RU2686252C2 - Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата - Google Patents

Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата Download PDF

Info

Publication number
RU2686252C2
RU2686252C2 RU2016142123A RU2016142123A RU2686252C2 RU 2686252 C2 RU2686252 C2 RU 2686252C2 RU 2016142123 A RU2016142123 A RU 2016142123A RU 2016142123 A RU2016142123 A RU 2016142123A RU 2686252 C2 RU2686252 C2 RU 2686252C2
Authority
RU
Russia
Prior art keywords
value
specified
parameter
exec
values
Prior art date
Application number
RU2016142123A
Other languages
English (en)
Other versions
RU2016142123A3 (ru
RU2016142123A (ru
Inventor
Орели ГУБИ
Валерио ГЕРЕЗ
Original Assignee
Сафран Эркрафт Энджинз
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 Сафран Эркрафт Энджинз filed Critical Сафран Эркрафт Энджинз
Publication of RU2016142123A publication Critical patent/RU2016142123A/ru
Publication of RU2016142123A3 publication Critical patent/RU2016142123A3/ru
Application granted granted Critical
Publication of RU2686252C2 publication Critical patent/RU2686252C2/ru

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M15/00—Testing of engines
    • G01M15/14—Testing gas-turbine engines or jet-propulsion engines
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C11/00—Arrangements, systems or apparatus for checking, e.g. the occurrence of a condition, not provided for elsewhere

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Combustion & Propulsion (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Complex Calculations (AREA)

Abstract

Группа изобретений относится к способу, аппаратуре и системе для оценки нормальности или ненормальности измеренного датчиком физического параметра устройства. Для оценки контрольные значения для рабочего параметра устройства сохраняют в средствах хранения данных, при помощи средств обработки данных вычисляют оценочное значение параметра определенным образом, вычисляют соответствующую погрешность, вычисляют оценочное значение дисперсии физического параметра для значения рабочего параметра, вычисляют вклад аномалии измеренного значения, сравнивают вклад аномалии измеренного значения с порогом, при превышении порога отображают измерение как ненормальное на интерфейсных средствах. Аппаратура содержит средства хранения данных и средства обработки данных для реализации способа. Система содержит испытательный стенд, содержащий датчик и выполненный с возможностью установки на нем устройства, аппаратуру для оценки измеренного параметра. Обеспечивается повышение надежности и эффективности контроля измерения параметров, связанных с двигателем, выявление искажений среди совокупности измерений. 3 н. и 10 з.п. ф-лы, 9 ил.

