JPH04503272A - モニタリング方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるため要約のデータは記録されません。

Description

【発明の詳細な説明】 モニタリング 本発明は、モニタリングに関するものである。 特に、本発明は、航空機のガスタービンエンジンなどの組立体の状態をモニタす るための方法及び装置に関するものである。 エンジン及びベアリングか発する振動をモニタすとともに、一定の振動周波数か 所定値を越える場合を検出し、摩耗又は損傷か発生した場合を確定できるように することは既知である。 これは、有用な技術ではあるが、かなりの量の摩耗又は損傷を検出できるにすぎ ない。この理由は、エンジン又はベアリングが発する振動スペクトルか、一般的 にスピード、温度、ローディングなどの動作状態にしたがって変化するからであ る。摩耗又は損傷信号を発生させる１周期の振動振幅は、通常の使用状態におけ る最大振幅で前記信号が発生しない程大きなものでなければならない。このため 、この装置は、初期の損傷に対しては、比較的低感度である。更に、スペクトル のピークを検出する従来の装置を用いて、予測可能な周波数にスペクトルピーク を発生させる既知のフォールトを識別できる。しがし、これらの装置は、鋭いピ ーク、又は非一般的ピークの結合、即ち非一般的シーケンスを伴わない歪みなと のより緻密なスペクトル変化に応答することはできない。従って、従来より既知 のフォールト状態に関する限り、従来装置の応答は極めて制限されている。 本発明の目的は、感度を改良したモニタリング方法を提供せんとするにある。　 本発明は、組立体の状態をモニタする方法であって、該方法が、前記組立体の状 態を表す信号を得る工程と、前記組立体の寿命の間、種々の使用程度における組 立体のモデルを連続的に構成し、前記組立体の年齢に応じて前記モデルを修正す る工程と、前記組立体の前記モデルから前記組立体の状態の偏差量を検出する工 程とを具えていることを特徴とする。 ここで、前記モニタリング方法は、音発生組立体の状態をモニタするのに用いら れ、前記組立体の状態を表す信号を得る前記工程が、前記組立体のアコースティ ックスペクトルをモニタし、前記モデルが、前記組立体の寿命の間、種々の使用 程度における前記組立体の前記アコースティックスペクトルについての情報を存 するようにする処理を具えている。前記アコースティックスペクトルは、空気を 媒介として伝達されるアコースティックスペクトルであることが好ましく、且つ 該アコースティックスペクトルはマイクロフォンを用いてモニタされる。 前記組立体を、ガスタービンエンジンなどのエンジンとすることもてきる。前記 組立体の状態を表す信号を得る前記工程か、前記エンジンのスピードのモニタリ ング処理を具えることもてきる。 前記組立体の状態と関連する多次元ベクトルを構成することもできる。前記組立 体の前記モデルを、シーケンス学習ニューラルネット又はヒドゥンマルコフ（ｈ ｉｄｄｅｎ　Ｍａｒｋｏｖ）モデルを用いて確立することもできる。 第１組立体に関するモデルを構成し、且つ該モデルを、前記第１組立体と同一種 類の第２組立体に用い、且つ前記モデルを前記第２組立体の動作によって修正す ることもできる。 本発明によるエンジンモニタリング装置及び方法を、以下の図面を参照し、実施 例につき説明する。 図１は、本発明によるモニタリング装置を示す略図である。 図２及び３は、アコースティックスペクトルの変化を示すグラフ図である。 モニタリング装置は、ガスタービンエンジン２が発生する音に応答する第１アコ ーステイツクチヤンネルｌと、エンジンの動作状態に応答する第２チヤンネル３ とを具えている。２個のチャンネル１及び３が相まって状態ベクトル出力を供給 する。 この出力は、プロセッサ４において、前記エンジンの以前の動作から確立される エンジンモデルと比較される。 アコースティックチャンネル１は、動作中にエンジン２か発生する空気伝達の音 に応答するマイクロホン１０を具えている。 