RU2611239C2 - Прогноз операций технического обслуживания двигателя летательного аппарата - Google Patents

Прогноз операций технического обслуживания двигателя летательного аппарата Download PDF

Info

Publication number
RU2611239C2
RU2611239C2 RU2013143291A RU2013143291A RU2611239C2 RU 2611239 C2 RU2611239 C2 RU 2611239C2 RU 2013143291 A RU2013143291 A RU 2013143291A RU 2013143291 A RU2013143291 A RU 2013143291A RU 2611239 C2 RU2611239 C2 RU 2611239C2
Authority
RU
Russia
Prior art keywords
engine
failure
level
model
age
Prior art date
Application number
RU2013143291A
Other languages
English (en)
Other versions
RU2013143291A (ru
Inventor
Гийом ДЕЛЭ
Жан-Филипп ОТЬЕ
Эрик ЖАНДРОННО
Original Assignee
Снекма
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Снекма filed Critical Снекма
Publication of RU2013143291A publication Critical patent/RU2013143291A/ru
Application granted granted Critical
Publication of RU2611239C2 publication Critical patent/RU2611239C2/ru

Links

Images

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2230/00—Manufacture
    • F05D2230/72—Maintenance
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/80—Diagnostics
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
    • F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
    • F05D2260/00—Function
    • F05D2260/82—Forecasts
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Algebra (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Combined Controls Of Internal Combustion Engines (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Группа изобретений относится к способу и системе прогнозирования операций технического обслуживания типовых двигателей летательных аппаратов. Технический результат – повышение точности прогнозирования операций технического обслуживания. Для того предложена система, содержащая: средства инициализации входных данных; средства обработки для сравнения совокупности (М1, Mn) моделей отказов, адаптированных к упомянутому типовому двигателю для выбора соответствующей модели (Mi) отказа с возрастом (T0) отказа, определяющим возраст упомянутого двигателя в момент отказа; средства обработки для связи с упомянутой соответствующей моделью отказа правил (R) принятия решения об уровне объема работ на упомянутом типовом двигателе в зависимости от совокупности (P1, Р2, Pi) параметров, относящихся к упомянутому типовому двигателю; и средства обработки для определения необходимого уровня объема работ (Wf) технического обслуживания упомянутого типового двигателя в зависимости от упомянутых правил принятия решений. 3 н. и 6 з.п. ф-лы, 4 ил.