Description

Область техники
Настоящее изобретение относится к области тестов авиационного оборудования.
В частности, оно относится к способу оценки нормальности или ненормальности измеренного значения физического параметра устройства, в частности, двигателя летательного аппарата.
Уровень техники
Испытательный стенд является площадкой, позволяющей измерять характеристики испытываемой машины (как правило, двигателя летательного аппарата) во время тестов в контролируемых условиях, чтобы отслеживать ее поведение. Во время таких тестов считываются многочисленные данные при помощи датчиков, которыми оснащен стенд и/или испытываемая машина, чтобы внести их в специальную базу данных, называемую также базой данных испытаний и в дальнейшем называемую базой испытания. Для упрощения в дальнейшем речь пойдет о датчиках стенда, которые по сути включают в себя датчики, которыми оснащен двигатель в рамках испытаний.
Как правило, испытываемая машина является либо прототипом в фазе разработки, который необходимо протестировать (после чего полученные данные используются в конструкторских бюро для усовершенствования машин и их доводки), либо конечным изделием, для которого необходимо произвести проверку спецификаций и надежности (в этом случае получаемые данные используются бригадами контроля качества). В альтернативном варианте испытываемая машина может быть либо двигателем в комплекте, либо компонентом двигателя для частичных испытаний.
Однако по причине дефектов одного или нескольких датчиков стенда и/или испытываемой машины получаемые данные часто имеют ненормальные или искаженные значения. В этом случае база данных испытаний оказывается «загрязненной» данными, полученными в результате «ненадлежащего» измерения.
Это создает проблему для пользователей базы (в частности, для конструкторских бюро), которые пользуются всеми записанными данными, в частности, чтобы производить сравнения характеристик. Эти данные можно также использовать для применения цифровых моделей двигателя к стенду.
Кроме того, в ходе самого испытания можно быстро обнаруживать любой неисправный датчик, поскольку решение об остановке испытания принимается в зависимости от серьезности аномалии. Действительно, испытания являются очень дорогими, поэтому важно оптимизировать эти испытания и, в частности, их воспроизведение.
Во французской заявке FR 2965915 описан пример способа мониторинга в реальном времени датчиков испытательного стенда, который позволяет выявить неисправность датчика, однако он не может обнаруживать отклонение качества измерений как таковое. Кроме того, известные способы неотделимы от испытательного стенда и не позволяют идентифицировать впоследствии ненормальные измерения среди измерений, внесенных в базу испытания.
Поэтому существует потребность в надежном, эффективном и воспроизводимом контроле измерений параметров, связанных с двигателем, позволяющем без труда идентифицировать искаженное измерение среди совокупности измерений.
Сущность изобретения
В качестве первого объекта настоящим изобретением предложен способ оценки нормальности или ненормальности измеренного датчиком значения физического параметра устройства для значения рабочего параметра указанного устройства, при этом множество пар, каждая из которых определяет контрольное значение физического параметра для значения рабочего параметра, сохраняют в базе данных, хранящейся в средствах хранения данных, при этом способ включает в себя осуществление следующих этапов при помощи средств обработки данных:
(a) в зависимости от регрессионной модели, связанной с указанным множеством пар, вычисляют оценочное значение физического параметра для значения рабочего параметра;
(b) вычисляют соответствующую погрешность;
(c) в зависимости от дисперсионной модели, связанной с указанным множеством пар, вычисляют оценочное значение дисперсии физического параметра для значения рабочего параметра;
(d) в зависимости от погрешности, от оценочного значения дисперсии и от среднего значения погрешностей для указанного множества пар вычисляют вклад аномалии;
(e) вклад аномалии измеренного значения сравнивают с порогом в виде числа стандартных отклонений;
(f) если вклад аномалии превышает указанный порог, на интерфейсных средствах измерение отображают как ненормальное.
Оценка дисперсии в зависимости от рабочего параметра позволяет отказаться от вариации погрешности измерения (зависящей от контекста использования). Построенный интервал достоверности (допуск σ на Zscore) относительно регрессионной модели является, таким образом, более реалистичным, чем постоянный разброс, и обнаружение ненормальных точек становится более точной. Модель тревожного оповещения за счет этого выигрывает в эффективности.
Согласно другим предпочтительным и не ограничительным признакам:
- способ содержит предварительную фазу обработки указанного множества пар из базы данных, включающую в себя осуществление следующих этапов при помощи средств обработки данных:
(а0) определяют указанную регрессионную модель, связанную с указанным множеством пар, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества
Figure 00000001
, где xi, yi обозначает значения пары, записанной в базе данных;
(a1) для каждой из пар вычисляют оценочное значение физического параметра и соответствующую погрешность;
(а2) вычисляют среднее значение указанных погрешностей;
(а3) в скользящем окне размером w вычисляют множество значений дисперсии погрешности, каждое из которых связано со значением рабочего параметра пары;
(а4) определяют указанную дисперсионную модель, связанную с указанным множеством пар, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения x рабочего параметра на основании множества
Figure 00000002
, где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
- предварительная фаза включает в себя этап (а5) определения, в зависимости от указанной определенной модели дисперсии, зоны достоверности вокруг указанной определенной регрессионной модели и отображения указанной зоны достоверности на интерфейсных средствах;
- зону достоверности определяют по верхней огибающей, отвечающей формуле
Figure 00000003
, и нижней огибающей, отвечающей формуле
Figure 00000004
, где
Figure 00000005
является регрессионной моделью, и g является дисперсионной моделью;
- вклад аномалии получают по формуле
Figure 00000006
, где resexec обозначает погрешность, связанную с измеренным значением физического параметра,
Figure 00000007
обозначает оценочное значение дисперсии, и mean является средним значением погрешности для указанного множества пар;
- указанное устройство является двигателем летательного аппарата;
- указанный физический параметр выбирают из группы, в которую входят связанные с двигателем давление, температура, скорость потока текучей среды и уровень шума;
- указанный рабочий параметр выбирают из группы, в которую входят связанные с двигателем режим и расход топлива;
- двигатель установлен на испытательном стенде, содержащем датчик, при этом этап (е) содержит остановку испытательного стенда, если измерение признается ненормальным;
- этап (е) содержит добавление пары, образованной измеренным значением физического параметра и соответствующим значением рабочего параметра, в указанную базу данных пар, если измерение не признается ненормальным.