マイクロホン１０は、必ずしも人間の可試聴帯域内の音に応答する必要はないが 、一般的には約１００ＫＨｚ以上の周波数に応答する。マイクロホン１０の電気 的出力は、デジタル化装置１１に供給される。このデジタル化装置１１は、デジ タル化された出力信号を、慣用の構成のスペクトルアナライザ１２に供給する。 このスペクトルアナライザ１２は、幾つかの異なる周波数帯の各々において時間 平均された信号を供給する。一般的に、スペクトルアナライザ１２は、各々ＩＫ Ｈｚの幅を有し、０．２秒間で時間平均している種々の周波数における６４個の 並列出力を供給する。アナライザ１２の出力は、処理装置１３に供給される。こ の処理装置Ｉ３は、第２チヤンネル３からの第２人力も受信する。　第２チヤン ネル３は、エンジンスプールスピードセンサ３０と、排気ガス温度センサ３１と を具え、これらは、エンジン２のこれらの動作状態に応答する出力信号を、アナ ログ−デジタルコンバータ３２に供給する。コンバータ３２は、ライン３３にお いて、所望のエンジン推力を指示するスロットル又は他のエンジン制御設定を表 現している入力信号を受信する。スロットル及び他の任意の能動的な制御、すな わちパイロットの課する制御が、聴覚以外の最も重要なパラメータである。その 理由は、一定の応答シーケンスを、課された制御シーケンスと関連させて学習し 、このようにして装置自体の内部シーケンスモニタを構成し、予期せぬシーケン スが発生したときには、信号を送るからである。姿勢、対気速度などの航空機の 性能を表現している信号が、ライン３４を介してコンバータ３２に供給される。 他の種々のフライトデータも、コンバータ３２に供給できる。コンバータ３２の 出力信号は、プロセッサ３６に供給される。このプロセッサ３６は、エンジン２ の動作状態を表現している多次元ベクトル信号を供給する。このベクトル信号は 、処理装置１３の第２人力信号として、ライン３７を介して供給される。処理装 置１３は、２人力信号から結合Ｎ次元エンジン状態ベクトルを発生させ、これを プロセッサ４の一入力端子に供給する。　プロセッサ４は、音声認識で用いられ ているのと同様な、シーケンス学習、時刻認識、多層バーセブトロン態様又はヒ ドゥンマルコフモデルのニューラルネットを有しているような自己学習技法を介 して作動するのが好ましい。 エンジンがフライト中に作動している時、まず第一にプロセッサ４は、エンジン の状態ベクトルから、すべてのフライト状態におけるエンジン動作のモデルを確 立する。エンジン動作の繰り返しによって、このモデルを修正し、エンジン動作 の平均的又は典型的なモデルを構成する。システムは、徐々に、エンジンの日々 の動作に於ける、エンジン自体の環境に関するエンジンのアコースティックな特 性と密接な関係を有するようになる。このモデルは、エンジンの年齢によって修 正される。エンジンと機体との間の相互作用によって生じる音は、このアコース ティックモデルの一部分を形成するが、識別又はフィルタ処理される必要がない 。 不規則なエンジン状態ベクトルかプロセッサ４によって受信されると、プロセッ サ４は、警戒信号を発生し、この警戒信号は、ライン４０を介してディスプレイ ４１又は、レコーダ、エンジン＃ｉ釦装置のような他の使用装置に供給される。 状態ベクトルを統計的に典型的特性と認識する確率的形態で、警戒信号が、エン ジン状態ベクトルのモデルからの逸脱の程度を示していることが好ましい。モデ ルがシーケンス認識ニューラルネットワークの形態を採用する場合、このネット ワークは、　°ノベルティ　フィルタ（ｎｏｖｅｌｔｙ　ｆｉｌｔｅｒ　）　’ 　として動作し、未知の入力シーケンスを表示する。モデルがマルコフモデルの 場合、実際のシーケンスにおいてマルコフ表現の実現可能性が小さくなるに連れ て、ポテンシャルフォールト状態が、シビアリティ（ｓｅｖｅｒｉｔｙ）レベル の増加につながる。この情報を用いて、調査する必要のある通常の動作からの変 位について、グランドメインテナンススタッフ（ｇｒｏｕｎｄ　ｍａｉｎｔａｉ ｎａｎｃｅ　５ｔａｆｆ）？：注意を促すとともに、さらに重要な緊急事態に関 して、パイロットに注意を促す。