Description

ОБЛАСТЬ ТЕХНИКИ
Настоящее изобретение относится к области обслуживания двигателя летательного аппарата. В частности, изобретение касается способа и системы прогнозирования или предвосхищения операций технического обслуживания двигателя летательного аппарата.
В общем случае, работа выполняется непосредственно на двигателе в зависимости от причины отказа, несмотря на другие параметры. К примеру, если обнаружена утечка масла, будет предпринято воздействие на масляный контур, и так далее.
Однако техническое обслуживание двигателя летательного аппарата может привести к необходимости длинного периода простоя и значительным затратам на детали и трудовые ресурсы.
Для того, чтобы оптимизировать и спланировать операции обслуживания, используется опыт эксплуатации о причинах отказов, накопленный работниками ремонтных мастерских, для построения статистических кривых отказов в соответствии с законом Вейбулла. Инструмент, используемый в настоящее время, заключается в систематическом назначении среднего уровня объема работ на основе статистических кривых отказов Вейбулла.
Однако тот факт, что всем причинам отказов присваивается одинаковый средний уровень объема работ, не позволяет учесть особенности или историю двигателя.
Это приводит к отсутствию точности прогнозирования при прогнозировании операций технического обслуживания и может вызывать неполное техническое обслуживание двигателя, который затем снова выходит из строя вскоре после выхода из мастерской.
Цель настоящего изобретения состоит в высокоточном прогнозировании операций технического обслуживания двигателя летательного аппарата без какого-либо из указанных выше недостатков.
ЦЕЛЬ И СУЩНОСТЬ ИЗОБРЕТЕНИЯ
Настоящее изобретение касается способа прогнозирования операций технического обслуживания типового двигателя летательного аппарата, содержащего следующие этапы, на которых:
- сравнивают совокупность моделей отказов, адаптированных к упомянутому типовому двигателю, для выбора соответствующей модели отказа с возрастом отказа, определяющим возраст упомянутого двигателя в момент отказа;
- связывают с упомянутой соответствующей моделью (Mi) отказа правила принятия решений об уровне объема работ по упомянутому типовому двигателю в зависимости от совокупности параметров, относящихся к упомянутому типовому двигателю;
- определяют в зависимости от упомянутых правил принятия решения необходимый уровень объема работ технического обслуживания на упомянутом типовом двигателе.
Таким образом, способ учитывает причины отказа и все проявления их последствий, позволяя отличить один двигатель от другого и гораздо более точно определить уровень объема технических работ, характерный для каждого двигателя. Это позволяет прогнозировать и планировать техническое обслуживание с большой точностью.
Преимущественно упомянутая совокупность параметров включает в себя следующие параметры: возраст отказа, продолжительность функционирования упомянутого типового двигателя с момента последнего нахождения в мастерской, ранг нахождения в мастерской, потенциальный оставшийся срок службы для каждой из множества деталей с ограниченным сроком службы (LLP) упомянутого типового двигателя и ограничения по восстановлению упомянутого двигателя.
В соответствии с одним из вариантов реализации настоящего изобретения упомянутые правила принятия решений включают в себя первый модуль правил, определяющий множество уровней объема работ по отношению к продолжительности функционирования упомянутого двигателя, в котором соответствующий уровень выбирают среди упомянутого множества уровней объема работ в зависимости от упомянутого возраста отказа, связанного с упомянутой соответствующей моделью отказа.
Упомянутый первый модуль правил выбирают из совокупности первых модулей правил, определенных ранее в течение фазы инициализации, при этом каждый из упомянутых первых модулей правил связан с определенной моделью отказа и с определенным рангом нахождения в мастерской.
Преимущественно упомянутые правила принятия решения содержат второй модуль правил, определяющий взаимосвязи между уровнями объема работ упомянутого первого модуля правил и операциями технического обслуживания и упомянутый требуемый уровень объема работ технического обслуживания, определяют в зависимости от упомянутого соответствующего уровня объема работ, ограничений по восстановлению упомянутого двигателя и потенциального оставшегося срока службы для каждой из множества деталей с ограниченным сроком службы (LLP) упомянутого типового двигателя.
Преимущественно упомянутую совокупность параметров повторно адаптируют после завершения операции технического обслуживания на упомянутом типовом двигателе.
Такие модели отказов получают из анализа опыта эксплуатации парка двигателей, содержащего следующие данные: количество двигателей, условия эксплуатации каждого двигателя, модель каждого двигателя, рабочее состояние каждого двигателя, место обслуживания каждого двигателя, время между поступлением и выходом каждого двигателя из мастерской.
Изобретение также касается компьютерной программы, содержащей кодовые команды для осуществления способа прогнозирования в соответствии с вышеупомянутыми особенностями, когда она исполняется средствами обработки.
Изобретение также касается системы прогнозирования операций технического обслуживания типового двигателя летательного аппарата, содержащей:
- средства обработки для сравнения совокупности моделей отказов, адаптированных к упомянутому типовому двигателю, для выбора соответствующей модели отказа с возрастом отказа, определяющим возраст упомянутого двигателя в момент отказа;
- средства обработки для связи с упомянутой соответствующей моделью отказа правил принятия решения об уровне объема работ по упомянутому типовому двигателю в зависимости от совокупности параметров, относящихся к упомянутому типовому двигателю;
- средства обработки для определения необходимого уровня объема работ технического обслуживания на упомянутом типовом двигателе в зависимости от упомянутых правил принятия решения.
КРАТКОЕ ОПИСАНИЕ ЧЕРТЕЖЕЙ
Другие особенности и преимущества устройства и способа согласно изобретению станут более очевидными из прочтения нижеследующего описания, приведенного для ознакомления, но не для ограничения, со ссылкой на прилагаемые чертежи, на которых:
- Фиг. 1 схематически иллюстрирует материальные средства, используемые в системе или способе, которые могут быть применены для прогнозирования операций технического обслуживания на двигателе летательного аппарата в соответствии с изобретением;