Вторым объектом изобретения является аппаратура для оценки нормальности или ненормальности измеренного датчиком значения физического параметра устройства для значения рабочего параметра указанного устройства, содержащая средства обработки данных, средства хранения данных, хранящие в базе данных множество пар, каждая из которых определяет контрольное значение физического параметра для значения рабочего параметра, и интерфейсные средства, при этом аппаратура отличается тем, что средства обработки данных выполнены с возможностью реализации:
- модуля вычисления в зависимости от регрессионной модели, связанной с указанным множеством пар, оценочного значения физического параметра для значения рабочего параметра;
- модуля вычисления соответствующей погрешности;
- модуля вычисления в зависимости от дисперсионной модели, связанной с указанным множеством пар, оценочного значения дисперсии физического параметра для значения рабочего параметра;
- модуля вычисления вклада аномалии в зависимости от погрешности, от оценочного значения дисперсии и от среднего значения погрешности для указанного множества пар;
- модуля сравнения вклада аномалии измеренного значения с порогом в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства, извещающего об идентификации измерения как аномалии, если вклад аномалии превышает указанный порог σ.
Согласно другим предпочтительным и не ограничительным признакам, модуль обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества
Figure 00000001
, где xi; yi обозначает значения пары, сохраненной в базе данных;
- модуля вычисления для каждой из пар оценочного значения физического параметра и соответствующей погрешности;
- модуля вычисления среднего значения указанных погрешностей;
- модуля вычисления в скользящем окне размером w множества значений дисперсии погрешностей, каждое из которых связано со значением рабочего параметра пары;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения х рабочего параметра на основании множества
Figure 00000002
, где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
Третьим объектом изобретения является система, содержащая:
- испытательный стенд, содержащий датчик и выполненный с возможностью установки на нем устройства;
- аппаратуру согласно второму объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства.
Четвертым и пятым объектами изобретения являются компьютерный программный продукт, содержащий командные коды для исполнения способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства; и средство хранения данных, считываемое компьютерной аппаратурой, на котором записанный компьютерный программный продукт содержит командные коды для исполнения способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком значения физического параметра указанного устройства для значения рабочего параметра указанного устройства.
Краткое описание чертежей
Другие признаки и преимущества настоящего изобретения будут более очевидны из нижеследующего описания предпочтительного варианта осуществления. Это описание представлено со ссылками на прилагаемые чертежи, на которых:
фиг. 1 - пример среды, в которой осуществляют заявленный способ;
фиг. 2а-2b иллюстрируют этапы двух фаз примера заявленного способа;
фиг. 3a-3f - примеры отображения на интерфейсе данных, полученных на различных этапах заявленного способа.
Осуществление изобретения
Описываемый со ссылками на фиг. 1 настоящий способ является способом оценки нормальности или ненормальности измеренного датчиком 20 значения yexec физического параметра управляемого устройства 1 для значения хехес рабочего параметра указанного двигателя 1. В частности, управляемое устройство 1 является двигателем 1 летательного аппарата, как правило, газотурбинным двигателем полностью или частью газотурбинного двигателя, в частности, двухконтурного газотурбинного двигателя.
Хотя в настоящем изобретении в дальнейшем рассмотрен предпочтительный пример газотурбинного двигателя (во время полета или на испытательном стенде), понятно, что изобретение этим примером не ограничивается, и под «устройством» следует понимать любую физическую систему, получающую «на входе» по меньшей мере один рабочий параметр, который необходимо отслеживать при помощи датчика и поведение которого может быть сложным для непосредственного моделирования. Название «испытываемая машина» соответствует случаю, когда устройство находится в стадии теста, например, на стенде (а не во время реальной работы).
Настоящий способ можно осуществлять для любого наземного или не наземного устройства создания тяги.
Понятно, что кроме тяговых систем, настоящий способ может находить другое применение в авиации, в частности, в системах взлетно-посадочных шасси или в любых сложных материальных устройствах, требующих мониторинга нормальной работы.
В другой области, например, в области железнодорожного транспорта, можно указать системы торможения поездов или любое другое устройство обеспечения безопасности транспортного средства.
Изобретение может также касаться других систем на стадии изготовления или испытания.
Настоящий способ можно применять для любого мониторинга измерений (в том числе во время эксплуатации устройства), но предпочтительно в данном случае рассмотрен пример испытательных измерений: двигатель 1 (или другое устройство) установлен на испытательном стенде 2, с которым соединен датчик 20. Испытательный стенд 2 выполнен с возможностью имитации работы двигателя 1 в реальных условиях. Задачей настоящего изобретения является подтверждение или не подтверждение достоверности измерения, произведенного во время испытания. Таким образом, нормальность измерения напрямую связана с его достоверностью. Измерение, признанное недостоверным, будет считаться ненормальным.
Рабочий параметр (значение х) является «объясняющей» или «предсказывающей» переменной в отличие от измеряемого физического параметра (значение у), который является «объясняемой» или «предсказываемой» переменной. Иначе говоря, значение х рабочего параметра является причиной, тогда как значение у физического параметра является следствием.
В частности, рабочий параметр является контролируемым значением, связанным с двигателем 1, на которое может либо воздействовать пользователь, либо влиять окружающая среда. Иначе говоря он является командой. В дальнейшем тексте настоящего описания взят пример режима двигателя (то есть числа оборотов, осуществляемых ротором двигателя 1 за единицу времени), но понятно, что можно отслеживать многие другие рабочие параметры, такие как расход топлива, впрыскиваемого в двигатель 1, температура топлива, впрыскиваемого в двигатель 1, окружающее давление вокруг двигателя 1 и окружающая температура вокруг двигателя 1. Этот параметр является входным параметром, выбираемым для двигателя.
Физический параметр отображает физическую величину, характеризующую ожидаемое поведение двигателя 1 в ответ на приложение рабочего параметра, то есть физическую величину, для измерения которой предназначен датчик. Понятно, что для разных физических величин можно предусмотреть множество соответствующих датчиков. В частности, этим физическим параметром может быть давление в определенной точке двигателя 1, внутренняя температура в определенной точке двигателя 1, скорость потока текучей среды в определенной точке двигателя 1, уровень шума, производимого двигателем 1, плотность топлива в двигателе 1 и т.д. Специалист в данной области может выбирать измеряемую физическую величину в зависимости от задач испытания. В дальнейшем тексте описания будет рассмотрен пример давления, измеряемого датчиком 20 давления.
Пара (х; у) обозначает точечное считывание: для значения х рабочего параметра датчик 20 измеряет значение у физического параметра.
Множество пар
