とするかどうか判定することが望ましい。例えば、部品が、１０，０００時間の予想寿命で設計される場合には、厳しくない状態で１０，０００時間の間、使用されてきた部品は、おそらく、ずっと後まで交換を必要としないであろうが、一方、戦闘に使用される部品は、１０，０００時間の到達にて、交換を必要とする場合がある。

これらの様々な動作条件のために、部品の設計、部品の重量管理、装置の管理、および他の用途を最適化するために、装置使用の間、部品への実負荷を監視することが望ましいであろう。しかしながら、これらの部品の位置および動作から、特に、可動センサと固定受信機との間にデータ伝送路を必要とすることになる回転部品では、負荷センサを取り付けて、監視することが困難であるか、あるいは厄介となることもある。監視される部品のすべてに負荷センサを追加すると、装置の複雑さが増して、追加の電子回路が必要となり、それにより、重量および費用も増す。

負荷の監視を行うために、効率的で、信頼でき、手ごろで、かつ堅牢なやり方が要望されている。部品設計の基準として使用するに足る精度の負荷推定値を生成して、その負荷推定値に基づいて監視するようなシステムも要望されている。

本発明は、直接信号測定ではなくて、測定された状態パラメータに基づいて、部品に加えられる負荷を表わす信号などの所望の時変信号を推定する方法およびシステムを対象とする。本発明は、モデル・トレーニングと、このトレーニングされたモデルに基づく実際の信号推定とを含む。モデル・トレーニングの間、信号モデルは、測定された状態パラメータの入力に対応する測定出力信号を経験的に得ることで、得られる。モード形状やモード振幅などの特徴は、これらの測定出力信号から取り出される。モード形状などの時不変特徴は、測定された状態パラメータを、モード振幅などの時変特徴に関連づけるマップとともに、推定モデルに保存される。それゆえ、この推定モデルは、モデル・パラメータと、測定された状態パラメータを、それらの対応する信号特徴に関連づけるインフラとを提供する。

部品動作中の実際の信号推定プロセスの間、部品動作中に測定された状態パラメータを、この推定モデルに入力する。推定特徴は、この推定モデルを介して、これらの測定された状態パラメータから得られる。この推定モデルからの推定特徴を使用して、推定信号（例えば、負荷信号推定値）を復元する。負荷の例では、推定信号は、測定された状態パラメータに基づいて、部品に加えられる実負荷（例えば、力）、あるいは、負荷に対する部品の応答（例えば、応力）を表わす波形である。これらの状態パラメータは、比較的容易に得られるか、または比較的効率的に得られる可能性があるから、この推定モデルは、信号自体を直接に監視することなく、信号波形全体を予測することができる。

本発明の上記および他の特徴は、以下の詳記と、以下に簡単に説明されている図面を見れば、もっとも良く理解できる。

図１は、本発明の一実施形態による総合信号推定プロセス１００の一実施形態を示している。以下の説明は負荷推定に集中しているが、このシステムとプロセスは、正確な信号推定値を要望するどんな用途でも使用できるものとする。

１．信号推定概念のあらまし
部品に加えられる負荷、または負荷に対する部品の応答（本出願では、一まとめにして、「負荷」と呼ばれている）に対応するデータは、構成要素がどのように使用されているかについて、価値ある情報を提供する。しかしながら、多くの場合に、この部品の正確な負荷測定値を得ることは困難であり、特に、その部品が、回転などして動いている場合には困難である。負荷を一般的に推定する方法が提案されてきたが、これらの方法は、様々な問題を呈している。

推定手法は、この推定手法が線形または非線形、静的（すなわち、メモリなし）または動的（すなわち、状態空間）、物理学ベースまたは経験的な手法などであるかどうかのように、推定手法の推定能力と複雑さに応じて、分類されることがある。負荷推定では、非線形手法は、普通、負荷一般の非線形特性を考慮して使用される。ニューラル・ネットワークは、一般的な非線形関数近似器として広く知られており、負荷推定用に提案されてきた。しかしながら、ニューラル・ネットワークは「ブラックボックス」として働く。すなわち、ニューラル・ネットワークは、指定した関数要件を満たす出力を生成し、それらの出力を生成するのに用いられる実際のプロセスに関して、見識も、事実上有益な情報もまったく提供しない。さらに、ニューラル・ネットワークに共通の問題は、ニューラル・ネットワークからの出力推定値の信頼性を評価することが困難である点である。このように、本来的に信頼できないことから、ニューラル・ネットワークは、高精度が要望される用途では、実用にならなくなる。さらに、負荷信号の全時間履歴を推定するために、大量のデータを処理する必要があることから、負荷推定のために、ニューラル・ネットワークをトレーニングすることが困難になる。

本発明は、推定される信号の構造を利用することで、現在知られている非線形推定量の欠点を克服する。一般的に言えば、本発明は、容易に得られる状態パラメータ（例えば、パイロットの操縦、航空機の重量、航空機の姿勢など）から、負荷などの所望の信号の測定値を推測するために、仮想センサとして働く数学的コンストラクト（構成体）である。仮想検出の秘訣は、所望の信号出力と状態パラメータの入力との間のマップを作成することである。

