RU2800105C2 - Система вычислительного окружения для мониторинга двигателей летательных аппаратов - Google Patents

Abstract

Изобретение относится к области вычислительной техники, а именно к системе вычислительного окружения для мониторинга двигателей летательных аппаратов. Технический результат заключается в мониторинге состояния двигателей летательных аппаратов. Система вычислительного окружения для мониторинга двигателей летательных аппаратов, причем упомянутая система соединяется с кластером серверов, характеризующаяся тем, что упомянутая система включает в себя: прикладной интерфейс, выполненный с возможностью принимать пользовательские коды, развертываемые в серверном кластере и включающие в себя спецификации входных и выходных данных, модуль извлечения, модуль обучения, выполненный с возможностью использовать упомянутые индикаторы для построения, без надзора, из упомянутых индикаторов модели мониторинга, репрезентативной для индикаторов, посредством реализации предварительно определенных функций обучения. 3 н. и 9 з.п. ф-лы, 3 ил.

Description

Область техники, к которой относится изобретение

Настоящее изобретение относится к области мониторинга двигателей летательных аппаратов. В частности, изобретение относится к системе вычислительного окружения (вычислительной среды) для мониторинга двигателей летательных аппаратов.

Инженеры по аэронавтике, специализирующиеся в каждой из областей работы двигателей, разрабатывают алгоритмы для мониторинга последних, когда они находятся в работе. Эти алгоритмы используют точное знание работы двигателей и делают возможным прогнозирование событий, прежде чем происходит поломка. Этот процесс называется "прогностическим и осуществляющим мониторинг технического состояния".

Действительно, во время каждого полета, летательный аппарат выполняет запись полетных, контекстных и рабочих данных, от датчиков и компьютеров, ассоциированных с двигателями и с другими системами летательного аппарата. Эти данные предоставляют важную информацию относительно правильного развития полета, и они могут быть использованы для обнаружения возможной аномалии.

Однако парк двигателей, которые должны подвергаться мониторингу, в настоящее время слишком велик для конкретного анализа каждым оператором. Полетные данные от различных летательных аппаратов, таким образом, систематически загружаются и сохраняются в распределенной службе вычислительной поддержки (например, типа Hadoop), где коды мониторинга могут выполняться параллельно систематически.

Однако выполнение параллельно компьютерных кодов требует отдельных навыков в распределенном программировании и хорошего знания работы вычислительных кластеров. Однако инженеры двигателей летательных аппаратов являются, как правило, специалистами по термодинамике и механике, и не имеют этого типа навыков, которые остаются специалистам в программировании распределенных вычислений.

Существуют типичные платформы, такие как Datalku, которые могут помогать с разработкой новых кодов. Однако этот тип инструментов не является специализированным в обработке мониторинга двигателей летательного аппарата и не приспособлен для создания операционных решений, и они являются инструментальными средствами разработки, а не прикладными платформами.

Задачей настоящего изобретения, следовательно, является способ и система для мониторинга, которые предоставляют возможности инженерам без какого-либо знания распределенного вычисления продолжать разрабатывать свои коды с помощью языков, которыми они владеют, по небольшим наборам данных, чтобы затем разворачивать их функционально на всех двигателях и полетах.

Задача и сущность изобретения

Настоящее изобретение относится к системе вычислительного окружения для мониторинга двигателей летательных аппаратов, упомянутая система соединяется с кластером серверов, упомянутая система включает в себя:

- прикладной интерфейс, выполненный с возможностью принимать пользовательские коды, разработанные независимо от распределенной системы развертывания, указывающие вычисление набора индикаторов, относящихся к двигателю летательного аппарата, для развертывания по парку двигателей летательных аппаратов,

- модуль извлечения, выполненный с возможностью извлекать упомянутые индикаторы посредством развертывания параллельных вычислений по временным полетным данным от парка двигателей летательных аппаратов и сохраненных в базе данных, распределенной по упомянутому кластеру серверов,

- модуль обучения, выполненный с возможностью использовать упомянутые индикаторы для построения, без надзора, из упомянутых индикаторов, модели мониторинга, репрезентативной для индикаторов, посредством реализации предварительно определенных функций обучения.