Figure 00000008
, каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра, записаны в базе данных (которая и является вышеупомянутой базой данных испытаний), которая, в свою очередь, хранится в средствах 32 хранения данных. Под «контрольными» значениями следует понимать, что они получены во время стабилизированных фаз испытаний, то есть могут считаться нормальными. Возможные ненормальные значения уже удалены из базы.
Средства 32 хранения данных (которые, как правило, являются жестким диском) и средства 31 обработки данных (например, процессор) принадлежат либо к аппаратуре 3, подсоединенной к датчику 20 (как показано на фиг. 1), либо встроены непосредственно в испытательный стенд 2. Аппаратура 3 (или другое оборудование) имеет интерфейсные средства 33 (такие как клавиатура и экран) для взаимодействия с базой данных и, в частности, для отображения результатов (см. ниже).
Пара (хехес; уехес) обозначает «отслеживаемое» измерение, то есть измерение, для которого необходимо определить, является измеренное значение yexec нормальным или нет.
Это отслеживаемое измерение может быть как измерением, полученным в реальном времени (в частности, во время работы в ходе эксплуатации двигателя), так и ранее записанным измерением (пара (хехес; yexec) уже хранится в базе данных и находится в стадии ожидания использования).
Можно применять систему запроса и анализа базы данных в реальном времени, используемую средствами 31 обработки.
Фаза обучения
Настоящий способ включает в себя две фазы. Первая является фазой обучения, а вторая - фазой исполнения. Предпочтительно фазу обучения осуществляют предварительно, чтобы создать модели, которые будут описаны ниже (и, в случае необходимости, сохранить их на средствах 32 хранения данных), после чего осуществляют фазу исполнения при каждом новом получении измерения. Именно фаза исполнения позволяет оценить нормальность или ненормальность измеренного значения yexec в соответствии с изобретением. Фазу обучения можно опять запускать время от времени, чтобы обновить модели.
В альтернативном варианте можно обходиться без предварительного обучения и определять модели в реальном времени при каждом осуществлении фазы исполнения.
Далее следует описание обеих фаз.
Фазу обучения можно рассматривать как совокупность этапов обработки только данных из базы (то есть независимо от пары (хехес; yexec)).
Как показано на фиг. 2а (где используется пример параметров режим/давление), фаза обучения начинается с этапа (а0) определения регрессионной модели, связанной с указанным множеством пар
Figure 00000008
, при помощи регрессии, моделирующей y в зависимости от х на совокупности значений пар
Figure 00000008
. Эту регрессионную модель можно применять в фазе исполнения.
Регрессия обозначает совокупность хорошо известных специалисту статистических методов для анализа связи переменной (в данном случае y) с одной или несколькими другими переменными (в данном случае х). Иначе говоря, на этапе (а0) определяют функцию
Figure 00000009
, позволяющую произвести аппроксимацию значений yi в зависимости от значений xi для данного типа связи. Известны линейная, полиномная, экспоненциальная, логарифмическая и т.д. регрессии.
Выбор используемого типа связи предпочтительно производят в зависимости от характера кривой, и он может происходить автоматически с оптимизацией посредством максимизации коэффициента определения, например, как описано в патентной заявке FR 2939928.
На фиг. 3а показаны облако точек, образованное из n пар
Figure 00000001
, и модель, полученная при помощи регрессии.
На втором этапе (a1) фаза обучения включает в себя вычисление, для каждой из пар, оценочного значения
Figure 00000010
физического параметра и погрешности resi, связанных друг с другом, погрешность является разностью между оценочным значением и измеренным значением. На основании регрессионной модели просто получают эти значения по формулам
Figure 00000011
и
Figure 00000012
, при
Figure 00000013
. На фиг. 3b показаны полученные остатки погрешности.
На этапе (а2) вычисляют среднее значение указанных погрешностей:
Figure 00000014
.
После создания регрессионной модели средства 31 обработки данных определяют другую модель, применяемую в фазе исполнения: речь идет о дисперсионной модели.
Эту модель, тоже связанную с указанным множеством пар
Figure 00000008
, обычно вычисляют в ходе двух последовательных этапов. На этапе (а3) вычисляют множество значений
Figure 00000015
дисперсии погрешности, и это множество значений позволит в дальнейшем применить регрессию на этапе (а4) для получения дисперсионной модели.
Как известно, дисперсию вычисляют в виде среднего значения квадратов погрешностей. Множество значений дисперсии получают при помощи «скользящего окна» размером w (w является заранее определенным параметром алгоритма, и его предпочтительно выбирают достаточного размера, чтобы избежать проблемы расширения трубы достоверности, см. ниже. Например, можно взять 10% числа выборок). В частности, каждое значение varj дисперсии вычисляют на подмножестве (индексы от j до j+w-1) множества пар значений
Figure 00000008
. В частности,
Figure 00000016
.
Аналогично этапу (а0), дисперсионную модель, связанную с указанным множеством
Figure 00000008
определяют на этапе (а4) при помощи регрессии, моделирующей var в зависимости от х. Иначе говоря, на этом этапе средства 31 обработки данных определяют функцию g, при которой
Figure 00000017
, где
Figure 00000018
.
На фиг. 3с показаны облако точек, образованное из n-w+1 пар
Figure 00000019
, и модель, полученная при помощи регрессии.
На факультативном этапе (а5) фаза обучения может включать в себя получение «трубы достоверности» (то есть зоны достоверности) вокруг регрессионной модели. Эта труба имеет верхнюю огибающую и нижнюю огибающую. Между этими двумя огибающими точка, связанная с парой значений (х; у), считается нормальной и не находится снаружи, как будет показано ниже.
Трубу достоверности определяют по разности амплитуды
Figure 00000020
относительно регрессионной модели, где порог σ является числом стандартных отклонений (см. ниже). Как было указано выше, эта труба определяет интервал достоверности, зависящий от дисперсии, что увеличивает реальность результатов: число отрицательных ложных заключений и положительных ложных заключений значительно уменьшилось.
Уравнение верхней огибающей задается формулой
Figure 00000021
, а уравнение нижней огибающей - формулой
Figure 00000022
.
Предпочтительно трубу достоверности добавляют к изображению облака точек, образованного n парами
Figure 00000008
, и модели, полученной при помощи регрессии (типа показанной на фиг. 3а), чтобы получить изображение, показанное на фиг. 3d. Как будет показано ниже, эта труба позволяет упредить результат исполнения и наглядно (а также понятно, в том числе через не инициированные точки) показать, является измерение нормальным или нет.
Следует отметить, что распределение точек
Figure 00000008
не является одинаковым по параметру х. Действительно, в примере, где рабочим параметром является режим, производят гораздо больше измерений в режиме полного газа, чем в режиме малого газа. Это неодинаковое распределение может привести к расширению трубы достоверности в ее начале, как показано на фиг. 3е, если параметр w выбран неверно.
Предпочтительно параметр w выбирают достаточно большим, чтобы функция g была возрастающей. Для этого этапы (а3), затем (а4) можно итеративно повторять с возрастающими значениями w, пока это условие не будет соблюдено.