本発明は、このマッピングを行うために、ニューラル・ネットワークに頼らずに、所望の測定において、モード形状やモード振幅などの基本特徴を識別し、次に、このモード振幅とモード形状を、状態パラメータにマッピングする。それゆえ、本発明は、測定された状態パラメータから所望の信号を推定できる仮想センサとして働く。

さらに具体的に言えば、回転部品用の動的信号の推定に関して、本発明は、回転部品に対応する信号の準周期的な（すなわち、反復性の）性質を利用している。回転部品の動的信号は、この部品の動きの反復性の結果として、回転速度の変動に起因する周波数摂動のために、さらに、動作条件の変動のために、当然、準周期的な性質を有することになる。これらの準周期的な性質は、この部品の特定の瞬時的使用に応じて、固有の作用（ｂｅｈａｖｉｏｒ）を有することがある。固定部品はまた、固定部品に及ぼされる回転または他の反復性作用の影響を表わす固定部品自体の固有の準周期的な性質も有することになる。標準線形手法により振幅を推定できる反復性の準周期的な性質における非線形作用を捕捉することで、本発明は、信号推定の精度をさらに制御しながら、信号推定を単純化している。

上記の通り、特に回転部品では、直接に所望の部品に対して、負荷または応答を測定することは実際的でないことが多い。多くの場合に、センサを回転部品に付けることは、困難であるか、費用がかかるか、あるいは、信頼性がないであろう。したがって、動的信号を推定するためのモデルを作ることがより望ましいかもしれない。負荷を推定するために、本発明は、測定された状態パラメータを信号推定モデルに入力することで、所与の部品に対して信号情報を推測する。言い替えれば、本発明は、状態パラメータから、負荷値を推定する。この推定モデルは、それ自体、状態パラメータと、既知の信号情報との関係のマップを作成することで、作られる。以前に知られた方法は、この信号情報の小部分（例えば、主周波数での最高最低振幅）を推定できるにすぎず、ほとんどの場合に、信号波形自体を推定しなかったことに留意する。現在知られている信号波形推定法は、モード形状と、測定信号との特定の関係を認識しないスペクトル法に頼っている。既知の状態パラメータから信号波形を推定すれば、このモデルは、直接の信号測定よりも容易でかつ信頼でき、安価に得られるパラメータから、必要とする信号情報を生成することができる。

２．負荷監視用の信号推定モデル例の詳細
図１を参照すると、この信号推定プロセス１００は、２つの部分を含む。第１の部分は、モデル・トレーニング１０２であり、ここでは、所望の推定出力信号のモデル（例えば、負荷を推定するモデル）は、実験的テストで得られた測定負荷の「特徴」を含む実験波形と状態パラメータ１０４を通じて得られる。モデル・トレーニングの間、状態パラメータ１０４と測定負荷は、同一の部品動作から得られる。例えば、航空機の場合には、状態パラメータ１０４には、パイロットの入力、エンジン・トルク、航空機の姿勢、上昇率、振動などが含まれる。

この説明で用いられる「信号（ｓｉｇｎａｌ）」という語は、推定される任意の時変変数を表わしている。当技術分野において知られているように、信号は、伝達関数を用いれば、よりアクセス可能な信号から、直接に測定できるか、あるいは、得られる。「特徴（ｆｅａｔｕｒｅ）」という語は、該当する信号を表わす特性を含む特徴空間の一要素をさしている。例えば、下記の例では、特徴は、独立した特徴としてモード形状とモード振幅を含む。すなわち、この特徴は、該当する信号の任意の特性である。この特徴空間は、理想的には、様々な動作条件のもとに、同一部品に対応するサンプリングされた様々な信号を表わすように充分広い。さらに、本出願で用いられる「負荷（ｌｏａｄ）」という語は、負荷自体（例えば、機械負荷、電気機械負荷、電磁負荷など）だけでなく、負荷に対する応答（例えば、電気機械応答、電磁応答、光応答など）も包含する。したがって、負荷信号は、例えば、力、モーメント、トルク、応力、歪み、電流、および／または、電圧を示すことがある。

推定モデル１０６は、測定負荷１１０の特徴と、状態パラメータ１０４との関係をマッピングすることで、得られる。したがって、推定モデル１０６は、負荷信号の特徴、それゆえ、測定された状態パラメータ１０４から、これらの特徴によって、その負荷自体を推測できる仮想センサとして働く。

第２の部分は、推定モデル１０６を、新たに測定された状態パラメータに適用するものである。装置の動作中に測定された状態パラメータ１０４を推定モデル１０６に入力する。状態パラメータ１０４は、一般に、その部品自体に関する詳細な情報を提供しないで、システム全体の時間的な作用または他の属性を表わす物理システムの測定可能な動作パラメータである。状態パラメータ１０４はまた、このシステムが動作する環境も表わすことがある。次に、状態パラメータ１０４は、推定負荷信号を定める推定特徴を得るために使用される。次に、推定モデル１０６は、これらの推定特徴を使用して、この部品が受ける実負荷および／または実際の応答の推定値である負荷信号波形を合成する。さらに具体的に言えば、推定モデル１０６は、状態パラメータ１０４と負荷信号との相関関係を推測する。