- Фиг. 2 иллюстрирует способ прогнозирования операций технического обслуживания на двигателе летательного аппарата в соответствии с изобретением;
- Фиг. 3 иллюстрирует конкретный вариант реализации способа прогнозирования операций технического обслуживания, показанного на Фиг. 2; и
- Фиг. 4 иллюстрирует пример первого модуля правил, определяющего множество уровней объема работ в соответствии с изобретением.
ПОДРОБНОЕ ОПИСАНИЕ ВАРИАНТОВ РЕАЛИЗАЦИИ
Принцип изобретения состоит в наилучшем использовании истории неисправностей парка двигателей для прогнозирования будущих операций технического обслуживания с большой точностью. Таким образом, с учетом параметров, наиболее влияющих на причины отказов, можно очень точно и без проверок вывести уровень объема работ на двигателе.
На фиг.1 показан пример материальных средств, используемых в системе или способе прогнозирования операций технического обслуживания двигателя летательного аппарата в соответствии с изобретением.
При нахождении двигателей 1 в мастерской 3 ремонтники накапливают опыт о причинах отказов и уровнях объема работ. Этот накопленный опыт используется системой 5 прогнозирования для построения моделей отказов, позволяющих прогнозировать подлежащие выполнению операции технического обслуживания на двигателях летательного аппарата.
В частности, система 5 прогнозирования включает в себя компьютерную систему 7, обычно включающую в себя средства 9 ввода, средства 11 обработки, средства 13 хранения и средства 15 вывода. Обратим внимание, что средства 13 хранения могут содержать компьютерную программу, включающую в себя кодовые команды, адаптированные для осуществления способа прогнозирования в соответствии с изобретением. Эта компьютерная программа может быть выполнена посредством средств 11 обработки в сочетании со средствами 13 хранения и средствами ввода 9 и вывода 15.
Различные данные, полученные из накопленного опыта различных мастерских 3, хранятся в средствах 13 хранения, чтобы сформировать базу данных 17 всего парка двигателей. Другие данные о двигателях также записаны в базе данных 17 для обогащения информации, касающейся двигателей.
База данных 17 включает в себя таким образом множество измерений и данные, собранные в течение долгого времени, о двигателе 1. Эти данные включают в себя различные причины отказов и уровень объема работ на каждом двигателе, количество обработанных или подлежащих обработке двигателей, условия эксплуатации каждого двигателя, модель и идентификатор каждого двигателя, рабочее состояние каждого двигателя, место обслуживания каждого двигателя, время между поступлением и выходом каждого двигателя из мастерской и т.д.
Способ в соответствии с изобретением позволяет моделировать поведение всего парка двигателей, производя прогнозирование количества демонтажа двигателей и уровня объема работ на различных двигателях в зависимости от различных входных данных касательно парка, записанных в базе данных 17. Этот способ также управляет техническими предпосылками двигателей с учетом их старения в определении планов демонтажа, уровней объема работ и дат нахождения в мастерской 3 различных двигателей 1.
Более конкретно, средства 11 обработки выполнены с возможностью использования данных, хранящихся в базе данных 17 для определения статистических моделей отказов, моделирующих причины отказа в зависимости от времени. Более конкретно, средства 11 обработки связывают совокупность моделей отказов, адаптированных к каждой модели двигателя и его использования. Каждая модель отказа может быть выражена в виде кривой совокупной вероятности отказов в зависимости от времени (см., например, фиг. 2 и 3).
Преимущественно модели отказов могут быть основаны на законе Вейбулла, который очень подходит для моделирования срока службы или отказа компонента двигателя 1. Плотность вероятности f(t, β, η, γ) распределения Вейбулла может быть выражена следующим образом:
Figure 00000001
.
Этот закон является чрезвычайно гибким благодаря учету трех параметров: параметр формы β, параметр масштаба η и параметр локализации γ.
Функция распределения или вероятности отказа для закона Вейбулла определяется по формуле:
Figure 00000002
.
Благодаря гибкости этого закона большинство записей отказов может быть удовлетворительно описано распределением Вейбулла. Это объясняется, в частности, тем, что оно способно воспроизводить поведение других законов вероятностей. Например, если β=1, закон Вейбулла эквивалентен экспоненциальному распределению, если β=2, он эквивалентен распределению Рэлея, если 3<β<4, то он эквивалентен нормальному распределению, если β→∞, он эквивалентен распределению типа Дирака. В некоторых других случаях он также воспроизводит биномиальный закон и закон Пуассона.
Очевидно, что для компонента двигателя 1 с несколькими вариантами отказов в течение времени закон Вейбулла может быть определен через различные параметры в зависимости от возраста компонента. Например, в самом начале частота отказов элементов может быть убывающей (β<1), то что называется «младенческой смертностью». Другими словами, уязвимые компоненты выходят из строя в самом начале очень быстро, вызывая снижение частоты отказов после замены дефектных компонентов. Далее частота отказов остается неизменной (β=1) в течение всего срока жизни компонента. Наконец, частота отказов начинает возрастать (β>1) в процессе естественного износа. Три вида отказов затем образуют непрерывную кривую в форме ванны.
Следует отметить, что другие статистические законы могут быть использованы для компонентов, которые имеют некоторые нелинейные явления, такие как образование трещин. Для такого рода явлений можно использовать более соответствующие логарифмически нормальные распределения.
Фиг. 2 демонстрирует способ прогнозирования операций технического обслуживания двигателя летательного аппарата в соответствии с изобретением.
Этап E10 относится к инициализации данных, параметров и входных переменных. Эти входные данные включают в себя модель двигателя, его условия эксплуатации, его рабочее состояние, модели отказов, адаптированные для этого двигателя, и т.д.
Входные данные также содержат параметры P1, P2,..., Pi, наиболее влияющие в связи между вероятной причиной отказа и уровнем объема работ, а также совокупность правил R принятия решений об уровне объема работ на двигателе 1.
Совокупность P1, P2,..., Pi влияющих параметров включает в себя параметры о возрасте двигателя и ограничения по восстановлению двигателя.