Фаза исполнения
Как было указано выше, фаза обучения представляет собой подготовительную работу для ускорения фазы исполнения (которая соответствует сути настоящего заявленного способа). В альтернативном варианте фазу обучения можно осуществлять «одновременно» с фазой исполнения. В данной части описание будет ссылаться на все описанные ранее соответствующие формулы.
Эта фаза позволяет оценить нормальность или ненормальность измеренного значения уехес физического параметра для значения хехес рабочего параметра.
Эта фаза показана на фиг. 2b. Если до этого была осуществлена фаза обучения, модели можно загрузить из средств 32 записи данных, как показано на этой фигуре.
На этапе (а) вычисляют оценочное значение
Figure 00000023
физического параметра для значения хехес рабочего параметра в зависимости от регрессионной модели, связанной с указанным множеством пар
Figure 00000008
(в случае необходимости, эту модель определяют в фазе обучения). Как было указано выше, это вычисление производят при помощи формулы
Figure 00000024
.
На следующем этапе (b) вычисляют соответствующую погрешность Resexec:
Figure 00000025
.
На этапе (с) (который можно осуществлять перед одним и/или другим из этапов (а) и (b)) вычисляют оценочное значение
Figure 00000026
дисперсии физического параметра для значения хехес рабочего параметра в зависимости от дисперсионной модели, связанной с указанным множеством пар
Figure 00000008
(в случае необходимости, эту модель определяют в фазе обучения). Как было указано выше, это вычисление производят при помощи формулы
Figure 00000027
.
Погрешность, оценочное значение
Figure 00000028
дисперсии и среднее значение mean погрешности (в случае необходимости, вычисленное во время фазы обучения) для указанного множества пар
Figure 00000008
позволяют средствам обработки данных вычислить на этапе (d) вклад аномалии (называемый также вкладом достоверности) Zscore измеренного значения yexec. Предпочтительно конечный итог аномалии получают по формуле
Figure 00000029
. Чем больше этот вклад, тем больше вероятность ненормальности измерения.
На этапе (е) вклад аномалии Zscore измеренного значения yexec сравнивают с вышеупомянутым порогом σ (выраженным в виде числа стандартных отклонений, например, от трех до шести стандартных отклонений).
Если вклад аномалии Zscore превышает указанный порог σ, измерение отображают как ненормальное на интерфейсе 22 на этапе (f). При этом может сработать тревожный сигнал, если речь идет о тесте в реальном времени на испытательном стенде 2, который выключают (текущее испытание не подтверждается, и аномалию необходимо проанализировать, прежде чем опять использовать испытательный стенд). При этом в базу данных пару (хехес; yexec) не добавляют (или ее удаляют, если она находилась там в ожидании проверки).
В противном случае измерение считается нормальным, и пару (хехес, yexec) добавляют к контрольным значениям базы данных. В случае необходимости, можно опять запустить фазу обучения для обновления моделей.
Предпочтительно автоматически передается сводный отчет (например, предназначенный для конструкторского бюро).
Следует отметить, что ненормальное измерение отображается за пределами вышеупомянутой трубы достоверности, например, как показано на фиг. 3f.
В частности, если Zscore>σ, то
Figure 00000030
(= половине диаметра трубы достоверности), и это значит, что соответствующая точка находится за пределами трубы достоверности.
Действительно, погрешности соответствуют нормальному закону со средней величиной mean. Тест (сравнение с Zscore) состоит в том, чтобы определить, может ли текущее наблюдение вытекать из этого закона.
Если графически построить распределение для нормального закона, то можно заметить, что превышение шести стандартных отклонений находится в «хвосте» распределения. Вероятность наблюдения чего-либо нормального сверх этого порога стандартных отклонений составляет порядка 10-9.
Аппаратура и система
Аппаратура 3 (показанная на фиг. 1) для осуществления описанного выше способа (оценки нормальности или ненормальности значения уехес, измеренного датчиком 20, физического параметра устройства 1, такого как двигатель летательного аппарата, для значения xexec рабочего параметра указанного устройства 1) содержит средства 31 обработки данных, средства 32 записи данных и интерфейсные средства 33.
Средства 32 записи данных хранят в базе данных множество пар
Figure 00000008
, каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра.
Средства 31 обработки данных выполнены с возможностью реализации:
- модуля вычисления на основе регрессионной модели, связанной с указанным множеством пар
Figure 00000008
, оценочного значения
Figure 00000031
физического параметра для значения хехес рабочего параметра;
- модуля вычисления соответствующей погрешности resexec;
- модуля вычисления на основе дисперсионной модели, связанной с указанным множеством пар
Figure 00000008
оценочного значения
Figure 00000032
дисперсии физического параметра для значения хехес рабочего параметра;
- модуля вычисления вклада аномалии Zscore измеренного значения уехес на основе погрешности resexec, оценочного значения
Figure 00000033
дисперсии и среднего значения погрешности для указанного множества пар
Figure 00000008
;
- модуля сравнения вклада аномалии Zscore измеренного значения yexec с порогом σ в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства 33, извещающего об идентификации измерения как ненормального, если вклад аномалии Zscore превышает указанный порог σ.
Если аппаратура 3 осуществляет также фазу обучения, то модуль 31 обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар
Figure 00000008
, при помощи регрессии, моделирующей значение у физического параметра в зависимости от значения х на основании множества
Figure 00000034
(в случае необходимости, этот модуль конфигурируют таким образом, чтобы сохранять регрессионную модель в средствах 32 хранения данных для будущего использования);
- модуля вычисления для каждой из пар
Figure 00000035
оценочного значения
Figure 00000036
физического параметра и соответствующей погрешности resi,
- модуля вычисления среднего значения указанных погрешностей resi,
- модуля вычисления в скользящем окне размером w множества значений
Figure 00000037
дисперсии погрешности;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар
Figure 00000008
, при помощи регрессии, моделирующей значение var в зависимости от значения х на основании множества
Figure 00000038
(в случае необходимости, этот модуль конфигурируют таким образом, чтобы сохранять регрессионную модель в средствах 32 хранения данных для будущего использования).
Как было указано выше, предпочтительно аппаратура 3 принадлежит к системе, дополнительно содержащей испытательный стенд 2, содержащий датчик 20, измеряющий значение yexec физического параметра, и выполненный с возможностью установки на нем устройства 1.
Компьютерный программный продукт
Четвертым и пятым объектами изобретения являются компьютерный программный продукт, содержащий командные коды для исполнения (на средствах 31 обработки данных, в частности, аппаратуры 3) способа согласно первому объекту изобретения для оценки нормальности или ненормальности измеренного датчиком 20 значения yexec физического параметра устройства 1 для значения хехес рабочего параметра указанного устройства 1, а также средства хранения данных, считываемые компьютерной аппаратурой (например, средства 32 хранения данных этой аппаратуры 3), на которых записан этот компьютерный программный продукт.