一例では、これらの特徴は、様々な動作条件に対して、ある期間にわたって負荷信号を表わしている。さらに具体的に言えば、推定モデル１０６は、モード振幅などの時間依存の特徴と、モード形状などの時不変の特徴とを分けて、次に、時不変の特徴をライブラリに保存する。この例における時不変の特徴は、例えば回転部品の一回転の範囲にわたって定められる方位角の関数であることに留意する。モード形状は、一回転にわたって、信号作用の多くの特性的な詳細を表わしているが、一方、モード振幅は、複数回転にわたって、比較的ゆっくりと変化する信号特性を表わしている。

負荷推定プロセス１００を２つの別々の段階に分けることで、本発明は、測定された状態パラメータと負荷との関係において、主要な非線形性の大部分を捕捉することができる。この２段階のプロセスはまた、以前に知られたほとんどの方法の場合と同様に、波形の単一の特性（例えば、最高最低振幅）ではなくて、負荷信号波形出力全体を予測することで、負荷と状態パラメータ１０４との関係について、さらに多くの情報も組み入れている。

さらに詳細に図１を参照すると、一例によるモデル・トレーニング・プロセス１０２は、該当する部品をテスト機械に取り付けて、この部品を回転させて、１つまたは複数の負荷センサから、出力信号を得ることで、測定負荷１１０を得ることを含みうる。これらのセンサは、理想的には、負荷経路中に置かれ、かつ物理的に、この部品のできる限り近くに（あるいは、この部品上の重要な場所に）置かれる。

特徴抽出段階１１２は、センサの出力から、特徴を取り出す。これらの特徴自体は、例えば、センサからの出力信号のモード形状とモード振幅であるかもしれない。モード形状は、調波の組合せ、あるいは、所与の負荷信号につねに含まれている他の固有の作用に相当するが、一方、モード振幅は、モード形状に対して係数として働いて、最終出力信号波形に及ぼすモード形状のそれぞれの影響を示している。

特徴抽出段階１１２の目標は、負荷を正確に推定できるようにする特徴の性質および数を決定し、また、最終的に、タイム・スケール分離、特徴抽出、モード・トランケーション（打切り）を通じて、負荷をコンパクトに表現することである。特徴抽出段階１１２は、一般に、負荷センサ出力の軸同期の離散化を行って、その負荷センサ出力を、例えば方位角（垂直方向）と回転数（水平方向）のパラメータで表わされる二次元配列（「行列Ａ」）に変換するものである。一例では、特徴は、行列Ａの特異値分解によって得られ、そこでは、左手系の特異ベクトルがモード形状を定め、また、特異値と右手系の特異ベクトルとの積が、モード振幅を定める。これは、分散行列の固有ベクトルと固有値ＡＡ^Tを計算することと同等であることに留意する。ここで、Ａ^Tは、Ａの転置式である。このような場合、正規化された固有ベクトルは、モード形状に影響を与え、また、それぞれの固有ベクトル上へのＡの射影は、対応するモード振幅になる。固有値は、それぞれのモードに含まれているエネルギー・レベルを表わす。モード形状として上に述べられる分散行列の特異ベクトル、もしくは、それと同等な固有ベクトルを使用することにより、負荷センサ出力を正確に推定するのに必要となる特徴の数を最小限に抑えることができる。

図２は、負荷センサの出力信号と、その出力信号の特徴との関係の一例を示している。このような関係は、負荷センサから特徴を取り出すだけでなく、測定された状態パラメータ１０４から得られた特徴から、推定信号を復元するためにも使用される。一実施形態では、状態パラメータ１０４とモード振幅との関係は、多重線形回帰モデルなどの線形マップの形式を取っているが、ただし、他の関係（例えば、一般線形モデル、ニューラル・ネットワーク・モデル、状態空間モデルなど）も可能である。このような関係は、例えば、これらの入出力の特定の選択、フィルタリング、平滑化、および／または重み付けを通じて、形状づけるなどして、修正されることがある。

この例では、それぞれの時不変の特徴は、軸の完全な一回転を表わしており、これは、測定負荷信号１１０を解析して得られる。さらに具体的に言えば、それぞれの時不変の特徴は、所与の部品が一回の軸回転の間に受ける一連の負荷に対応する特定の波形である。例えば、回転翼航空機の回転翼の場合には、これらの回転翼は、近づいてくる気流から遠ざかるときに対して、同じ気流に向かっていくときに、異なる負荷を受けることになる。したがって、一回転／サイクルにわたって、負荷信号に反映される或る一定のパターンがあろう。言い替えれば、負荷信号は、軸の一回転からなる離散的時間区分にわたって解析される。完全な一回転ではなくて、方位角領域での別の一定領域にわたって、特徴を取り出すことも可能であるという事実に留意する。