Эта система предоставляет возможность инженерам реализовывать и использовать свои собственные алгоритмы извлечения индикаторов без какого-либо знания архитектуры кластера серверов или распределенных вычислений. Система, таким образом, делает возможной обработку параллельно и масштабируемым образом очень большого количества данных о полете и двигателе, в то же время все еще используя характеристические функции и алгоритмы, которые уже существуют, для вычисления индикаторов и построения репрезентативной модели, которая делает возможным идентификацию трендов или ранжирование двигателей для того, чтобы определять какие двигатели должны технически обслуживаться в приоритете. Таким образом, возможно наблюдать за парком двигателей летательных аппаратов таким образом, чтобы прогнозировать и планировать операции технического обслуживания с большой точностью.

Преимущественно, модуль извлечения включает в себя механизм определения последовательности, выполненный с возможностью реализовывать какие-либо рекурсии в извлечении индикаторов, которые являются особыми для каждого полета и для каждого двигателя.

Это делает возможным повторное использование индикаторов, которые уже были извлечены, чтобы вычислять новые индикаторы повторяющимся образом.

Согласно настоящему изобретению, упомянутые индикаторы включают в себя индикаторы технического состояния и соответствующие контекстные индикаторы. Преимущественно, модуль извлечения выполнен с возможностью стандартизировать упомянутые индикаторы технического состояния согласно соответствующим контекстным индикаторам, реализуя методы регрессии.

Индикаторы технического состояния воспроизводятся независимо от контекста, который, таким образом, делает возможным не только мониторинг изменения в каждом двигателе, но также сравнение их.

Преимущественно, система вычислительного окружения включает в себя модуль визуализации, содержащий графические инструментальные средства, выполненные с возможностью представления модели мониторинга согласно статистическим представлениям.

Это делает возможным анализ результатов и сравнение двигателей или парков или наблюдение отдельных трендов или усредненных трендов по парку или категоризацию различных наблюдаемых двигателей.

Преимущественно, пользовательские коды включают в себя спецификации входных данных, которые должны быть обработаны параллельно, и выходных данных, содержащих контекстные индикаторы и индикаторы технического состояния, упомянутые пользовательские коды описываются на любом языке, выбранном из языков параллельного программирования типа Spark, а также бизнес-языков типа Scala, Python или R.

Преимущественно, временные полетные данные являются непрерывными рабочими данными двигателя от датчиков и компьютеров, ассоциированных с двигателями летательного аппарата, а также непрерывными данными от летательного аппарата, упомянутые временные полетные данные сохраняются в системе файлов, распределенной по упомянутому кластеру серверов.

Это делает возможным сохранение и обработку очень большого объема полетных данных.

Преимущественно, система вычислительного окружения включает в себя первый модуль предварительной обработки, выполненный с возможностью формировать временные векторы, собирая упомянутые временные данные от полета к полету.

Это делает возможным уменьшение числа строк и, следовательно, ускорение обработки данных.

Преимущественно, индикаторы, извлеченные модулем извлечения, сохраняются в структуре данных, развертываемой по кластеру серверов.

Это облегчает обработку индикаторов, используемых для построения репрезентативной модели, в то же время все еще предоставляя возможность их визуализации и повторного использования для вычисления новых индикаторов.

Преимущественно, система вычислительного окружения включает в себя второй модуль предварительной обработки, выполненный с возможностью преобразовывать векторный формат индикаторов в матричный формат, приспособленный для применения функций обучения.

Преимущественно, предварительно определенные функции обучения включают в себя алгоритмы обучения из следующих алгоритмов: самоадаптирующиеся алгоритмы построения карты Кохонена, алгоритмы обнаружения аномалии, алгоритмы обнаружения и отслеживания тренда, алгоритмы для анализа работы детали оборудования или конкретной системы двигателя летательного аппарата и алгоритмы ожидания события или прогностические алгоритмы.