したかって、この装置は、しきい値を越える際 にアラームを発しないが、その入力が、一般的なものと認識されるものからの変 位が、小さいか大きいかにしたがって、わずかな不安定性から重大な緊急事態に 至る緊急の程度に応じて変化する信号を供給する。小さな変位か持続的である場 合には、小さな変位は大きな変位に蓄積され、小さな変位か瞬間的である場合に は、無視される。変位の特性は、装置が自己学習するものであって、人間かプロ グラムするものではない。エンジンの状態に共通性を見いだすことに加え、装置 は、時刻認識であるために、それ自体エンジン又は他の組立て装置の状態変化が 生じるシーケンスと関連させることができる。 ある場合では、モニタリング装置の動作開始時に、他の同一ラインのエンジン動 作から得られるエンジン動作のモデルを記憶するのが好ましい。一方、装置は、 モデルを用いずにスタートし、エンジンか作動する最初のときに、予備のモデル を設定することができる。最初のフライトにおいて、非日常的な状態に関する報 告は、信頼性に欠けるが、数回のフライトの後、識別性及び有用性が増大する事 明らかである。この際、装置は、音声認識機の知識形態に類似する、−組みのニ ューラルネットシナプス強度及びバイアス又はマルコフモデルの形態で知識を蓄 積する。 動作開始前に、通常の動作及び種々の動作状態における、エンジンすなわち同− 型の他のエンジンか発生するアコースティックスペクトルをモニタする必要があ る。種々の状態においてこの手続きを繰り返すことによって、エンジンの通常の 動作特性か統計的に表現される。パターン認識及び音声認識で用いられる種々の 技法を用いて、マルコフモデリング又はニューラルネットワークなどによって、 種々の動作状態におけるエンジンのアコースティックスペクトルのモデルを構成 することができる。 図２は、極めて簡略化された表現を用いている。ここでは、２個の異なる周波数 ＩＫＨｚ及び５ＫＨｚにおけるアコースティックエネルギーの大きさか、１分間 におけるエンジンの回転スピードとともに変化する。軌跡Ａ−Ｂは、ランナウェ イに沿ってタキシングする状態を示しており、点Ｂの離陸時に、回転数を最大に している。点Ｃは、フライトの多くを占める、飛行機の巡航状態を示している。 記憶装置５は、このモデルばかりでなく、エンジンスピードに加えて、より多く の周波数及び他のエンジン機能を有するさらに複雑な形態のモデルを具えている 。 飛行機が、所定の範囲で軌跡Ａ−Ｄに追従している間、比較器４への入力は、は ぼ記憶されたモデルと近似しており、出力は、モデルからの逸脱を表示しない。 図３は、不規則かつ非一般的なエンジン性能を示す図である。 点Ｃ′は、一般的な状態を経た後の異常な曲線上の、異常巡航状態を示しており 、これによって、比較器４か、ライン４０を介して警戒信号をディスプレイ４１ に供給する。点Ｃ”は、異常曲線上の極めて異常な状態を示しており、このとき 、比較器４は、ライン４０を介してディスプレイ４１に緊急アラーム信号を供給 する。 本発明によるモニタ装置は、高感度でなければならない。その理由は、この装置 が、例えば、低速で非一般的であるも、高速で一般的なスペクトルの範囲のエン ジンアコースティックスペクトルに応答するようにするためである。このように して、モニタ装置は、故障が発生する前に、エンジンの初期の損傷を検出する事 ができる。その最も簡単な例において、モニタ装置は、通常の動作からの逸脱を 示す指標を提供するにすぎない。 しかしながら、モニタ装置は、診断能力を具えることもできる。 非一般的な偏差に関するデータベースを、ある程度の動作経験の後に、既知のフ ォールトと整合させる事かできる。このことは、動作経験が大きくなるに連れて 、さらに詳しくなり、徐々に、装置は、より多くの特定の起こりそうなフォール トを識別することができる。空気伝達の音を検出する代わりに、本発明によれば 、固体構造を介して伝送される振動を有するアコースティックエネルギーを用い ることができる。 