上記の通り、測定負荷信号１１０は、モード形状とモード振幅によって表わされる。モード形状は、方位角領域（ａｚｉｍｕｔｈ ａｎｇｌｅ ｄｏｍａｉｎ）Θで表わされるが、一方、それぞれのモード形状の強度に相当するモード振幅１１４は、回転数領域（ｒｅｖｏｌｕｔｉｏｎ ｄｏｍａｉｎ）ｒで表わされる。所与の負荷信号Ｆ（ｒ，Θ）を数学的に表わすと、これは、以下の形式を取る別の信号により近似することができる。

式中、Φ（Θ）はモード形状であり、Ｃ（ｒ）はモード振幅であり、Ｍは、この推定モデルに用いられているモードの数である。この和の第１項は、モード形状を含まないことに留意する。これは、このモード形状が、Θの定数関数であると仮定されるためである。

図２に示されるように、負荷信号Ｆ（ｒ，Θ）は、単にモード形状と、モード形状に関連するモード振幅との積を含む項と、基準負荷Φ₀（Θ）との和である。それぞれのモード形状は、数値が状態パラメータ１０４で動かされるモード振幅１１４の積分で表わされる対応するエネルギー・レベルを有している。特定モード形状のエネルギー・レベルは、個々のモードのエネルギーの和に等しい総エネルギーの割合として表わされるものであって、推定信号において、そのモードの重要性と影響の便利な総合測度である。モード形状は、所与の信号において、関数として働くが、一方、モード振幅１１４は、モード形状用の係数として働いて、その信号の固有の形状を表わす。モード振幅１１４は、状態パラメータ１０４により動かされるために、所与の組の状態パラメータ１０４に関連づけられる測定負荷から、固有のモード振幅１１４を引き出すと同時に、一組の状態パラメータ１０４の入力に対応するモード振幅１１４を推定することが可能である。

図１に戻って参照すると、モード形状は、モード・ライブラリ１１７に送られる。上記の通り、モード形状は、状態パラメータ１０４に関係なく、所与の部品用の固定関数である。すなわち、モード形状は、解析されようとする部品の固有の基本周波数成分を表わす。しかしながら、モード振幅１１４は、状態パラメータ１０４が変化すると、変わることから、状態パラメータ１０４に基づいて、モード振幅１１４を推論することが可能となる。モード振幅１１４は、測定された状態パラメータが（前処理された後）入力として役立つような多重入力／多重出力（ｍｕｌｔｉｐｌｅ−ｉｎｐｕｔ／ｍｕｌｔｉｐｌｅ−ｏｕｔｐｕｔ ＭＩＭＯ）モデル１１６の出力である。ＭＩＭＯモデル１１６は、測定された状態パラメータ１０４から得られるモデル入力パラメータ１１８を受け取る。モード振幅１１４と、既知の測定された状態パラメータ１０４から得られたモデル入力パラメータ１１８は、ＭＩＭＯモデル１１６をトレーニングして、測定されたモデル入力パラメータ１１８に応答して所与の組のモード振幅１１４を出力するために、一まとめにして「トレーニング・データ」と呼ばれている。

一例では、前処理段階１２０の間、測定された状態パラメータ１０４を、時間領域から、回転領域に変換して、モード振幅１１４と同じ領域にあるモデル入力パラメータ１１８を得る。一例では、状態パラメータ１０４を、前処理して（例えば、スケーリングし、低域フィルタまたは帯域フィルタに通し、補間することなどする）、このモデル用に新たな状態パラメータ１０４を作り出す。処理段階１２０には、線形および非線形の変換、相互作用パラメータの計算など）があることもある。その結果は、一組のパラメータまたは予測係数であり、これらは、回転数のパラメータで表わされる行列形式を取っており、信号推定のモデル入力として使用できる。この例における行列の各列は、１つの入力パラメータの時刻歴に対応する。

次に、モデル入力パラメータ１１８とモード振幅１１４をＭＩＭＯモデル１１６に組み込んで、状態パラメータ１０４とモード振幅１１４との関係を定め、これらは部品負荷に関連する。ＭＩＭＯモデル１１６は、所望の任意の適切な関係（例えば、線形または非線形の関係、静的または動的な関係）を通じて、状態パラメータ１０４とモード振幅１１４を結び付ける。

ＭＩＭＯモデル１１６は、単一モデルである必要もなく、また単一の特定形式を有する必要もないことに留意する。例えば、この推定モデルは、大域モデル１２１と、１つまたは複数の局所モデル１２２を含むことがある。大域モデル１２１は、状態パラメータの入力と負荷信号の出力との関係の単一表現であるモデルにすぎない。すなわち、大域モデル１２１は、あらゆるまたは多くの動作状態での信号推定に用いられる単一の特徴空間として働く。大域モデル１２１は、負荷に関して有益な総合情報を提供できるが、特定の動作条件のもとに、この負荷を表わすさらに正確なモデルを作り出すことも望ましいかもしれない。