Кроме того, правила R принятия решений могут быть логическими правилами, построенными в зависимости от различных моделей отказа и совокупности параметров.
На этапе E20 средства 11 обработки располагают из средств 13 хранения совокупностью M1, M2, M3,..., Mn моделей отказов, адаптированных к наблюдаемому двигателю 1. Каждая из моделей отказов представлена законом накопленной вероятности отказа от 0 до 100% в зависимости от времени, выраженного, например, в часах или в количестве циклов работы двигателя под крылом. Следует отметить, что цикл соответствует всем фазам полета (взлет, полет и посадка). Эти модели M1, M2, M3,..., Mn отказов могут быть отображены на экране, входящем в средства 15 вывода.
На этапе E30 средства 11 обработки выполнены с возможностью сравнения совокупности моделей M1, M2, M3,..., Mn отказов, чтобы выбрать соответствующую модель Mi отказа с возрастом T0 отказа, определяющим возраст, который двигатель 1 будет иметь в момент отказа.
Преимущественно выбор подходящей модели осуществляется моделированием по методу Монте-Карло на совокупности моделей M1, M2, M3,..., Mn отказов. Моделирование по методу Монте-Карло позволяет определить детерминированные выходные данные из стохастических входных данных, соответствующих распределениям вероятности моделей M1, M2, M3,..., Mn отказов типа закона Вейбулла. Действительно, благодаря закону больших чисел моделирование по методу Монте-Карло позволяет связать детерминированное количество появлений события с вероятностью возникновения этого события.
В этом случае распределение вероятностей Н(t) правильного функционирования компонента двигателя 1 может быть выражено как функция вероятности отказа (или функция распределения) F(t) через некоторое время t следующим выражением:
Figure 00000003
где Р - случайное число между 0 и 1, полученное моделированием по методу Монте-Карло, соответствующее вероятности отказа после времени t.
Таким образом, время t, которое соответствует возрасту двигателя в момент отказа, определяется по следующей формуле:
Figure 00000004
Средства 11 обработки выполняют это вычисление для каждой из совокупности моделей M1, M2, M3,..., Mn отказа, создавая тем самым совокупность возрастов отказа
Figure 00000005
.
Средства 11 обработки выполнены с возможностью выбора соответствующего возраста отказа среди этой совокупности возрастов отказов, а также модели отказа, соответствующей этому возрасту. Например, соответствующий возраст отказа может соответствовать минимальному возрасту
Figure 00000006
. Следует отметить, что этот соответствующий возраст отказа T0 позволяет указать дату нахождения в мастерской.
На этапе E40 средства 11 обработки выполнены с возможностью связывать с соответствующей моделью Mi отказа правила R принятия решений уровня объема работ на двигателе 1 в зависимости от совокупности параметров P1, P2,..., Pi, относящихся к этому двигателю 1.
Преимущественно совокупность влияющих параметров включает в себя ограничения по восстановлению двигателя и параметры, касающиеся возраста двигателя, в том числе возраст двигателя в момент отказа, техническую предпосылку (или продолжительность функционирования) двигателя в часах или рабочих циклах с его последнего нахождения в мастерской, ранг или индекс SV (Shop Visit), соответствующий количеству посещений двигателем мастерской 3, и потенциальный оставшийся срок службы для каждой из множества деталей с ограниченным сроком службы (LLP) двигателя 1.
На этапе E50 средства 11 обработки выполнены с возможностью определять в зависимости от правил R принятия решений необходимый уровень объема работ Wf технического обслуживания двигателя 1.
Таким образом, средства 11 обработки делают связь между наиболее вероятной причиной отказа (другими словами, соответствующей моделью отказа) и влияющими параметрами, которые могут включать в себя предпосылки двигателя, ограничения по восстановлению и ранг нахождения в мастерской, таким образом, чтобы запланировать наиболее реалистичный уровень объема работ во время нахождения в мастерской, указанный соответствующим возрастом T0 отказа, определенным на этапе E30.
Фиг. 3 показывает частный вариант осуществления способа прогнозирования операций технического обслуживания, показанного на фиг. 2.
Этап E11 относится к инициализации данных, параметров P1,..., Pi и входных переменных, как на этапе E10 на предыдущей фигуре. В частности, согласно этому примеру совокупность R правил принятия решения об уровне объема работ на двигателе 1 содержит совокупность первых модулей R1 правил и другую совокупность вторых модулей R2 правил.
Совокупность первых модулей R1 правил определена таким образом, что каждый из этих первых модулей связан с определенной моделью отказа и определенным рангом SV нахождения в мастерской 3.
Фиг. 4 иллюстрирует пример первого модуля правил, определяющего множество ступеней L1, L2, L3 или уровней объема работ относительно продолжительности функционирования двигателя. Другими словами, первый модуль R1 правил содержит для различных объемов работ «критическое время под крылом» выбора уровня объема работ. Различные объемы работ могут касаться компрессора низкого давления НД, компрессора высокого давления ВД, камеры сгорания, турбины высокого давления ТВД, турбины низкого давления ТНД и т.д. Например, восстановление допустимого предела температуры выходных газов ТВГ может быть реализовано воздействием на газогенератор двигателя (другими словами, узел, состоящий из компрессора высокого давления ВД, камеры сгорания и турбины высокого давления ТВД).
В примере на фиг. 4 показаны три ступени, указывающие на характер объема работ (workscope) в связи с данной причиной Х отказа в зависимости от времени t работы двигателя 1 под крылом. Этот график показывает первую ступень L1, называемую малым SV (Shop Visit) между 0 и 2000 циклов, вторую ступень L2, называемую средним SV между 2000 и 5000 циклов, и третью ступень L3, называемую крупным SV для времени под крылом более чем 5000 циклов. Ступень малого SV соответствует нахождению в мастерской для небольшого уровня объема работ, ступень среднего SV соответствует объему работ на уровне газогенератора двигателя, и ступень крупного SV соответствует объему работ на уровне газогенератора и турбины низкого давления ТНД двигателя.
Например, первые модули R1 правил могут соответствовать табличным данным в виде значений, разделенных запятыми, с помощью файлов в формате CSV (значения, разделенные запятыми), называемых "картами". Таким образом, карта может быть структурирована следующим образом для ранга 1 нахождения в мастерской на фиг. 4:
- дата карты; ступени; причина X, ступень 1; ранг 1; модель двигателя; мощность двигателя (другими словами подвид двигателя в зависимости от тяги, выдаваемой двигателем), 0, 2000; малый SV.
- Дата карты; ступени; причина X, ступень 2; ранг 1; модель двигателя; мощность двигателя, 2000, 5000; средний SV.
- Дата карты; ступени; причина X, ступень 3; ранг 1; модель двигателя; мощность двигателя; 5000; 50000; крупный SV.
Нижний и верхний пределы каждой ступени L1, L2, L3 определяются для каждого типа двигателя относительно условий эксплуатации. Преимущественно эти пределы изменяются или корректируются в зависимости от опыта эксплуатации по объему работ, сделанных в мастерской 3.
Кроме того, совокупность вторых модулей R2 правил определяют для каждой из ступеней L1, L2, L3 первых модулей R1 окончательный уровень объема работ в зависимости от ограничений по восстановлению двигателя 1. Другими словами, для каждого первого модуля R1 правил есть второй модуль R2 правил, определяющий отношения между уровнями объема работ первого модуля правил и заключительными операциями технического обслуживания. Вторые модули R2 правил также могут быть созданы с помощью файлов или карт в формате CSV.
Этапы Е20 и Е30 на фиг. 3 аналогичны этапам, описанным со ссылкой на фиг. 2.
Таким образом, на этапе Е20 средства 11 обработки располагают совокупностью моделей M1, М2, М3, …, Mn отказов, адаптированных к двигателю 1.
Например, располагают первой моделью M1 отказа, относящейся к причине отказа, связанной с температурой выхлопного газа ТВГ, вторая модель М2 отказа относится к причине отказа газогенератора, третья модель М3 отказа относится к причине отказа на ТНД, и n-ая модель Mn отказа относится к отказам вентилятора.
Затем на этапе Е30 средства 11 обработки сравнивают совокупность моделей M1, М2, М3, …, Mn отказов, адаптированных к двигателю 1, чтобы выбрать соответствующую модель Mi отказа с возрастом Т0, который двигатель 1 будет иметь в момент отказа.
Ссылаясь на предыдущий пример, предположим, что соответствующая модель Mi является первой M1 моделью отказа для ТВГ при 18 килоциклах, которая была выбрана после сравнения моделей M1, M2, M3,..., Mn отказов и начальный потенциал LLP составляет 20 килоциклов на второй модели M2 отказа для газогенератора, 25 килоциклов на третьей модели М3 отказа для ТНД, и 30 килоциклов на n-ой модели Mn отказов для вентилятора.
На этапах E41 и E42 средства 11 обработки выполнены с возможностью связывать с соответствующей моделью Mi отказа правила принятия решений, включающие в себя первый и второй модули правил, в зависимости от совокупности параметров Р1,...,Pi, относящихся к двигателю.
Более конкретно, на этапе E41 средства 11 обработки связывают с соответствующей моделью Mi отказа первый модуль R1 правил, определяющий множество уровней объема работ L1, L2, L3 относительно продолжительности функционирования двигателя 1.
Затем средства 11 обработки выбирают соответствующий уровень среди множества уровней объема работ L1, L2, L3 в зависимости от возраста отказа T0, связанного с соответствующей моделью Mi отказа, выбранной на этапе Е30. Этот первый модуль R1 правил позволяет обеспечить минимальный уровень объема работ по операциям технического обслуживания.
В случае предыдущего примера соответствующая модель M1 отказа относительно отказа ТВГ при 18 килоциклах находится на второй ступени L2 первого модуля R1 правил, связанного со средним SV для минимальной работы над газогенератором.
На этапе E42 средства 11 обработки выбирают второй модуль R2 правил, определяющий соотношение между уровнями объема работ L1, L2, L3 первого модуля R1 правил, связанных с соответствующей моделью Mi отказа, и соответствующими операциями технического обслуживания.
Второй модуль R2 правил позволяет средствам 11 обработки определить необходимый уровень объема работ технического обслуживания в зависимости от соответствующего уровня L2, выбранного на этапе E41, ограничений по восстановлению двигателя и потенциального оставшегося срока службы для каждой детали с ограниченным сроком службы (LLP) двигателя 1.
Например, карта для второго модуля R2 правил для причины X и ранга 1 нахождения в мастерской может быть структурирована следующим образом:
номер причины X; причина X, ступень 1; необходимость LLP (да/нет); необходимость LLP вентилятора (да/нет); необходимость LLP газогенератора (да/нет); необходимость LLP ТНД (да/нет); код окончательного уровня объема работ; комбинаторный уровень объема работ (да/нет); окончательный уровень объема работ.
В примере, описанном выше, допустим, что ограничения по восстановлению двигателя 1 составляют 8 килоциклов на LLP при нахождении в мастерской. Другими словами, двигатель 1 должен быть восстановлен так, чтобы он находился в хорошем состоянии по крайней мере 8000 циклов после выхода из мастерской. Предположим, что потенциальные оставшиеся LLP составляют 2000 циклов на газогенераторе, 7000 циклов на ТНД и 12000 циклов на вентиляторе. Таким образом, LLP газогенератора и LLP ТНД должны быть изменены таким образом, чтобы все LLP имели потенциал более 8000 циклов. Таким образом, необходимы LLP газогенератора и ТНД, что повышает начальный уровень объема работ с газогенератора до работ газогенератор + ТНД.
Таким образом, средства 11 обработки определяют в зависимости от этих первого и второго модулей принятия решения необходимый уровень объема работ Wf технического обслуживания (окончательный уровень объема работ), требуемый к исполнению на двигателе 1 во время его нахождения в мастерской 3, заданный соответствующим возрастом T0 отказа, определенным заранее.
Преимущественно после завершения операции технического обслуживания на типовом двигателе совокупность параметров повторно адаптируют. Это дает возможность принимать во внимание результаты этого объема работ для еще более точного определения следующего объема работ.
Следует отметить, что при прогнозировании оптимальной операции технического обслуживания целесообразно принимать во внимание все следующие параметры: возраст отказа, ранг нахождения в мастерской, потенциальный оставшийся срок службы для каждой из деталей с ограниченным сроком службы (LLP) двигателя, ограничения по восстановлению двигателя. Очевидно, что способ в соответствии с настоящим изобретением будет работать одинаково хорошо с большим количеством параметров или только с некоторыми из этих параметров. Например, параметр, соответствующий рангу нахождения в мастерской, можно не учитывать.

Claims (17)

1. Способ прогнозирования операций технического обслуживания типового двигателя летательного аппарата, отличающийся тем, что он содержит следующие этапы, на которых:
инициализируют входные данные, содержащие модель упомянутого двигателя и совокупность параметров (P1, … Pi) и правила (R) принятия решений об уровне объема работ на упомянутом двигателе;
сравнивают совокупность моделей (M1, …, Mn) отказов, адаптированных к упомянутому типовому двигателю (1), для выбора соответствующей модели (Mi) отказа с возрастом отказа (Т0), определяющим возраст упомянутого двигателя в момент отказа;
связывают с упомянутой соответствующей моделью (Mi) отказа правила (R) принятия решений об уровне объема работ по упомянутому типовому двигателю (1) в зависимости от упомянутой совокупности (P1, … Pi) параметров, относящихся к упомянутому типовому двигателю;
определяют в зависимости от упомянутых правил принятия решения необходимый уровень объема работ (Wf) технического обслуживания на упомянутом типовом двигателе.
2. Способ по п. 1, отличающийся тем, что упомянутая совокупность параметров включает в себя следующие параметры: возраст отказа, продолжительность функционирования упомянутого типового двигателя с момента последнего нахождения в мастерской, ранг нахождения в мастерской, потенциальный оставшийся срок службы для каждой из множества деталей с ограниченным сроком службы (LLP) упомянутого типового двигателя и ограничения по восстановлению упомянутого двигателя.
3. Способ по п. 1, отличающийся тем, что упомянутые правила принятия решения включают в себя первый модуль (R1) правил, определяющий множество уровней (L1, L2, L3) объема работ относительно продолжительности функционирования упомянутого двигателя, и тем, что соответствующий уровень выбирают из упомянутого множества уровней объема работ в зависимости от упомянутого возраста (Т0) отказа, связанного с упомянутой соответствующей моделью (Mi) отказа.
4. Способ по п. 3, отличающийся тем, что упомянутый первый модуль (R1) правил выбирают из совокупности первых модулей правил, определенных ранее в течение фазы инициализации, при этом каждый из упомянутых первых модулей правил связан с определенной моделью отказа и с определенным рангом нахождения в мастерской.
5. Способ по п. 3 или 4, отличающийся тем, что упомянутые правила принятия решений содержат второй модуль (R2) правил, определяющий взаимосвязи между уровнями объема работ упомянутого первого модуля правил и операциями технического обслуживания, а также тем, что упомянутый требуемый уровень объема работ технического обслуживания определяют в зависимости от упомянутого соответствующего уровня объема работ, ограничений по восстановлению упомянутого двигателя и потенциального оставшегося срока службы для каждой из множества деталей с ограниченным сроком службы (LLP) упомянутого типового двигателя.
6. Способ по п. 1, отличающийся тем, что упомянутую совокупность параметров повторно адаптируют с учетом результатов обслуживания после завершения операции технического обслуживания на упомянутом типовом двигателе летательного аппарата.
7. Способ по п. 1, отличающийся тем, что упомянутые модели отказов получают из анализа опыта эксплуатации парка двигателей, содержащего следующие данные: количество двигателей, условия эксплуатации каждого двигателя, модель каждого двигателя, рабочее состояние каждого двигателя, место технического обслуживания каждого двигателя, время между поступлением каждого двигателя в мастерскую и его выходом из мастерской.
8. Система прогнозирования операций технического обслуживания типового двигателя летательного аппарата, отличающаяся тем, что она содержит:
средства для инициализации входных данных, содержащих модель упомянутого двигателя и совокупность параметров (P1, … Pi) и правила (R) принятия решений об уровне объема работ на упомянутом двигателе;
средства (11) обработки для сравнения совокупности моделей (M1, …, Mn) отказов, адаптированных к упомянутому типовому двигателю, для выбора соответствующей модели (Mi) отказа с возрастом (Т0) отказа, определяющим возраст упомянутого двигателя в момент отказа;
средства (11) обработки для связи с упомянутой соответствующей моделью отказа правил принятия решения об уровне объема работ по упомянутому типовому двигателю в зависимости от упомянутой совокупности параметров, относящихся к упомянутому типовому двигателю;
средства (11) обработки для определения необходимого уровня объема работ технического обслуживания упомянутого типового двигателя в зависимости от упомянутых правил принятия решений.
9. Читаемый компьютером носитель, содержащий компьютерную программу, включающую в себя кодовые команды, которые побуждают компьютерную систему выполнять способ прогнозирования по любому из пп. 1-7, когда они выполняются средствами обработки.
RU2013143291A 2011-02-25 2012-02-16 Прогноз операций технического обслуживания двигателя летательного аппарата RU2611239C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1151543 2011-02-25
FR1151543A FR2972025B1 (fr) 2011-02-25 2011-02-25 Prevision d'operations de maintenance sur un moteur d'aeronef
PCT/FR2012/050338 WO2012114021A1 (fr) 2011-02-25 2012-02-16 Prévision d'opérations de maintenance sur un moteur d'aéronef