Изобретение также относится к способу мониторинга двигателей летательного аппарата, включающему в себя следующие этапы:

- прием пользовательских кодов, указывающих вычисление набора индикаторов, относящихся к двигателю летательного аппарата, для развертывания по парку двигателей летательных аппаратов,

- извлечение упомянутых индикаторов посредством развертывания параллельных вычислений по временным полетным данным от парка двигателей летательных аппаратов и сохраненным в базе данных, распределенной по кластеру серверов,

- использование упомянутых индикаторов для построения, без надзора, из упомянутых индикаторов, модели мониторинга, репрезентативной для индикаторов, посредством реализации предварительно определенных функций обучения.

Изобретение также относится к компьютерной программе, включающей в себя кодовые инструкции для реализации способа для мониторинга, упомянутого выше в данном документе, когда он исполняется в системе вычислительного окружения согласно какой-либо из характеристик, упомянутых выше в данном документе.

Краткое описание чертежей

Другие особенности и преимущества устройства и способа согласно изобретению должны быть лучше поняты при прочтении описания, предоставленного далее в данном документе, в целях информирования, но не ограничивающим образом, со ссылкой на сопровождающие чертежи, на которых:

Фиг. 1 схематично показывает систему вычислительного окружения для мониторинга двигателей летательных аппаратов, согласно варианту осуществления изобретения;

Фиг. 2 схематично показывает систему вычислительного окружения согласно предпочтительному варианту осуществления изобретения; и

Фиг. 3 схематично показывает систему для взаимодействия и извлечения индикаторов согласно варианту осуществления на фиг. 2.

Подробное описание вариантов осуществления

Принцип изобретения состоит в предложении вычислительного окружения, которое будет заключать в себе бизнес-коды, разработанные инженерами для того, чтобы заставлять их работать распределенным образом на множестве серверов.

Фиг. 1 схематично показывает систему вычислительного окружения для мониторинга двигателей летательных аппаратов, согласно варианту осуществления изобретения.

В настоящее время очень большой объем исходных временных данных, получаемых непрерывно различными двигателями и летательным аппаратом, является доступным.

Действительно, во время каждого полета, каждый летательный аппарат 1 выполняет запись информации о своей работе, а также о различных параметрах окружающей среды. Эти данные, записываемые бортовыми компьютерами (например, FADEC, ACMS) в различных службах поддержки и форматах (DAR, QAR, CEOD, и т.д.), приходят из показателей измерений, предоставляемых зондами или датчиками, интегрированными в двигатели 3 летательного аппарата, а также в других системах летательного аппарата 1. Например, FADEC (который управляет двигателем) записывает данные, измеряемые датчиками, интегрированными в двигатель 3, делая возможным как управление двигателем 3, так и использование в качестве основы для процедуры мониторинга и прогностического технического обслуживания.

Более конкретно, при каждом получении, данные содержат первый набор данных по эндогенным переменным, описывающим режим работы двигателя 3, а также других объектов летательного аппарата 1, и второй набор данных по экзогенным переменным, описывающим контекст получения информации.

В качестве примера, эндогенные переменные могут содержать скорость N2 вращения основного вала двигателя 3, расход топлива, температуры и давления текучих сред в различных местоположениях двигателя (например, перед и/или после сжатия), температуру выхлопного газа (EGT) и т.д.

Экзогенные переменные могут содержать следующие переменные: наружную температуру, высоту над уровнем моря, вес летательного аппарата, противообледенительную защиту крыльев, противообледенительную защиту кабины, впуск воздуха, переменные геометрии, VBV (регулируемый дренажный клапан), VSV (клапан статора с поворотными лопатками), LPTACC и HPTACC (активное управление радиальными зазорами турбины низкого/высокого давления), открытие HP-компрессора, впуск воздуха ECS (системы контроля параметров окружающей среды, кондиционирование воздуха), требуемую скорость вращения винта N1 (соответствующую желаемой тяге двигателя), TLA (угол рычага управления двигателем), скорость летательного аппарата (число Маха), и т.д.

Эндогенные (описания режима работы системы) и экзогенные (описания контекста получения информации) переменные могут быть выбраны пользователем согласно системе, наблюдаемой по вычисленному индикатору.

Все эти эндогенные и экзогенные временные данные непрерывно записываются на компьютер двигателя или на центральный компьютер летательного аппарата 1. Затем эти временные данные систематически загружаются и сохраняются посредством хранилища на земле, чтобы составлять базу данных по всему парку двигателей 3 и по всем полетам.