こうするために、トレーニング・データ（すなわち、モデル入力パラメータ１１８とモード振幅１１４）を区分して、それぞれの区分に対して、別々の局所モデル１２２が作られるようにする場合がある。これらの局所モデル１２２は、本質において、個々の特徴空間として働き、各々の空間は、部品の異なる動作条件、あるいは、密接に関連する条件のグループを表す。様々な局所モデル１２２を様々な状況で使用できるようにするのに適した分割により、精度を上げることができる。例えば、回転翼航空機の用途では、データは、飛行状況（すなわち、所与の飛行操縦）により、分割されることがある。なぜなら、異なる状況（ｒｅｇｉｍｅ）が、部品への動的負荷の異なるパターンを生み出し、それにより、異なる推定負荷を正当とする異なるモード振幅が生成されるからである。このトレーニング・データはまた、回転翼航空機の形態に基づいて区分されることもある。

同一部品に対して異なる局所モデル１２２は、それらのモード形状とモデル係数が両方とも、あるいは、それらのモデル係数だけが変動する場合があることに留意する。状況認識段階３０２を使用して、個々の局所モデルをいつ使用すべきか決定することがある。状況認識はまた、別のモデリング層として、推定モデル１０２に組み入れられて、同一の状態パラメータ１０４を使用して、どの局所モデルを使用すべきか決定することもある。大域モデル１２１または局所モデル１２２を単独で使用することが可能であるが、そららのモデルを両方とも使用すると、さらに高い品質の情報が提供され、特に、一方のモデルで生み出される推定負荷と、他方のモデルで生み出される推定負荷が一致しないときには、異常状態も検出することができる。

次に、ＭＩＭＯモデル１１６から、モデル係数ライブラリ１２４を生成する。モデル係数ライブラリ１２４は、入力パラメータとモード振幅１１４との関係を定めるマップとして働く。一例では、モデル係数ライブラリ１２４には、線形回帰モデルの係数が入っている。モデル係数ライブラリ１２４とモード・ライブラリ１１７はともに、入力される測定された状態パラメータ１０４から負荷を推測する推定モデル１０６として働く。

この推定モデルが、広範囲の装置形態および動作条件に対して堅牢であることを保証するために、一組の選択された代表的な装置形態および動作条件に対して、負荷測定と状態パラメータの測定を行う。モデル・トレーニングは、理想的には、統計的に代表するデータを用いて行われる。

推定モデル１０６が、モデル・トレーニング段階１０２によりトレーニングされると、推定モデル１０６は、状態パラメータ１０４から出力信号波形（例えば、負荷信号波形）を推測することで、新たに測定された状態パラメータ１０４から、推定負荷を生成することができる。モデル・トレーニングの最終結果には、モード形状を含むモード・ライブラリ１１７、モデルの係数が入っている係数ライブラリ１２４、係数ライブラリ１２４を使用してＭＩＭＯモデル１１６を実現するアルゴリズム、生の状態パラメータ１０４を処理して、モデル入力パラメータ１１８を形成する前処理アルゴリズム、および、モード形状および推定モード振幅から推定信号出力波形を合成するアルゴリズムが含まれる。

推定モデル１０６を使用して、推定信号出力を生み出す作業は、上記のやり方で、前処理段階１５０にて、測定された状態パラメータ１０４を前処理して、モデル入力パラメータ１５２を得ることで、スタートする。次に、モデル入力パラメータ１５２を、モード振幅推定段階１５４に送る。この段階において、モデル入力パラメータ１５２は、推定モデル振幅にマッピングされるが、これは、モデル係数ライブラリ１２４を用いてＭＩＭＯモデル１１６のアルゴリズムを与えて、推定モード振幅を得ることで、行われる。

次に、推定モード振幅を、負荷復元段階１５６に送って、そこで、推定モード振幅を、モード・ライブラリ１１７からのモード形状と組み合わせて、推定負荷波形１５８を合成する。推定モデル１０６は、推定モデル１０６を生成するのに用いられるトレーニング・データの範囲外にある測定された状態パラメータ１０４を考慮に入れる必要がある場合もあることに留意する。このような場合には、特にＭＩＭＯモデル１１６が線形マップであれば、上述のものと同じやり方で、範囲外の状態パラメータ１０４に対応するモード振幅を得ることが可能である。さらに、負荷の利用可能な任意の直接負荷測定値を一時的であっても、推定モード１０６へのフィードバックとして使用して、特定航空機の実際の動作に基づいて、モデル１０６を更新し、カスタマイズし、それにより、モデル１０６の忠実度をさらに向上させることがある。

本発明は、測定された状態パラメータから、推定負荷信号を構築すれば、該当する部品上に、物理負荷センサを実際に用いることなく、仮想負荷検出を行うことができる。それゆえ、本発明は、直接負荷検出を、さらに容易に、かつさらに効率的に得られる測定値を用いた仮想負荷検出に代える。

推定負荷波形１５８が得られると、推定負荷１５８は、図３に示されるように確認プロセス２００を受けて、推定の精度と、推定モデル１０６一般の堅牢性をテストすることがある。モデル確認プロセス２００は、解析の確認であって、普通、実際の装置動作の間には実行されないことに留意する。その代り、モデル確認プロセス２００は、通常、推定モデル１０６が作られているときに実行される。