Publications (2)

Publication Number Publication Date
RU2013143291A RU2013143291A (ru) 2015-03-27
RU2611239C2 true RU2611239C2 (ru) 2017-02-21

Family

ID=45873159

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2013143291A RU2611239C2 (ru) 2011-02-25 2012-02-16 Прогноз операций технического обслуживания двигателя летательного аппарата

Country Status (9)

Country Link
US (1) US8868287B2 (ru)
EP (1) EP2678747B1 (ru)
JP (1) JP6014610B2 (ru)
CN (1) CN103384859B (ru)
BR (1) BR112013021095B1 (ru)
CA (1) CA2826641C (ru)
FR (1) FR2972025B1 (ru)
RU (1) RU2611239C2 (ru)
WO (1) WO2012114021A1 (ru)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2731765C1 (ru) * 2019-10-14 2020-09-08 Общество с ограниченной ответственностью "СМИС Эксперт" Способ контроля технического обслуживания инженерных систем объекта

Families Citing this family (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9267443B2 (en) 2009-05-08 2016-02-23 Gas Turbine Efficiency Sweden Ab Automated tuning of gas turbine combustion systems
US9354618B2 (en) 2009-05-08 2016-05-31 Gas Turbine Efficiency Sweden Ab Automated tuning of multiple fuel gas turbine combustion systems
US20140372289A1 (en) * 2012-02-23 2014-12-18 Snecma Process, system and computer program product for asset maintenance
FR2993375B1 (fr) * 2012-07-10 2014-07-18 Snecma Methode de detection d'une degradation d'une turbomachine par surveillance des performances de ladite turbomachine
US8914205B2 (en) * 2013-01-28 2014-12-16 Honeywell International Inc. System and method for transmitting helicopter health and location
US10062053B1 (en) * 2013-10-23 2018-08-28 American Airlines, Inc. Spare component ownership planning system and method
FR3014952B1 (fr) * 2013-12-13 2016-01-22 Snecma Prevision d'operations de maintenance a appliquer sur un moteur
CN103617337B (zh) * 2013-12-19 2016-12-07 江苏锐天信息科技有限公司 一种飞机维修间隔辅助分析方法
FR3023628A1 (fr) 2014-07-10 2016-01-15 Airbus Helicopters Procede et systeme de fusion d'indicateurs de surveillance d'un dispositif
US10416662B2 (en) 2015-09-22 2019-09-17 International Business Machines Corporation Maintenance optimization for asset performance management
US10239640B2 (en) 2015-12-11 2019-03-26 The Boeing Company Predictive aircraft maintenance systems and methods incorporating classifier ensembles
US10706361B1 (en) 2015-12-11 2020-07-07 The Boeing Company Hybrid feature selection for performance prediction of fluid control valves
US10838837B2 (en) * 2016-06-24 2020-11-17 International Business Machines Corporation Sensor based system state prediction
US10474789B2 (en) * 2016-06-24 2019-11-12 The Boeing Company Prediction methods and systems for structural repair during heavy maintenance of aircraft
US11003146B2 (en) * 2017-03-17 2021-05-11 General Electric Company Distributed optimal control of an aircraft propulsion system
US10472096B2 (en) 2017-05-30 2019-11-12 The Boeing Company Advanced analytic methods and systems utilizing trust-weighted machine learning models
US10643187B2 (en) 2017-06-09 2020-05-05 Kidde Technologies, Inc. Reporting and prioritizing faults for aircraft downtime reduction
US11181898B2 (en) 2017-11-10 2021-11-23 General Electric Company Methods and apparatus to generate a predictive asset health quantifier of a turbine engine
US11067592B2 (en) 2017-11-10 2021-07-20 General Electric Company Methods and apparatus for prognostic health monitoring of a turbine engine
US11334854B2 (en) 2017-11-10 2022-05-17 General Electric Company Systems and methods to generate an asset workscope
US10949813B2 (en) 2017-11-10 2021-03-16 General Electric Company Methods and apparatus to generate an asset workscope operation
US10796018B2 (en) * 2017-11-10 2020-10-06 General Electric Company Methods and apparatus to generate an optimized workscope
US10974851B2 (en) 2018-11-09 2021-04-13 Textron Innovations Inc. System and method for maintaining and configuring rotorcraft
FR3094350B1 (fr) * 2019-04-01 2021-03-12 Safran Aircraft Engines Procédé de surveillance d’au moins un moteur d’aéronef
US11636412B2 (en) 2020-01-24 2023-04-25 General Electric Company System and method for prognostic analytics of an asset
US11952149B2 (en) 2020-09-17 2024-04-09 General Electric Company System and method of forecasting aircraft engine operational data for predictive analytics
CN112131771B (zh) * 2020-09-18 2022-10-11 重庆长安汽车股份有限公司 一种汽车发动机的气门油封机油泄漏量的预测方法
CN112761818B (zh) * 2021-01-15 2023-01-31 北京动力机械研究所 一种可重复使用冲压发动机的状态监视系统
CN112906237A (zh) * 2021-03-10 2021-06-04 南京航空航天大学 一种发动机部件故障分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070088584A1 (en) * 2005-10-18 2007-04-19 Aragones James K Systems and methods for managing lifecycle costs of an asset inventory
US20080234979A1 (en) * 2007-03-19 2008-09-25 United Technologies Corporation Process and system for multi-objective global optimization of maintenance schedules
EA011102B1 (ru) * 2003-10-17 2008-12-30 Хайдралифт Эмклайд, Инк. Мониторинг компонентов оборудования и система управления процессом замены изношенных компонентов
RU2417393C2 (ru) * 2004-03-03 2011-04-27 Фишер-Роузмаунт Системз, Инк. Система представления данных для предотвращения нестандартной ситуации на производственном предприятии

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5890079A (en) * 1996-12-17 1999-03-30 Levine; Seymour Remote aircraft flight recorder and advisory system
US6115656A (en) * 1997-06-17 2000-09-05 Mcdonnell Douglas Corporation Fault recording and reporting method
US6067486A (en) * 1999-02-01 2000-05-23 General Electric Company Method and system for planning repair of an aircraft engine
US6799154B1 (en) * 2000-05-25 2004-09-28 General Electric Comapny System and method for predicting the timing of future service events of a product
US6832205B1 (en) * 2000-06-30 2004-12-14 General Electric Company System and method for automatically predicting the timing and costs of service events in a life cycle of a product
US6567729B2 (en) * 2001-03-28 2003-05-20 Pt Holdings Ltd. System and method of analyzing aircraft removal data for preventative maintenance
CN1252448C (zh) * 2002-10-11 2006-04-19 中国南方航空股份有限公司 一种飞机远程诊断实时跟踪系统及其方法
US20050187739A1 (en) * 2004-02-24 2005-08-25 Christian Baust Method and apparatus for creating and updating maintenance plans of an aircraft
US20060111871A1 (en) * 2004-11-19 2006-05-25 Winston Howard A Method of and system for representing unscheduled events in a service plan
US20080172268A1 (en) * 2005-01-13 2008-07-17 Standard Aero (San Antonio), Inc. System and method of enhancing cost performance of mechanical systems including life-limited parts
US20100262442A1 (en) * 2006-07-20 2010-10-14 Standard Aero, Inc. System and method of projecting aircraft maintenance costs
US8340854B2 (en) * 2006-12-19 2012-12-25 The Boeing Company Methods and systems for centrally managed maintenance program for aircraft fleets
US7860618B2 (en) * 2006-12-21 2010-12-28 The Boeing Company System, method and program product for predicting fleet reliability and maintaining a fleet of vehicles
US20080270202A1 (en) * 2007-04-27 2008-10-30 Nokia Siemens Networks Gmbh & Co Methods of life cycle optimization for solutions including tooling
US8463641B2 (en) * 2007-10-05 2013-06-11 The Boeing Company Method and system using linear programming for estimating test costs for bayesian diagnostic models
US8117007B2 (en) * 2008-09-12 2012-02-14 The Boeing Company Statistical analysis for maintenance optimization
CN201548400U (zh) * 2009-10-29 2010-08-11 四川奥特附件维修有限责任公司 航空辅助发动机燃油调节器测试系统
US8301332B2 (en) * 2010-09-28 2012-10-30 Ge Aviation Systems Llc Method and system for fleet operations data management

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EA011102B1 (ru) * 2003-10-17 2008-12-30 Хайдралифт Эмклайд, Инк. Мониторинг компонентов оборудования и система управления процессом замены изношенных компонентов
RU2417393C2 (ru) * 2004-03-03 2011-04-27 Фишер-Роузмаунт Системз, Инк. Система представления данных для предотвращения нестандартной ситуации на производственном предприятии
US20070088584A1 (en) * 2005-10-18 2007-04-19 Aragones James K Systems and methods for managing lifecycle costs of an asset inventory
US20080234979A1 (en) * 2007-03-19 2008-09-25 United Technologies Corporation Process and system for multi-objective global optimization of maintenance schedules

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2731765C1 (ru) * 2019-10-14 2020-09-08 Общество с ограниченной ответственностью "СМИС Эксперт" Способ контроля технического обслуживания инженерных систем объекта

Also Published As

Publication number Publication date
CA2826641A1 (fr) 2012-08-30
FR2972025B1 (fr) 2016-03-04
BR112013021095A2 (pt) 2020-10-27
BR112013021095B1 (pt) 2021-09-21
RU2013143291A (ru) 2015-03-27
US20120221193A1 (en) 2012-08-30
CN103384859B (zh) 2017-04-26
CN103384859A (zh) 2013-11-06
JP2014506706A (ja) 2014-03-17
US8868287B2 (en) 2014-10-21
JP6014610B2 (ja) 2016-10-25
CA2826641C (fr) 2019-01-15
EP2678747B1 (fr) 2018-06-06
EP2678747A1 (fr) 2014-01-01
FR2972025A1 (fr) 2012-08-31
WO2012114021A1 (fr) 2012-08-30

Similar Documents

Publication Publication Date Title
RU2611239C2 (ru) Прогноз операций технического обслуживания двигателя летательного аппарата
CN109767025B (zh) 用以生成优化的工作范围的设备、存储介质和方法
CN110046716B (zh) 用以生成资产工作范围的系统、方法和存储介质
JP6023882B2 (ja) 機械部品の寿命消費の信頼できる予測
US10949813B2 (en) Methods and apparatus to generate an asset workscope operation
RU2670937C1 (ru) Прогнозирование операций технического обслуживания, применяемых к двигателю
US7945427B2 (en) Methods and systems for providing unanticipated demand predictions for maintenance
JP5844978B2 (ja) ガスタービンを監視するためのシステム及び方法
US8340948B1 (en) Fleet performance optimization tool for aircraft health management
US20080172268A1 (en) System and method of enhancing cost performance of mechanical systems including life-limited parts
JP2014522943A (ja) ガスタービンの寿命予測および最適化装置および方法
WO2013191593A1 (en) Method and system for determining life consumption of a mechanical part
Vallhagen et al. An approach for producibility and DFM-methodology in aerospace engine component development
US20200165995A1 (en) Self-generating engine-specific health monitoring model from generic model base
US10671769B2 (en) Forecasting maintenance operations to be applied to an engine
CN114329802A (zh) 用于翼型件的概率疲劳和混合极限评估及可视化方法
US11157883B2 (en) Step analysis process steps within a fleet performance optimization tool
Garðarsdóttir Reliability analysis of the RB-211 jet engines operated by Icelandair
CN114936472A (zh) 一种航天发射场多阶段任务可靠性仿真评估方法

Legal Events

Date Code Title Description
PD4A Correction of name of patent owner