モニタ装置か、あるエンジンの環境及び個々の特性を学習し、その後、同一種類 の他のエンジンに移される場合、メインテナンスエンジニアに通知される学習特 性パターンからの偏差は、合、あるいはまた、マイクロフォンの位置などに変化 か生じた場合、このことによって、モデルからの偏差が生じる。エンジンを連続 的に作動させることによって、モニタリング装置を、一般的と考えられる新しい 特性に直ちに順応させる。一時的な偏差をメインテナンスエンジニアに知らせる ことは、診断データベースを確立するのに部分的に役立つ。より長期的な変化が 起こると、これらはモデル化されるが、一般的な動作からの逸脱を知らせること にはいたらない。大きな又は急な偏差は、一般的なものと認められうるほと頻繁 に発生するものではなく、常に警戒を適切なレベルで知らせることになる。 本発明は、エンジンの使用に限定されるものではなく、ベアリング、マシンツー ル、自動化組立設備、生産ラインなどのような、その他の音発生設備に使用する ことかできる。 本発明は、アコースティックである必要はかならずしもないが、複雑な多くのパ ラレルデータを有するその他の組立体に応用することもてきる。例えば、多くの 温度センサをエンジンの付近に配置し、これらセンサの表示の組合せの傾向を検 出する自己編成ニューラルネットを用いて、非一般的な特性を知らせることがで きる。一方、過度の構造的ストレスを出来る限り早く警告しつつ、機体あるいは 類似の組立体の周囲に歪みゲージを、自己編成ニューラルネットワークによる初 期結果に従属させることができる。歪みによって、光ファイバに沿って透過する 放射の減衰及び反射が、歪みの位置で生じるような、複合材料に埋め込まれた光 ファイバに、歪みゲージを設けることができる。これらフロントエンドニューラ ルネットは、結果を十分な判断力を有する中央処理装置に送り、監視される組立 体のいかなる態様の不規則性をも知らせることができる。 国際調査報告

Claims (1)

1. 【特許請求の範囲】 １．組立体（２）の状態をモニタする方法であって、該方法が、前記組立体の状 態を表す信号を得る工程と、前記組立体の寿命の間、種々の使用程度における組 立体のモデルを連続的に構成し、前記組立体の年齢に応じて前記モデルを修正す る工程と、前記組立体の前記モデルから前記組立体の状態の偏差量を検出する工 程とを具えていることを特徴とするモニタリング方法。 ２．請求項１に記載の音発生組立体の状態をモニタする方法であって、前記組立 体（２）の状態を表す信号を得る前記工程が、前記組立体のアコースティックス ペクトルをモニタし、前記モデルが、前記組立体の寿命の間、種々の使用程度に おける前記組立体の前記アコースティックスペクトルについての情報を有するよ うにする処理を具えていることを特徴とするモニタリング方法。 ３．前記アコースティックスペクトルを、空気を媒介として伝達されるアコース ティックスペクトルとし、且つ該アコースティックスペクトルがマイクロフォン （１０）を用いてモニタされることを特徴とする請求項２に記載のモニタリング 方法。 ４．前記組立体をエンジン（２）とすることを特徴とする請求項１〜３のいずれ か一項に記載のモニタリング方法。 ５．前記エンジンを、ガスタービンエンジンとしていることを特徴とする請求項 ４に記載のモニタリング方法。 ６．前記組立体の状態を表す信号を得る前記工程が、前記エンジン（２）のスピ ードのモニタリング処理を含んでいることを特徴とする請求項４又は５に記載の モニタリング方法。 ７．前記組立体の状態と関連する多次元ベクトルを構成することを特徴とする請 求項１〜６のいずれか一項に記載のモニタリング方法。 ８．前記組立体の前記モデルを、シーケンス学習ニューラルネットを用いて確立 することを特徴とする請求項１〜７のいずれか一項に記載のモニタリング方法。 ９．前記組立体の前記モデルを、ヒドゥンマルコフモデルを用いて確立すること を特徴とする請求項１〜７のいずれか一項に記載のモニタリング方法。 １０．第１組立体に関するモデルを構成し、且つ該モデルを、前記第１組立体と 同一種類の第２組立体に用い、且つ前記モデルを前記第２組立体の動作によって 修正することを特徴とする請求項１〜９のいずれか一項に記載のモニタリング方 法。