確認の間、比較のために、測定負荷１１０が利用できるものと想定される。推定モデル１０６の妥当性をテストするために、測定負荷１１０に対応する状態パラメータ１０４を、上述のやり方で、推定モデル１０６に与える（ブロック２０２）。測定された状態パラメータ１０４に対応する推定負荷１５８が得られると、この推定負荷１５８と、実際に測定された負荷を比較する（ブロック２０４）。確認プロセス２００の秘訣は、モデル・トレーニング１０２の間には使用されなかったデータを用いて、推定モデル１０６をテストすることである。

推定負荷１５８と、実際に測定された負荷１１０との間に誤差があれば、その原因を明らかにする。これらの誤差はそれ自体、推定モデル１０６の精度不良を表わすものであって、個別に（例えば、散布図を使用して）、または統計的に（例えば、誤差に対して、二乗平均を計算して）評価されることがある。推定モデル１０６は、例えば、このモデルの特徴の数を増すか、あるいは、トレーニング・データとして使用されるデータの選択を（例えば、ブースティング（ｂｏｏｓｔｉｎｇ）として知られている統計的サンプリング手法を用いて）向上させることにより、所望の任意のやり方で、これらの誤差を考慮して、修正される（ブロック２０６）ことがある。確認プロセス２００は、異なる航空機、異なる飛行状況、および、状態パラメータ１０４を変更することになる他の差異に対して、今までに作られた推定モデル１０６を、一般化できるかどうか確かめる。要望があれば、また、実負荷測定値が利用できる場合には、実際の装置動作の間に、確認プロセス２００を実行できることに留意する。

所与の推定モデルは、単一センサではなくて複数センサの出力を表わし、かつ、それらの複数センサの出力信号を表わす特徴を得ることがある。これにより、複数センサの動作に対応する複合推定信号が得られる。このような場合、それぞれのセンサは、それ自体の独立したモード形状とモード振幅（すなわち、それら自体の独立した特徴）を有するそれ自体の関連するセンサ固有モデルを有することになる。さらに具体的に言えば、それぞれのセンサに関連する特徴は、そのセンサの動作を表わすために、センサ固有モデルとして働く。次に、それぞれのセンサに関連するセンサ固有モード形状を組み合わせて、複数センサが同時に受ける一組の負荷全体を表わす複合モード形状を形成する。

それぞれのセンサに対応する複数の組の独立したモード振幅ではなくて、一組のモード振幅だけで、複数センサの負荷信号を表わせるように、複合モード形状を選択することができる。これは、仮想センサの互いの関係を取り込むことで、さらに堅牢なモデルを作り上げるが、そのことは、それぞれのモデルが単一センサしか対応しない場合には不可能となろう。さらに、これにより、入力パラメータをモード振幅にマッピングするモデルは、それぞれの負荷センサの出力を個別に推定する場合よりもコンパクトで、かつ効率的となる。単一の推定モデルにおいて、複数センサのセンサ固有モデルを組み合わせることにより、この推定モデル内で時間依存性を監視することもできる。

一例では、上に説明されるように、モード振幅を一組しか持たない複数の負荷センサ用のモード形状は、個々の負荷に対応するモデル中の行列を、いっしょに垂直方向に（すなわち、方位角寸法に沿って）集積して、複合行列を形成することで、得られた。一例では、モード形状とモード振幅は、単一センサの場合に上に説明されるように、特異値分解を用いて、この行列から得られる。ここで得られるモード形状は、センサごとに個々のモード形状に分割できる拡張モード形状であることに留意する。次に、ＭＩＭＯモデル１１６は、入力として状態パラメータから得られた入力パラメータと、出力として計算されたモード係数を使用して、合わされる。

次に、この推定プロセスは、測定された状態パラメータ１０４から得られた入力を、接続された多重センサ・モデルに与えて、その状態パラメータから、上述のやり方で行われる。上に説明されるように、モデル・トレーニングで得られたモード形状は、別々のモード形状グループに分割され、また、それぞれのモード形状グループが離散的負荷の１つに対応している。それぞれの負荷が、同一の状態パラメータの結果であるために、この場合でのモード振幅の数が増えず、それにより、同一のモード振幅が得られるが、一方、それぞれの負荷に対するモード形状だけが異なっていることに留意する。

本発明はまた、上述の多重センサ推定モデル・アーキテクチャを拡張して、新たなアーキテクチャを形成し、仮想センサと直接測定負荷センサを統合することで、向上した多機能センサ一式も提供する。このタイプのセンサ・システムは、診断および前兆管理に適した適応性のある自己検査アーキテクチャを提供するために、固有のものである。一例では、直接測定センサはまた、上述の複数センサ・モデル・アーキテクチャ内で仮想センサとしても働く。これにより、絶えず、あるいは必要に応じて測定値を比較して、複数センサの全一式をチェックし、かつ、離散的または動的な推定モデルの適応を実現することができる。

上述の負荷推定プロセス１００は、本発明の範囲から逸脱することなく、適切な任意のシステムハードウェア、システムソフトウェアで行うことができる。図４に示されるように、所望の任意のセンサ２５０または他の入力源を通じて、入力状態パラメータを測定して、それを、プロセッサ２５２に送ることがある。プロセッサ２５２は、１つまたは複数のメモリ装置２５４に保存されているそれぞれのライブラリ１１７、１２４から、モード係数とモード形状を取り出すことで、前処理段階１５０、モード振幅推定段階１５４、負荷復元段階１５８を行う。

推定システムの様々な構成要素の物理的場所は、このシステムの動作には重要でない。これらの構成要素の任意のもの、あるいはすべては、例えば、オフボード（例えば、地上）、オンボード（例えば、航空機上）、あるいは、これらの２つの任意の組合せにあるかもしれない。

上記の例は、このモデルを作り出すために負荷信号を得ようとしている間、部品が実際に動作していると仮定しているが、このモデルは、本発明の範囲から逸脱することなく、同様に、シミュレートされた部品動作を通じて得られることに留意する。
３．潜在的な負荷監視用途
上記の例は、回転翼航空機に関して、調波成分を含む負荷の仮想の検出および監視を重点的に取り扱っているが、当業者であれば、上に説明される方法およびシステムは、本発明の範囲を逸脱することなく、ジェットエンジン、ＨＶＡＣ冷却装置、電動機、光学用途などのような準周期的な特性を受けるどんな用途にも使用できるものと理解されよう。さらに、本発明の推定プロセスは、回転しない固定部品でも信号（すなわち、単純周波数成分があるか、または周波数成分のないモード形状を有する信号）を推定するために使用されることがある。

さらに、上に説明される負荷監視システムおよび方法を通じて得られる情報は、様々な航空機隊管理・設計機能を果たすのに用いられるくらい正確で、かつ詳細である。可能な用途には、例えば、推定負荷に基づく部品の残り寿命の計算、損傷を及ぼす条件を最小限に抑えるために、ユーザが、後退するか、あるいは航空管制システムに動作を変更させることができるように、潜在的に装置に損傷を及ぼす状況にいつ入るのかユーザに知らせる寿命延長制御がある。例えば、航空機の用途では、装置の保守が、単に飛行時間または使用サイクルではなくて、負荷監視および実際使用情報に基づくような、状態を基本とする航空機隊管理にも負荷監視が使用されることがある。これにより、装置が直面する実際の状況に合わせて、保守をカスタマイズすることができ、それにより、全体の保守時間と保守費用が減らされる。時間の経過とともに、装置の構造設計は、装置が直面するかもしれない予想負荷により最適化されることがあり、それにより、負荷が、より慎重でなくなって、必要としない部品の過剰設計が避けられる。このような負荷監視から、装置動作の間に、負荷を容易に推定することもできる。

本明細書に述べられる本発明の実施形態の様々な代替例は、本発明を実施する際に使用される場合があるものとする。特許請求の範囲は、本発明の範囲を定義し、また、これらの特許請求の範囲、並びにそれらと同等なものの範囲内にある方法および装置は、特許請求の範囲によりカバーされるものである。

本発明の一実施形態による信号推定プロセスのブロック図である。 信号の特徴の一例を示す説明図である。 本発明の一実施形態によるモデル確認プロセスを示すブロック図である。 本発明の一実施形態による信号推定プロセスを行うシステムの代表的な図である。

Claims (25)

1. 回転翼航空機の少なくとも１つの入力状態パラメータを得るステップと、
   少なくとも１つの入力状態パラメータと少なくとも１つの推定モード振幅との関係をマッピングした推定モデルによって、前記少なくとも１つの入力状態パラメータから推定負荷信号の少なくとも１つの推定モード振幅を得るステップと、
   推定負荷信号を、前記少なくとも１つの推定モード振幅と、該推定モード振幅に関連する少なくとも１つのモード形状から構築するステップと、
   を含む回転翼航空機の部品の時変負荷信号を推定する負荷信号推定法。
2. 前記推定負荷信号が、実負荷と、負荷に対する応答からなる群から選択された少なくとも１つである請求項１に記載の負荷信号推定法。
3. 前記少なくとも１つの推定モード振幅が複数の推定モード振幅であり、かつ、前記少なくとも１つのモード形状が複数のモード形状であり、また、前記構築するステップが、前記複数の推定モード振幅を前記複数のモード形状と合成して、前記推定負荷信号を得るステップを含む請求項１に記載の負荷信号推定法。
4. 前記推定モデルが、
   複数のセンサから、複数のセンサ固有負荷信号を得るステップと、
   前記複数の負荷信号を組み合わせて、複合推定モデルを得るステップと、
   により生成される請求項１に記載の負荷信号推定法。
5. 前記構築するステップからの前記推定負荷信号が、仮想センサ出力として働く請求項１に記載の負荷信号推定法。
6. 前記仮想センサ出力を少なくとも１つの物理センサ出力と組み合わせるステップをさらに含む請求項５に記載の負荷信号推定法。
7. 前記少なくとも１つの推定モード振幅が複数の推定モード振幅を含み、前記推定モデルが複数の推定負荷信号に対応し、前記方法が、
   前記複数の推定モード振幅をグループに分けて、それぞれのグループが、前記複数の推定負荷信号の１つに対応するようにするステップと、
   前記構築するステップを、それぞれのグループについて行うステップと、
   をさらに含む請求項１に記載の負荷信号推定法。
8. 前記少なくとも１つの入力状態パラメータが、少なくとも１つのシステム動作状態に対応している請求項１に記載の負荷信号推定法。
9. 前記推定モデルが、前記複数の入力状態パラメータと前記複数の推定モード振幅を区分して、それぞれの区分内で局所モデルをそれぞれ生成することによって生成された複数の局所推定モデルを含む請求項１に記載の負荷信号推定法。
10. それぞれの局所モデルが、選択された範囲の値の状態パラメータを有する状況に対応している請求項９に記載の負荷信号推定法。
11. 前記状況が、システム動作状況とシステム構成の少なくとも１つである請求項１０に記載の負荷信号推定法。
12. 前記構築するステップからの前記推定負荷信号が、仮想センサ出力として働き、方法が前記仮想センサ出力を少なくとも１つの物理センサ出力と組み合わせるステップをさらに含む請求項１に記載の負荷信号推定法。
13. 前記推定モデルが、複数の推定負荷信号に対応し、また、方法が
    複数のモード形状をグループに分けて、それぞれのグループが、前記複数の推定負荷信号の１つに対応するようにするステップと、それぞれのグループに対して同一の推定モード振幅と、所与のグループに対応する前記モード形状を用いて、それぞれのグループに前記構築するステップを行うステップとをさらに含む請求項１に記載の負荷信号推定法。
14. 前記推定モデルが、
    システムの動作中に実際の負荷信号を得るステップと、
    前記実際の負荷信号を得るステップのために行われた同一動作の間に、少なくとも１つの状態パラメータを得るステップと、
    少なくとも１つのモード形状と、少なくとも１つのモード振幅を、前記負荷信号から取り出すステップと、
    前記少なくとも１つの状態パラメータを用いて、前記少なくとも１つのモード振幅をマッピングするモード振幅推定モデルを構築するステップと、
    前記モード振幅推定モデルを用いて得られた少なくとも１つの推定モード振幅と、少なくとも１つのモード形状から、推定負荷信号を合成する合成モデルを構築するステップと、によって生成される、請求項１記載の負荷信号推定法。
15. 前記少なくとも１つの推定モード振幅が複数の推定モード振幅を含み、かつ、前記少なくとも１つのモード形状が複数のモード形状を含み、前記複数のモード形状が複数の関数であり、さらに、前記複数の推定モード振幅が、前記複数のモード形状の係数である請求項１４に記載の負荷信号推定法。
16. 前記推定モデルが、状況により、前記複数の状態パラメータと前記複数の推定モード振幅を区分して、それぞれの区分内で前記局所推定モデルをそれぞれ生成することで、生成された複数の局所推定モデルを含む請求項１４に記載の負荷信号推定法。
17. それぞれの局所モデルが、選択された範囲の値の状態パラメータを有する状況に対応している請求項１６に記載の負荷信号推定法。
18. 既知の状態パラメータを用いて、推定負荷信号を生成するステップと、
    前記推定負荷信号を、前記既知の状態パラメータに一致する状態パラメータによる前記部品の動作中に測定された負荷信号と比較するステップと、
    により、前記推定モデルを確認するステップをさらに含む請求項１４に記載の負荷信号推定法。
19. 前記推定モデルが、
    複数の負荷センサから、複数のセンサ固有負荷信号を得るステップと、
    前記複数のセンサ固有負荷信号を組み合わせて、複合推定モデルを得るステップと、
    により生成される請求項１４に記載の負荷信号推定法。
20. 前記取り出すステップが、前記実際の負荷信号からＮ次元配列を得て、前記Ｎ次元配列から、前記少なくとも１つの推定モード振幅と、前記少なくとも１つのモード形状を構築するステップを含み、ここで、Ｎ≧２である請求項１４に記載の負荷信号推定法。
21. 前記推定負荷信号が、実負荷と、負荷に対する応答からなる群から選択された少なくとも１つである請求項１４に記載の負荷信号推定法。
22. 回転翼航空機の部品の時変負荷信号を推定する負荷信号推定システムであって、
    前記回転翼航空機の少なくとも１つの状態パラメータと少なくとも１つの推定モード振幅との関係をマッピングした推定モデルの一部であるモデル係数ライブラリと、モード形状ライブラリと、を保存するメモリと、
    少なくとも１つの入力状態パラメータを受け取り、前記少なくとも１つの入力状態パラメータに対応する少なくとも１つの推定モード振幅を前記モデル係数ライブラリから得て、前記少なくとも１つの推定モード振幅、および、前記モード形状ライブラリから取られた、前記推定モード振幅に関連する少なくとも１つのモード形状から、推定負荷信号を構築するプロセッサと、
    を備える負荷信号推定システム。
23. 前記推定負荷信号が仮想センサ出力として働くように、前記プロセッサが仮想センサとして働いている請求項２２に記載の負荷信号推定システム。
24. 前記プロセッサが、前記仮想センサ出力を、少なくとも１つの物理センサ出力と組み合わせる請求項２３に記載の負荷信号推定システム。
25. 前記推定モデルが、複数の負荷センサにより出力された複数のセンサ固有負荷信号から構築された複合推定モデルである請求項２２に記載の負荷信号推定システム。

Images