Claims (37)

1. Способ оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), характеризующийся тем, что множество пар значений
Figure 00000039
, каждая из которых определяет контрольное значение (yi) физического параметра для значения (xi) рабочего параметра, сохраняют в базе данных, хранящейся в средствах (32) хранения данных, при этом способ включает осуществление при помощи средств (31) обработки данных этапов, на которых:
(a) вычисляют оценочное значение
Figure 00000040
физического параметра для значения (хехес) рабочего параметра на основе регрессионной модели, связанной с указанным множеством пар
Figure 00000039
;
(b) вычисляют соответствующую погрешность (resexec);
(c) вычисляют оценочное значение
Figure 00000041
дисперсии физического параметра для значения (хехес) рабочего параметра на основе дисперсионной модели, связанной с указанным множеством пар
Figure 00000039
;
(d) вычисляют вклад аномалии (Zscore) измеренного значения (yexec) на основе погрешности (resexec), оценочного значения
Figure 00000041
дисперсии и среднего значения (mean) погрешности для указанного множества пар значений
Figure 00000039
;
(e) сравнивают вклад аномалии (Zscore) измеренного значения (yexec) с порогом (σ) в виде числа стандартных отклонений;
(f) если вклад аномалии (Zscore) превышает указанный порог (σ), на интерфейсных средствах (33) отображают измерение как ненормальное.
2. Способ по п. 1, содержащий предварительную фазу обработки указанного множества пар значений
Figure 00000039
из базы данных, включающую осуществление при помощи средств (31) обработки данных этапов, на которых:
(а0) определяют указанную регрессионную модель, связанную с указанным множеством пар значений
Figure 00000039
, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра, на основании множества
Figure 00000042
, где xi; yi - значения пары, хранящейся в базе данных;
(a1) для каждой из пар значений
Figure 00000039
вычисляют оценочное значение
Figure 00000043
физического параметра и соответствующую погрешность (resi);
(а2) вычисляют среднее значение (mean) указанных погрешностей (resi);
(а3) в скользящем окне размером w вычисляют множество значений
Figure 00000044
дисперсии погрешности, каждое из которых связано со значением (xj) рабочего параметра пары значений
Figure 00000045
;
(а4) определяют указанную дисперсионную модель, связанную с указанным множеством пар значений
Figure 00000046
, при помощи регрессии, моделирующей значение var дисперсии погрешности в зависимости от значения х рабочего параметра на основании множества
Figure 00000047
, где varj обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
3. Способ по п. 2, в котором предварительная фаза включает этап (а5), на котором определяют, в зависимости от указанной определенной модели дисперсии, зоны достоверности вокруг указанной определенной регрессионной модели и отображают указанную зону достоверности на интерфейсных средствах (33).
4. Способ по п. 3, в котором зону достоверности определяют по верхней огибающей, соответствующей формуле
Figure 00000048
, и нижней огибающей, соответствующей формуле
Figure 00000049
, где
Figure 00000050
является регрессионной моделью, и g является дисперсионной моделью.
5. Способ по одному из пп. 1-4, в котором вклад аномалии (Zscore) получают по формуле
Figure 00000051
, где resexec обозначает погрешность, связанную с измеренным значением физического параметра,
Figure 00000052
обозначает оценочное значение дисперсии, и mean - среднее значение погрешности для указанного множества пар значений
Figure 00000053
.
6. Способ по одному из пп. 1-5, в котором указанное устройство (1) является двигателем летательного аппарата.
7. Способ по п. 6, в котором указанный физический параметр выбирают из группы, в которую входят связанные с двигателем (1) давление, температура, скорость потока текучей среды, уровень шума и плотность топлива.
8. Способ по п. 6 или 7, в котором указанный рабочий параметр выбирают из группы, в которую входят связанные с двигателем (1) режим, расход топлива, температура топлива, окружающее давление и окружающая температура.
9. Способ по одному из пп. 6-8, в котором двигатель (1) устанавливают на испытательный стенд (2), содержащий датчик (20), при этом на этапе (е) останавливают испытательный стенд (2), если измерение признается ненормальным.
10. Способ по одному из пп. 1-8, в котором на этапе (е) добавляют пару значений (хехес; yexec), образованную измеренным значением физического параметра и соответствующим значением рабочего параметра, в указанную базу данных пар значений
Figure 00000054
, если измерение не признается ненормальным.
11. Аппаратура (3) для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), содержащая средства (31) обработки данных, средства (32) хранения данных, хранящие в базе данных множество пар значений
Figure 00000055
, каждая из которых определяет контрольное значение yi физического параметра для значения xi рабочего параметра, и интерфейсные средства (33), при этом средства (31) обработки данных выполнены с возможностью реализации:
- модуля вычисления оценочного значения
Figure 00000056
физического параметра для значения хехес рабочего параметра на основе регрессионной модели, связанной с указанным множеством пар значений
Figure 00000057
;
- модуля вычисления соответствующей погрешности (resexec);
- модуля вычисления оценочного значения
Figure 00000058
дисперсии физического параметра для значения (хехес) рабочего параметра на основе дисперсионной модели, связанной с указанным множеством пар значений
Figure 00000059
;
- модуля вычисления вклада аномалии (Zscore) измеренного значения (yexec) на основе погрешности (resexec), оценочного значения
Figure 00000058
дисперсии и среднего значения (mean) погрешности для указанного множества пар значений
Figure 00000059
;
- модуля сравнения вклада аномалии (Zscore) измеренного значения (yexec) с порогом (σ) в виде числа стандартных отклонений;
- модуля передачи тревожного сигнала на интерфейсные средства (33), извещающего об идентификации измерения как ненормального, если вклад аномалии (Zscore) превышает указанный порог (σ).
12. Аппаратура по п. 10, в которой модуль (31) обработки данных выполнен также с возможностью реализации:
- модуля определения указанной регрессионной модели, связанной с указанным множеством пар значений
Figure 00000059
, при помощи регрессии, моделирующей значение y физического параметра в зависимости от значения х рабочего параметра на основании множества
Figure 00000060
, где xi; yi - значения пары, хранящиеся в базе данных;
- модуля вычисления для каждой из пар значений
Figure 00000059
оценочного значения
Figure 00000043
физического параметра и соответствующей погрешности (resi);
- модуля вычисления среднего значения (mean) указанных погрешностей (resi);
- модуля вычисления в скользящем окне размером w множества значений
Figure 00000061
дисперсии погрешности, каждое из которых связано со значением (xj) рабочего параметра пары
Figure 00000062
;
- модуля определения указанной дисперсионной модели, связанной с указанным множеством пар значений
Figure 00000063
, при помощи регрессии, моделирующей значение var в зависимости от значения х на основании множества
Figure 00000064
, где
Figure 00000065
обозначает вычисленное значение дисперсии погрешности, и xj обозначает соответствующее значение рабочего параметра.
13. Система для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра устройства (1) для значения (хехес) рабочего параметра указанного устройства (1), содержащая:
- испытательный стенд (2), содержащий датчик (20) и выполненный с возможностью установки на нем устройства (1);
- аппаратуру (3) по п. 10 или 11 для оценки нормальности или ненормальности измеренного датчиком (20) значения (yexec) физического параметра указанного устройства (1) для значения (хехес) рабочего параметра указанного устройства (1).
RU2016142123A 2014-03-27 2015-03-26 Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата RU2686252C2 (ru)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
FR1452650 2014-03-27
FR1452650A FR3019295B1 (fr) 2014-03-27 2014-03-27 Procede d'estimation du caractere normal ou non d'une valeur mesuree d'un parametre physique d'un moteur d'aeronef
PCT/FR2015/050785 WO2015145085A1 (fr) 2014-03-27 2015-03-26 Procédé d'estimation du caractère normal ou non d'une valeur mesurée d'un paramètre physique d'un moteur d'aéronef