Таким образом, чтобы обрабатывать этот очень большой объем данных, используется распределенная система хранения, например, типа Hadoop, которая делает возможной капитализацию всех временных полетных данных парка двигателей летательных аппаратов посредством выполнения параллельной обработки данных на множестве 5 (называемом "кластером") серверов 7.

Таким образом, большой объем исходных временных данных, получаемых различными двигателями 3 и летательным аппаратом 1, хранится в базе 9 данных, распределенной по различных серверам 7. Например, эти полетные данные сохраняются систематически в распределенной файловой системе кластера 5 серверов 7. Когда эти данные прибывают в ходе времени, процедура сохранения, которая оптимизирует получение информации, преимущественно настраивается. Эта процедура представляет данные сильно избыточным образом, но очень обобщенным образом посредством ассоциирования с ними, например, следующих значений: погода, порядковый номер двигателя и параметр, измеренный или вычисленный бортовым компьютером. Для того, чтобы делать это представление подходящим для аналитической обработки, оно преобразуется в векторную структуру. Эта процедура формирует распределенные таблицы на серверах 7, но где каждый параметр представлен временным вектором (т.е. кривой) для каждого полета.

Для того, чтобы использовать и запускать алгоритмы для мониторинга двигателей 3 летательных аппаратов, которые уже существуют, по этому большому объему данных, настоящее изобретение предлагает использовать платформу распределения алгоритма. Эта платформа, называемая системой 11 вычислительного окружения, соединяется с распределенной системой развертывания, включающей в себя кластер 5 серверов 7, на котором временные полетные данные, касающиеся парка 12 двигателей 3 летательных аппаратов 1, хранится распределенным образом. Кластер 5 серверов 7 может быть сгруппирован в набор вычислительных узлов, каждый узел приспособлен для составления из большого числа серверов 7, для которых размер может быть приспособлен согласно необходимости.

В соответствии с изобретением, система 11 вычислительного окружения включает в себя прикладной интерфейс 13, модуль 15 извлечения и модуль 17 обучения.

Прикладной интерфейс 13 выполнен с возможностью принимать пользовательские коды 19, разработанные независимо от распределенной системы развертывания, указывающие вычисление набора индикаторов, относящихся к двигателю летательного аппарата. Эти пользовательские коды 19 (которые могут быть бизнес-кодами типа Scala или Python или R, реализованными инженерами, которые не имеют знания распределенных вычислений) развертываются для того, чтобы вынуждать их работать распределенным образом по данным всего парка 12 двигателей 3 летательных аппаратов 1.

Действительно, модуль 15 извлечения выполнен с возможностью извлекать индикаторы, развертывая параллельные вычисления в кластере 5 серверов по временным полетным данным (более конкретно, полетным векторам) из всего парка 12 двигателей летательных аппаратов, сохраненным в базе данных 9, распределенной по кластеру 5 серверов 7.

Кроме того, модуль 17 обучения выполнен с возможностью использовать индикаторы, извлеченные посредством модуля 15 извлечения, с тем, чтобы строить, без надзора, модель 21 мониторинга, репрезентативную для этих индикаторов, реализуя предварительно определенные функции обучения, такие как, например, самоадаптирующиеся функции построения карт Кохонена, для построения модели мониторинга. Эта модель мониторинга делает возможным, например, идентификацию трендов или ранжирование двигателей.

Система 11 вычислительного окружения делает возможным усвоение особых кодов 19, разработанных инженерами, без необходимости им заботиться о распределении серверов 7 и данных. Таким образом, инженер по аэронавтике может продолжать предлагать инструментальные средства, которые он будет испытывать на небольших наборах данных перед введением их в систему 11 вычислительного окружения для того, чтобы распространять их на все двигатели 3 и полеты. Кроме того, эта система 11 делает возможным заключение в нее пользовательских кодов для того, чтобы вынуждать их работать распределенным образом без необходимости специалисту по вычислениям модифицировать их.

Фиг. 2 схематично показывает систему вычислительного окружения согласно предпочтительному варианту осуществления изобретения.

Как упомянуто выше в данном документе, система 11 вычислительного окружения соединяется с кластером 5 серверов 7, содержащим базу данных 9, в которой распределенным образом хранятся временные полетные данные парка 12 двигателей 3 летательных аппаратов 1.

Согласно этому варианту осуществления, система 11 вычислительного окружения включает в себя первый модуль 23 предварительной обработки, прикладной интерфейс 13, модуль 15 извлечения, структуры 25a, 25b хранения данных, второй модуль 26 предварительной обработки, модуль 17 обучения и модуль 27 визуализации.

Первым этапом в мониторинге двигателей 3 летательного аппарата является определение набора индикаторов, представляющих техническое состояние двигателя 3 или подсистемы двигателя (например, уровень масла, расход топлива, систему управления и т.д.). Такие индикаторы могут быть простыми как значение параметра в конкретный момент полета, но они могут также быть более сложными функциональными возможностями, спроектированными экспертами.

Вычисление индикаторов может быть выполнено параллельно по различным полетам и, следовательно, обрабатывать один полет за раз. Также является возможным обрабатывать вычисление индикаторов по группе полетов за раз (например, все полеты двигателя или во временном окне для последних N полетов двигателя и т.д.).

Отметим, что вычисления, выполняемые для извлечения индикаторов, будут должны обрабатывать временные последовательности полетного параметра в целом. Действительно, наименьшим объектом, который должен быть обработан параллельно, является параметр в течение всего полета. Следовательно, нет необходимости иметь строку для каждого "шага" времени.

Таким образом, первый модуль 23 предварительной обработки выполнен с возможностью предварительно обрабатывать временную последовательность полетных данных, собирая их по временному измерению для того, чтобы формировать временные векторы. Эта предварительная обработка может быть выполнена с помощью операции агрегации "списка коллекции" языка Spark SQL. Это делает возможным в значительной степени уменьшать число строк данных (например, приблизительно от 500 миллиардов строк до всего лишь 5 миллионов строк). Преимущественно, эта операция может быть выполнена только один раз по новым поступающим данным от полета к полету.

Прикладной интерфейс 13 выполнен с возможностью принимать пользовательские коды 19, включающие в себя спецификации входных данных, которые должны быть обработаны параллельно, и выходных данных, содержащих индикаторы контекста и технического состояния.

Кроме того, модуль 15 извлечения (представленный как включенный в прикладной интерфейс 13) выполнен с возможностью извлекать индикаторы, выполняя параллельные вычисления по временным векторам из данных, хранящихся в базе данных 9, распределенной по кластеру 5 серверов 7.

Индикаторы, представляющие различные полеты по двигателю, извлеченные посредством модуля 15 извлечения, сохраняются в структуре 25a хранения данных, которая может также быть развернута по кластеру 5 серверов 7.

Кроме того, модуль 15 извлечения включает в себя механизм определения последовательности, выполненный с возможностью реализовывать какие-либо рекурсии в извлечении индикаторов, особых для каждого полета и для каждого двигателя. Этот механизм представляется контуром (стрелки F1 и F2) между модулем 15 извлечения и структурой 25a хранения данных.

Действительно, индикатор может быть вычислен за два этапа, поскольку это легче, или поскольку требуется промежуточный результат. Также является возможным то, что индикатор зависит от значения, которое он имел, или которое другие индикаторы имели, во время предыдущих полетов.

Отметим, что индикаторы, извлеченные посредством модуля 15 извлечения, включают в себя индикаторы технического состояния и соответствующие индикаторы контекста получения информации. Преимущественно, модуль 15 извлечения выполнен с возможностью стандартизировать индикаторы технического состояния согласно соответствующим контекстным индикаторам. Эта стандартизация выполняется с помощью методов регрессии, которые применяют инструментальные средства обучения, которые используют наборы данных, которые являются особыми для двигателей 3 и летательного аппарата 1.

Более конкретно, индикаторы технического состояния могут быть стандартизированы согласно модели регрессии в пространстве контекстных переменных, формируемых аналитическими комбинациями контекстных индикаторов. Эта обработка, которая состоит из использования модели регрессии по дополнительным контекстным переменным, построенной, например, из полиномных, экспоненциальных и логарифмических или других преобразований первоначальных контекстных индикаторов, делает возможным эффективное пресечение влияния контекста получения информации (т.е. воздействий окружающей среды и заданных значений) на индикаторы технического состояния, которые описывают состояния двигателей 3.

Преимущественно, за стандартизацией могут следовать фильтрация и очистка шума по стандартизированным индикаторам технического состояния с помощью сглаживающего инструментального средства и инструментального средства для обнаружения скачкообразных изменений.

Таким образом, индикаторы технического состояния воспроизводятся независимо от контекста, делая возможным, следовательно, сравнение их по различным полетам и двигателям и, следовательно, среди прочего, мониторинг изменения в каждом двигателе 3.

Фиг. 3 схематично показывает систему для взаимодействия и извлечения индикаторов согласно варианту осуществления на фиг. 2.

Эта система для взаимодействия и извлечения включает в себя прикладной программный интерфейс 33 API, представляющий прикладной интерфейс 13 и модуль 15 извлечения на фиг. 2.

Прикладной программный интерфейс 33 API может обрабатывать несколько типов пользовательских кодов 19.

Пользовательские коды 19 могут быть описаны на языке 19a параллельного программирования типа Spark. Код Spark является собственным языком, который делает возможной оптимизацию выполнения распределенного вычисления. Кроме того, пользователи, которые хорошо знакомы с программированием на Spark, могут написать персонализированные Spark-функции.

Преимущественно, пользовательские коды 19 могут быть разработаны на языках 19b локальных объектов (т.е. нераспределенных) типа Scala, Python или R, делая возможным выполнение аналитической обработки. Цифровые библиотеки для анализа данных и автоматического обучения могут быть использованы для определения любого типа алгоритма с помощью этих бизнес-языков. Прикладной программный интерфейс API может также обрабатывать коды, отформатированные как модули типа модуля Python.

Однако, эти коды могут вызываться одновременно по нескольким вычислительным узлам кластера 5 серверов 7. Таким образом, прикладной программный интерфейс 33 выполнен с возможностью заключать в себе эти коды, предоставляя возможность им работать идентично в различных областях данных.

Более конкретно, прикладной программный интерфейс 33 API выполнен с возможностью автоматически разворачивать пользовательские коды 19 на всех вычислительных узлах серверов 7, которые управляют всеми полетными данными таким образом, что эти пользовательские коды 19 будут выполняться распределенным образом на различных серверах 7.

Результаты 35 на выходе прикладного интерфейса 33 распределяются согласно различным группам полетов, называемым V₁, …, V_N.

Затем, эти результаты 35 вызываются по перекрестным ссылкам, чтобы формировать векторы индикаторов 37 для каждого полета V_i (V₁: I₁-I_M; …; V_N: I₁-I_M).

Прикладной программный интерфейс 33, таким образом, делает возможным извлечение индикаторов распределенным образом и согласно данным параллельно, что делает возможным обработку большого числа полетов и двигателей 3 параллельно. Кроме того, он предоставляет возможность использования обобщенных функций и алгоритмов, которые уже существуют, для вычисления этих индикаторов. Таким образом, инженеры имеют возможность реализовывать и использовать свои собственные алгоритмы извлечения индикаторов без какого-либо знания архитектуры кластера 5, например, типа Hadoop или распределенного языка типа Spark.

Кроме того, второй модуль 26 предварительной обработки системы 11 вычислительного окружения конфигурируется, чтобы преобразовывать векторный формат 37 индикаторов I₁-I_M в стандарт матричного формата, приспособленный для применения функций обучения. Индикаторы в матричном формате хранятся в структуре 25b хранения данных, которая может также быть установлена на кластере 5.

Модуль 17 обучения затем возвращает себе индикаторы в формате матрицы для построения, без надзора, модели 21 мониторинга, репрезентативной для этих индикаторов, с помощью предварительно определенных функций обучения.

Высоко репрезентативная модель 21 мониторинга является моделью, осуществленной посредством алгоритма построения карты состояний двигателя. Этот алгоритм описывается подробно в патентной заявке EP2676176 заявителя. Согласно этому алгоритму, индикаторы технического состояния и контекста извлекаются во время взлета. После стандартизации индикаторов технического состояния через контекст получения информации индикаторы фильтруются и ранжируются по самоадаптирующейся карте Кохонена (саморганизующейся карте). Это делает возможным мониторинг траектории "производительность-состояние" двигателя (также называемой "цифровым двойником"), изучение трендов и позиции двигателей относительно друг друга для того, чтобы планировать операции технического обслуживания лучше и оценивать деградации и потенциальные поломки двигателей лучше, делая возможным, например, знание того, какие двигатели должны обслуживаться сначала. Таким образом, этот алгоритм делает возможным сопоставление данных относительно состояний двигателей независимо от контекста, чтобы ранжировать двигатели согласно аналогичным режимам работы и статистически анализировать события, которые произошли с двигателями.

В дополнение к самоадаптирующимся алгоритмам построения карт Кохонена предварительно определенные функции обучения могут включать в себя неисчерпывающим образом алгоритмы обнаружения аномалии "количественной оценки", алгоритмы обнаружения и отслеживания тренда, алгоритмы для анализа работы оборудования или конкретных систем двигателей летательных аппаратов (например, анализа количества масла или расхода топлива, анализа зажигания и т.д.), алгоритмы ожидания события или прогностические алгоритмы. Эти алгоритмы описываются в следующих патентах или патентных заявках заявителя: WO2017046530, EP2912526, EP3039497, EP3025205 и EP2817688.

Отметим, что эти алгоритмы обучения, в целом, используют представление в памяти наблюдений. Однако, поскольку число таких наблюдений является очень большим во множестве серверов типа кластера 5, таким образом, для того, чтобы адаптировать эти алгоритмы к системе 11 вычислительного окружения, эти алгоритмы перезаписываются таким образом, что кодирование использует параллельный или итеративный режим, а не глобальную обработку. В частности, регрессивные инструментальные средства с уменьшением в размерности и классификации, традиционно использовавшиеся для представления состояния двигателя 3, преобразуются к масштабу объема распределенных данных.

Наконец, модуль 27 визуализации содержит графические инструментальные средства, выполненные с возможностью представлять модель 21 мониторинга согласно статистическим представлениям. Модуль 27 визуализации предоставляет возможность отображения на выносном экране пользователя.

Кроме того, как указано стрелкой F3, индикаторы технического состояния могут также быть непосредственно представлены модулем 27 визуализации.

Визуализация модели и/или индикаторов технического состояния делает возможным анализ результатов и сравнение двигателей или парков, например, посредством статистических диаграмм. Также возможно использовать кривые для наблюдения отдельных трендов или усредненных трендов по парку 12. Также возможно категоризировать различные наблюдаемые двигатели по списку классов или карте.

Система 11 вычислительного окружения, таким образом, заботится о предложении интерфейса, который делает возможным запись различных кодов, программирование последовательности и выборок данных для обучения и выбор режимов для визуализации результатов. Таким образом, пользователь может сравнивать свои собственные результаты с результатами, которые являются гораздо более точными, поступающими из системы вычислительного окружения согласно изобретению.

Изобретение также относится к компьютерной программе, включающей в себя кодовые инструкции, приспособленные для реализации мониторинга двигателей летательных аппаратов согласно вариантам осуществления изобретения, таким как описаны выше в данном документе.

Claims (18)

1. Система вычислительного окружения для мониторинга двигателей летательных аппаратов, причем упомянутая система соединяется с кластером серверов, характеризующаяся тем, что упомянутая система включает в себя:

- прикладной интерфейс (13), выполненный с возможностью принимать пользовательские коды (19), развертываемые в серверном кластере и включающие в себя спецификации входных и выходных данных, причем пользовательские коды (19) указывают вычисление набора индикаторов, представляющих техническое состояние двигателя (3) летательного аппарата, для развертывания по парку (12) двигателей летательных аппаратов,

- модуль (15) извлечения, выполненный с возможностью извлекать упомянутые индикаторы посредством развертывания параллельных вычислений в серверном кластере по временным полетным данным от парка двигателей летательных аппаратов и сохраненных в базе (9) данных, распределенной по упомянутому кластеру (5) серверов (7),

- модуль (17) обучения, выполненный с возможностью использовать упомянутые индикаторы для построения, без надзора, из упомянутых индикаторов, модели (21) мониторинга, репрезентативной для индикаторов, посредством реализации предварительно определенных функций обучения.

2. Система по п. 1, характеризующаяся тем, что модуль (15) извлечения включает в себя механизм определения последовательности, выполненный с возможностью реализовывать любые рекурсии при извлечении индикаторов.

3. Система по п. 1 или 2, характеризующаяся тем, что упомянутые индикаторы включают в себя индикаторы технического состояния и соответствующие контекстные индикаторы, и тем, что модуль (15) извлечения выполнен с возможностью стандартизировать упомянутые индикаторы технического состояния согласно соответствующим контекстным индикаторам посредством реализации методов регрессии.

4. Система по любому предшествующему пункту, характеризующаяся тем, что она включает в себя модуль (27) визуализации, содержащий графические инструментальные средства, выполненные с возможностью представлять модель мониторинга согласно статистическим представлениям.

5. Система по любому предшествующему пункту, характеризующаяся тем, что пользовательские коды (19) включают в себя спецификации входных данных, которые должны быть обработаны параллельно, и выходных данных, содержащих контекстные индикаторы и индикаторы технического состояния, причем упомянутые пользовательские коды описываются на любом языке, выбранном из языков параллельного программирования типа Spark, а также бизнес-языков типа Scala, Python или R.

6. Система по любому предшествующему пункту, характеризующаяся тем, что временные полетные данные являются непрерывными рабочими данными двигателя от датчиков и компьютеров, ассоциированных с двигателями летательных аппаратов, а также непрерывными данными от летательного аппарата, причем упомянутые временные полетные данные хранятся в системе файлов, распределенной по упомянутому кластеру (5) серверов.

7. Система по любому предшествующему пункту, характеризующаяся тем, что она включает в себя первый модуль (23) предварительной обработки, выполненный с возможностью формировать временные векторы посредством сбора упомянутых временных полетных данных.

8. Система по любому предшествующему пункту, характеризующаяся тем, что индикаторы, извлеченные посредством модуля (15) извлечения, сохраняются в структуре (25a, 25b) данных, развертываемой в кластере (5) серверов.

9. Система по любому предшествующему пункту, характеризующаяся тем, что она включает в себя второй модуль (27) предварительной обработки, выполненный с возможностью преобразовывать векторный формат индикаторов в матричный формат, приспособленный для применения функций обучения.

10. Система по любому предшествующему пункту, характеризующаяся тем, что предварительно определенные функции обучения включают в себя алгоритмы обучения из следующих алгоритмов: самоадаптирующиеся алгоритмы построения карты Кохонена, алгоритмы обнаружения аномалии, алгоритмы обнаружения и отслеживания тренда, алгоритмы для анализа работы детали оборудования или конкретной системы двигателя летательного аппарата, алгоритмы ожидания события или прогностические алгоритмы.

11. Способ мониторинга двигателей летательных аппаратов, характеризующийся тем, что он включает в себя следующие этапы, на которых:

- принимают пользовательские коды (19), развертываемые в серверном кластере и включающие в себя спецификации входных и выходных данных, причем пользовательские коды (19) указывают вычисление набора индикаторов, представляющих техническое состояние двигателя летательного аппарата, для развертывания по парку двигателей летательных аппаратов,

- извлекают упомянутые индикаторы посредством развертывания параллельных вычислений в серверном кластере по временным полетным данным от парка двигателей летательных аппаратов и сохраненным в базе данных, распределенной по кластеру серверов,

- используют упомянутые индикаторы для построения, без надзора, из упомянутых индикаторов модели (21) мониторинга, репрезентативной для индикаторов, посредством реализации предварительно определенных функций обучения.

12. Компьютерно-читаемый носитель данных, содержащий компьютерную программу, включающую в себя кодовые инструкции для реализации способа мониторинга по п. 11, когда он выполняется в системе вычислительного окружения по любому из пп. 1-10.

Images