Publications (3)

Publication Number Publication Date
RU2016142123A RU2016142123A (ru) 2018-04-28
RU2016142123A3 RU2016142123A3 (ru) 2018-09-24
RU2686252C2 true RU2686252C2 (ru) 2019-04-24

Family

ID=50780782

Family Applications (1)

Application Number Title Priority Date Filing Date
RU2016142123A RU2686252C2 (ru) 2014-03-27 2015-03-26 Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата

Country Status (8)

Country Link
US (1) US10060831B2 (ru)
EP (1) EP3123139B1 (ru)
CN (1) CN106233115B (ru)
BR (1) BR112016022187B1 (ru)
CA (1) CA2943397C (ru)
FR (1) FR3019295B1 (ru)
RU (1) RU2686252C2 (ru)
WO (1) WO2015145085A1 (ru)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016202370A1 (de) * 2016-02-17 2017-08-17 MTU Aero Engines AG Verfahren zum Ermitteln eines Einflusses eines Innen-Prüfstands auf eine im Innen-Prüfstand betriebene Gasturbine
CN106053087A (zh) * 2016-05-12 2016-10-26 大工（青岛）新能源材料技术研究院有限公司 一种燃气内燃机测评方法
CN106200621A (zh) * 2016-08-17 2016-12-07 中国航空工业集团公司西安飞行自动控制研究所 一种飞控系统正常工作判据的获取方法
SE541872C2 (en) * 2016-09-22 2020-01-02 Scania Cv Ab Method and system for predicting the fuel consumption for a vehicle
US11188550B2 (en) 2016-09-26 2021-11-30 Splunk Inc. Metrics store system
US10587635B2 (en) * 2017-03-31 2020-03-10 The Boeing Company On-board networked anomaly detection (ONAD) modules
FR3074590B1 (fr) * 2017-12-04 2023-03-17 Soc Air France Methode de prediction d'une anomalie de fonctionnement d'un ou plusieurs equipements d'un ensemble
FR3075359B1 (fr) * 2017-12-18 2019-11-22 Safran Aircraft Engines Detection et accomodation de circuits ouverts intermittents sur un capteur moteur d'une turbomachine d'aeronef
CN108734371A (zh) * 2018-02-12 2018-11-02 阿里巴巴集团控股有限公司 一种针对风控指令的处理方法、装置及设备
CN108563739B (zh) * 2018-04-11 2021-05-04 平安科技（深圳）有限公司 天气数据获取方法及装置、计算机装置及可读存储介质
FR3095424A1 (fr) * 2019-04-23 2020-10-30 Safran Système et procédé de surveillance d’un moteur d’aéronef
CN112580903A (zh) * 2019-09-27 2021-03-30 华晨宝马汽车有限公司 用于评估发动机质量稳定性的方法和装置及存储介质
US11615656B2 (en) * 2019-12-20 2023-03-28 Pratt & Whitney Canada Corp. Method and system for diagnosing an engine or an aircraft
CN111967508A (zh) * 2020-07-31 2020-11-20 复旦大学 基于显著图的时间序列异常点检测方法
CN112179522A (zh) * 2020-09-14 2021-01-05 中国空气动力研究与发展中心超高速空气动力研究所 一种飞行器表面温度传感器测试系统及测试方法
CN112378670B (zh) * 2020-11-10 2021-10-15 北京航空航天大学 一种基于改进粒子滤波的火箭发动机故障检测方法
CN116391131A (zh) * 2020-12-17 2023-07-04 浙江吉利控股集团有限公司 一种电池温度预测方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7072797B2 (en) * 2003-08-29 2006-07-04 Honeywell International, Inc. Trending system and method using monotonic regression
RU2282940C2 (ru) * 2001-12-03 2006-08-27 Юнайтид Текнолоджиз Копэрейшн Комплексная система для контроля за состоянием изделия из удаленного пункта
US20090112519A1 (en) * 2007-10-31 2009-04-30 United Technologies Corporation Foreign object/domestic object damage assessment
RU2011129339A (ru) * 2008-12-15 2013-01-20 Снекма Нормализация данных, используемых для контроля авиационного двигателя
US20130179097A1 (en) * 2011-12-05 2013-07-11 Snecma Method for monitoring a measuring chain of a turbojet engine

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3593886B2 (ja) * 1998-06-17 2004-11-24 日産自動車株式会社 車両用能動型振動制御装置
US7464533B2 (en) * 2003-01-28 2008-12-16 General Electric Company Apparatus for operating gas turbine engines
US7062370B2 (en) * 2004-03-30 2006-06-13 Honeywell International Inc. Model-based detection, diagnosis of turbine engine faults
DE102005054735B4 (de) * 2005-11-17 2019-07-04 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben einer Brennkraftmaschine
US20090030752A1 (en) * 2007-07-27 2009-01-29 General Electric Company Fleet anomaly detection method
US20090043447A1 (en) * 2007-08-07 2009-02-12 General Electric Company Systems and Methods for Model-Based Sensor Fault Detection and Isolation
JP2010025024A (ja) * 2008-07-22 2010-02-04 Toyota Motor Corp 温度センサの異常検出装置
DE102009002682B4 (de) * 2009-04-28 2012-09-20 Airbus Operations Gmbh Einrichtung und Verfahren zur Residuenauswertung eines Residuums zur Erkennung von Systemfehlern im Systemverhalten eines Systems eines Flugzeugs
FR2965915B1 (fr) * 2010-10-11 2013-08-02 Snecma Systeme de surveillance d'un banc d'essai de moteur d'aeronef
US8219356B2 (en) * 2010-12-23 2012-07-10 General Electric Company System and method for detecting anomalies in wind turbines

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2282940C2 (ru) * 2001-12-03 2006-08-27 Юнайтид Текнолоджиз Копэрейшн Комплексная система для контроля за состоянием изделия из удаленного пункта
US7072797B2 (en) * 2003-08-29 2006-07-04 Honeywell International, Inc. Trending system and method using monotonic regression
US20090112519A1 (en) * 2007-10-31 2009-04-30 United Technologies Corporation Foreign object/domestic object damage assessment
RU2011129339A (ru) * 2008-12-15 2013-01-20 Снекма Нормализация данных, используемых для контроля авиационного двигателя
US20130179097A1 (en) * 2011-12-05 2013-07-11 Snecma Method for monitoring a measuring chain of a turbojet engine

Also Published As

Publication number Publication date
US20170176292A1 (en) 2017-06-22
FR3019295A1 (fr) 2015-10-02
CN106233115B (zh) 2018-02-23
RU2016142123A3 (ru) 2018-09-24
EP3123139B1 (fr) 2018-05-23
BR112016022187B1 (pt) 2022-09-13
WO2015145085A1 (fr) 2015-10-01
RU2016142123A (ru) 2018-04-28
CA2943397C (fr) 2019-10-15
US10060831B2 (en) 2018-08-28
EP3123139A1 (fr) 2017-02-01
CA2943397A1 (fr) 2015-10-01
BR112016022187A2 (ru) 2017-08-15
CN106233115A (zh) 2016-12-14
FR3019295B1 (fr) 2016-03-18

Similar Documents

Publication Publication Date Title
RU2686252C2 (ru) Способ оценки нормальности или ненормальности измеренного значения физического параметра двигателя летательного аппарата
CN106428617B (zh) 用于运载工具管理和监测的集成系统和方法
EP2384971B1 (en) Method of determining a maneuver performed by an aircraft
CN109447263B (zh) 一种基于生成对抗网络的航天异常事件检测方法
CN107545095A (zh) 用于飞行器大修期间的结构修理的预测方法和系统
JP6906985B2 (ja) 振動診断システム、振動診断方法及びパラメータ設定方法
US8694283B2 (en) System and method for modeling conditional dependence for anomaly detection in machine condition monitoring
US20150025872A1 (en) System, method, and apparatus for modeling project reliability
US20200143292A1 (en) Signature enhancement for deviation measurement-based classification of a detected anomaly in an industrial asset
KR20170031985A (ko) 공기조화시스템의 고장 검출 및 진단 방법
CN108896299A (zh) 一种齿轮箱故障检测方法
US20190383700A1 (en) Model-based diagnosis in frequency domain
US11009431B2 (en) Failure mode specifying system, failure mode specifying method, and program
CN110008096A (zh) 数据监测方法、装置、电子设备及计算机可读存储介质
JP2023053249A (ja) 配管診断装置、配管診断方法、及びプログラム
KR20170067292A (ko) 기계 시스템의 잔여 수명 예측 장치 및 방법
US11460818B2 (en) Evaluation apparatus, evaluation system, and evaluation method
JP2023179851A (ja) 装置状態評価システムおよび装置状態評価方法
RU2667794C2 (ru) Способ оценки релевантной точки на кривой для обнаружения аномалии двигателя и система обработки данных для его осуществления
US7366639B2 (en) Methods for establishing alerts and/or alert limits for monitoring mechanical devices
KR102461180B1 (ko) 소프트웨어 안전성 분석 방법 및 장치
CN113704871B (zh) 车轮弯曲疲劳的确定方法、装置、终端设备及介质
US20230315559A1 (en) Fault diagnosis apparatus, non-transitory computer-readable recording medium, and fault diagnosis method
CN113030558B (zh) 一种识别数据异常的方法、装置、设备及可读存储介质
RU2777950C1 (ru) Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных