WO2023072333A1 - Verfahren zum erkennen einer anomalie in betriebsmesswerten einer strömungsmaschine und analysevorrichtung und maschinenüberwachungsvorrichtung - Google Patents

Verfahren zum erkennen einer anomalie in betriebsmesswerten einer strömungsmaschine und analysevorrichtung und maschinenüberwachungsvorrichtung Download PDF

Info

Publication number
WO2023072333A1
WO2023072333A1 PCT/DE2022/100769 DE2022100769W WO2023072333A1 WO 2023072333 A1 WO2023072333 A1 WO 2023072333A1 DE 2022100769 W DE2022100769 W DE 2022100769W WO 2023072333 A1 WO2023072333 A1 WO 2023072333A1
Authority
WO
WIPO (PCT)
Prior art keywords
operating
quasi
data points
stationary
time
Prior art date
Application number
PCT/DE2022/100769
Other languages
English (en)
French (fr)
Inventor
Duilio Becchio
Jürgen MATHES
Stephan Staudacher
Matthias Weiss
Christian Keller
Original Assignee
MTU Aero Engines AG
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 MTU Aero Engines AG filed Critical MTU Aero Engines AG
Publication of WO2023072333A1 publication Critical patent/WO2023072333A1/de

Links

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D19/00—Starting of machines or engines; Regulating, controlling, or safety means in connection therewith
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
    • F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
    • F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
    • F01D21/003—Arrangements for testing or measuring
    • 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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • F05D2270/00—Control
    • F05D2270/80—Devices generating input signals, e.g. transducers, sensors, cameras or strain gauges

Definitions

  • the invention relates to a method for detecting an anomaly in measured operating values of a turbomachine, in particular an aircraft turbine, according to the features of the preamble of claim 1, an analysis device according to the features of the preamble of claim 9, and a machine monitoring device according to the features of the preamble of claim 10.
  • respective data points which include the respective operational measured values of the respective operating parameters at a specific point in time, to be recorded at characteristic points in time during an operating time and transferred to an engine condition monitoring system.
  • These data points, recorded in several flights are added to a time series that the engine condition monitoring system can use to record damage occurring in the turbomachine.
  • the data points are collected during characteristic phases of a flight.
  • a first data point is generally recorded during the take-off or climb phase of a flight, in which the turbomachine is subjected to a high load.
  • a second data point is typically collected when the turbomachine is at a steady-state in-flight condition.
  • DE 69724 555 T2 discloses a diagnostic trend analysis for aircraft engines. The method provides for outlier points associated with calculated separation parameters to be eliminated.
  • US Pat. No. 7,979,192 B2 discloses a method and system for trend monitoring of aircraft engines. The method contemplates recording engine health sensor outputs and analyzing results to investigate trends in performance piston engines and to enable prediction of a need for engine maintenance.
  • the object is achieved according to the invention by a method for detecting an anomaly in measured operating values of a turbomachine, in particular an aircraft turbine, according to the features of claim 1, an analysis device according to the features of claim 9 and a machine monitoring device according to the features of claim 10.
  • Advantageous configurations with expedient developments of the invention are specified in the respective dependent claims, with advantageous configurations of each aspect of the invention being to be regarded as advantageous configurations of the respective other aspects of the invention.
  • a first aspect of the invention relates to a method for detecting an anomaly in measured operating values of a turbomachine, in particular an aircraft turbine.
  • An anomaly can include, for example, a deviation in the behavior of the turbomachine from an expected operating behavior.
  • the method provides for the operating measured values of respective operating parameters of a turbomachine to be recorded multiple times during the operating time of the turbomachine by sensors of the turbomachine.
  • the respective measured operating values of respective operating parameters which can include, for example, a number of revolutions, an operating temperature or other operating parameters, are recorded.
  • the recording is made by the sensors of the turbomachine.
  • the detection can take place periodically or continuously during the operating time of the turbomachine.
  • An operating time can be defined, for example, as a time segment between activation and deactivation of the turbomachine, or a specific predefined time segment in which the turbomachine is in a specific operating state.
  • the operating time of the turbomachine can also describe a period of a flight.
  • the measured operating values recorded for the respective operating parameters are evaluated by an analysis device according to a predetermined analysis method in order to determine quasi-steady-state time to determine sections of the operating time that meet a predetermined quasi-steady-state criterion.
  • the predetermined analysis method may be, for example, the analysis method disclosed in the prior art cited publication by Simon, DL & Litt, JS.
  • the quasi-stationary time sections of the operating time can describe such time sections in which the turbomachine can be in a quasi-stationary operating state. Such a quasi-stationary operating state is identified by the operating measured values determined for the respective operating parameters.
  • the analysis device can generate quasi-steady-state operating data points for the quasi-steady-state periods of time according to a predetermined averaging method.
  • the quasi-steady-state operating data points include averaged operational measured values of the operational measured values of the respective operating parameters recorded during the respective quasi-steady-state periods of time.
  • the method by Simon, DL, & Litt, JS cited in the cited prior art can be used as the predetermined averaging method for generating the quasi-stationary operating data points.
  • the advantage of the procedure described is that a large number of quasi-stationary operating data points can be generated. For the operating data points identified during a flight, a smaller scatter is to be expected due to the approximately constant operating conditions than when comparing the operating data points of several flights.
  • the analysis device determines respective expected data points for the quasi-stationary operating data points according to a predetermined expected value determination method.
  • the expected data points include respective expected operating values of the respective operating parameters.
  • the expected data points can be generated by means of simulations or based on models of the turbomachine, it being possible for the expected operating values to describe expected operating measured values of the respective operating parameters.
  • the analysis device can be used to determine the residual operating values of the respective operating parameters, which reflect the deviations between the expected operating values and the averaged operating describe measured values of the respective operating parameters.
  • the process step can also be taken from the publication by Simon, DL & Litt, JS, for example.
  • the operational measured value residues of the respective quasi-stationary operational data points are checked for compliance with predetermined criteria in relation to specified nominal values of the operational measured value residues.
  • the respective operational measured value residues which describe the deviation between the expected operational values and the averaged operational measured values of the respective operating parameters, are compared with predefined nominal values of the operational measured value residues.
  • the nominal values of the operational measured value residuals can be, for example, operational measured value residuals, which can have been determined on the basis of previously acquired operational measured value residues.
  • the predetermined criteria can include predetermined value templates, which can describe permissible value ranges of the respective operating measured value residuals. Provision is made for an anomaly indicator to be generated by the analysis device and transmitted to a machine monitoring device.
  • the analysis device includes the violated criterion and a point in time when the respective criterion was violated.
  • the advantage of the method is that continuous measured operating values can be processed for use in known machine monitoring methods. This makes it possible to carry out long-term monitoring of turbomachines based on averaged operational measurement values, which have a lower noise behavior. By monitoring compliance with the predetermined criteria in relation to predetermined nominal values of the operational measured value residuals, it is also possible to promptly detect spontaneous or short-term deviations that cannot be detected or can only be detected with a certain latency in machine monitoring methods according to the current state of the art.
  • the invention also includes developments that result in further advantages.
  • a development of the invention provides that the method includes a step of determining the predetermined nominal values of the operational measured value residues according to a predetermined standard determination method from operational measured value residues stored in the analysis device from quasi-steady operating data points of previous operating times of the turbomachine. takes.
  • the predetermined nominal values of the operational measured value residues, which are used to identify an anomaly are based on operational measured value residues stored in the analysis device, which were determined for quasi-steady operating data points of previous operating times.
  • a development of the invention provides that the respective quasi-stationary operating data points are added to a time series.
  • the time series with the respective quasi-steady-state operating data points is generated in the analysis device or the quasi-steady-state operating data points of the operating time are added to a time series that includes quasi-steady-state operating data points of previous operating times of the turbomachine.
  • the development of the invention results in the advantage that a long-term behavior of the turbomachine over several operating times of the turbomachine can be determined from the recorded quasi-stationary data points.
  • a development of the invention provides that quality parameters are determined by the analysis device for the respective quasi-stationary operating data points and only those of the quasi-stationary operating data points of a time series are added whose quality parameters meet a predetermined quality criterion.
  • the respective quasi-stationary operating data points are evaluated by the analysis device.
  • the evaluation is carried out by determining the respective quality parameter for the respective quasi-stationary data points according to a predetermined method.
  • the quality parameter can include, for example, a variance of the averaged operating measurement values.
  • the analysis device adds only those quasi-stationary operating data points to the time series that have a respective quality parameter that satisfies the predetermined quality criterion.
  • the quasi-stationary operating data points whose respective quality parameter does not meet the predetermined quality criterion are not added to the time series.
  • the predetermined quality criterion can specify, for example, that only those quasi-stationary operating data points are added to the time series whose measured operating values do not exceed a predetermined variance.
  • a development of the invention provides that the time series is transmitted to the machine monitoring device by the analysis device. In other words, it is provided that the generated time series is transmitted to the machine monitoring device for evaluation.
  • the development of the invention results in the advantage that the time series can be evaluated by the machine monitoring device to determine long-term trends.
  • a development of the invention provides that the machine monitoring device determines the quasi-stationary operating data point in whose quasi-stationary time segment the time of the anomaly indicator falls, and the anomaly indicator is assigned at least to this quasi-stationary operating data point.
  • the machine monitoring device determines in which quasi-stationary period of time the point in time that is described in the anomaly indicator falls.
  • the anomaly indicator is then assigned at least to the quasi-steady-state operating data point in whose quasi-steady-state time segment the anomaly indicator is located.
  • a further development of the invention provides that the machine monitoring device assigns the anomaly indicator to at least the quasi-stationary operating data points whose time segments lie after the point in time.
  • the anomaly indicator is assigned to the quasi-steady-state operating data points whose periods of time are after the point in time that is specified in the anomaly indicator.
  • a development of the invention provides that the machine monitoring device examines at least the quasi-stationary operating data points of the time series to which the anomaly indicator is assigned according to a predetermined fault diagnosis method.
  • at least the quasi-stationary operating data points that have the anomaly indicator are checked by the machine monitoring device according to a predetermined fault diagnosis method.
  • the fault diagnosis method can be the fault diagnosis method that is customary in known machine monitoring devices according to the prior art.
  • a second aspect of the invention relates to an analysis device, wherein the analysis device is set up to determine quasi-steady-state time segments of an operating time that meet a predetermined quasi-steady-state criterion using a predetermined analysis method.
  • the analysis device is set up to generate quasi-steady-state operating data points for the quasi-steady-state periods of time according to a predetermined averaging method, the quasi-steady-state operating data points comprising averaged operating measured values of the operating measured values of the respective operating parameters recorded during the respective quasi-steady-state time periods.
  • the analysis device is set up to determine respective expected data points for the quasi-stationary operating data points according to a predetermined expected value determination method, with the expected data points comprising respective expected operating values of the respective operating parameters.
  • the analysis device is set up to determine the respective operational measured value residues of the respective operating parameters, which describe deviations between the expected operational values and the averaged operational measured values of the respective operating parameters, and to check operational measured value residues of the respective quasi-steady-state operating data points for compliance with predetermined criteria in relation to specified nominal values of the operational measured value residues . If a violation is detected, the analysis device is set up to transmit at least one of the predetermined criteria, an anomaly indicator, comprising the violated criterion and a point in time of the violation, to a machine monitoring device.
  • a third aspect of the invention relates to a machine monitoring device, the machine monitoring device being set up to receive a time series comprising quasi-steady-state operating data points for each quasi-steady-state time section of an operating time, with the quasi-steady-state operating data points being averaged measured operating values during the respective quasi-steady-state operating data points.
  • Stationary periods of time recorded operating measured values of respective operating parameters include.
  • the machine monitoring device is set up to receive an anomaly indicator comprising a violated criterion and a time of the violation.
  • the machine monitoring device is set up to determine the quasi-stationary operating data point in whose quasi-stationary time segment the time of the anomaly indicator falls and to assign the anomaly indicator at least to this quasi-stationary operating data point.
  • the machine monitoring device is set up to examine at least the quasi-stationary operating data points of the time series, to which the anomaly indicator is assigned, according to a predetermined fault diagnosis method.
  • the analysis device and the machine monitoring device can contain one or more computers, one or more microcontrollers and/or one or more integrated circuits, for example one or more application-specific integrated circuits, ASIC (English: “application-specific integrated circuit"), one or more field-programmable Gate arrays, FPGA, and/or one or more single-chip systems, SoC (English: "system on a chip”).
  • the computing unit can also have one or more processors, for example one or more microprocessors, one or more central processing units, CPU, one or more graphics processor units, GPU and/or contain one or more signal processors, in particular one or more digital signal processors, DSP.
  • the computing unit can also contain a physical or a virtual network of computers or other of the units mentioned.
  • FIG. 1 shows a schematic representation of a sequence of a method for detecting an anomaly in measured operating values of a turbomachine
  • FIG. 2 shows a schematic representation of a possible time series, which includes quasi-stationary data points
  • FIG. 3 shows a schematic representation of a sequence of the method steps of the method for detecting the quasi-steady-state time periods and the generation of the quasi-steady-state data points
  • FIG. 4 shows a schematic representation of a sequence of the method steps of the method for detecting the anomalies.
  • FIG. 1 shows a schematic representation of a sequence of a method for detecting an anomaly in measured operating values of a turbomachine.
  • a turbomachine 1 which can be a turbomachine 1 of an aircraft, for example, can be operated over an operating time, with operational measured values 3 of the turbomachine 1 being able to be recorded several times during the operation of the turbomachine 1 by sensors 2 of the turbomachine 1.
  • the sensors 2 can record the measured operating values 3 at predetermined time intervals or continuously during the operating time.
  • the operating measured values 3 can be assigned to respective operating parameters 4 .
  • the operating parameters 4 can include, for example, a speed of the turbomachine 1 and/or a temperature of the turbomachine 1 .
  • the operational measurement values 3 that are recorded can be added to an operational measurement value time series 5 , which can be assigned to the respective operating time of the turbomachine 1 .
  • the operational measurement Value time series 5 can be limited to a specific flight, for example.
  • the operating measured value time series 5 can describe, for example, how the operating measured values 3 of the operating parameters 4 change over the operating time. By acquiring the measured operating values 3 during the operating time, it may be possible, for example, to detect malfunctions in the turbomachine 1 .
  • the turbomachine 1 In order to be able to detect trends in the turbomachine 1 that indicate damage or wear, it is customary to record the operational measured values 3 during a number of periods of operation of the turbomachine 1 .
  • specific data points which describe operating measured values 3 of the operating parameters 4 at a particular point in time, are determined and added to a time series 6 which can be evaluated by a machine monitoring device 9 .
  • one or two of the data points are usually provided and added to the time series 6 per operating time.
  • An analysis of the time series 6 by the machine monitoring device 9 can be used to identify both long-term trends that extend over several operating times of the turbomachine 1 and changes in the operating behavior that occur within a very short time, possibly even suddenly.
  • the operating measured values 3 recorded over the operating time are evaluated in a predetermined analysis method 8 by an analysis device 7 .
  • the measured operating values 3 are examined to determine whether they meet a quasi-steady-state criterion 24A, which identifies a quasi-steady-state operating state of the turbomachine 1.
  • Coherent periods of time in which the predetermined quasi-stationary criterion 24A for quasi-stationary periods of time is met can be identified as quasi-stationary periods of time 10 by an identification method 11 .
  • the operating measured values 3 of the quasi-stationary time segments 10 recorded in the identification method 11 are read out by the analysis device 7 according to a predetermined readout method 12 .
  • the operating measured values 3 of the respective operating parameters 4 recorded during the respective quasi-steady-state time segment 10 can be averaged according to a predetermined averaging method 13 to form averaged operating measured values 14 and the averaged operating measured values 14 can be combined in a quasi-stationary data point 17 .
  • the quasi-stationary data points 17 have the advantage over the data points used in the prior art that significantly more can be generated, which means that a statistically relevant database is available for the subsequent processing steps.
  • respective quality parameters 16 of the quasi-stationary data points 17 are determined.
  • the quality parameters 16 can, for example, describe the respective variance of the operational measured values 3 which were recorded during the respective quasi-steady-state time segment 10 .
  • Those of the quasi-stationary data points 17 which meet a predetermined quality criterion 24C for quasi-stationary time segments can be identified as representative quasi-stationary data points 17 and added to the time series 6 by the analysis device 7 . It can also be provided that all of the quasi-stationary data points 17 of the time series 6 are added.
  • the provision of the quasi-stationary data points 17 in the time series 6 enables the machine monitoring device 9 to detect long-term trends and/or damage in the turbomachine 1.
  • the analysis device 7 checks the quasi-stationary data points 17 for the occurrence of anomalies in a predetermined detection method 18 .
  • the detection method 18 it can be provided that in a first step according to a predetermined expected value determination method 19 respective expected data points 20 for the respective quasi-stationary data points 17 are determined.
  • the expected data points 20 can include expected operating values 21 which can be assigned to the respective operating parameters 4 .
  • Expected operating values 21 can describe measured operating values 3 which can describe intended operation of turbomachine 1 . These can be determined, for example, using a model or a simulation of the turbomachine 1 . In an operational residual determination process 22 it can be provided that the operational measured value residuals 23 can be determined between the operational measured values 3 of the respective operating parameters 4 and the operational expected values 21 of the respective operating parameters 4 . These can describe how far the measured operational values 3 deviate from the expected operational values 21 .
  • the operating measured value residuals 23 are in a normal range or indicate an anomaly in the behavior of the turbomachine 1, it can be provided that the operating measured value residuals 23 of the respective quasi-stationary data points comply with predetermined anomaly criteria 24B for the anomaly detection are checked in relation to predetermined nominal values 25 of the operational measured value residues 23 .
  • An anomaly can be recognized, for example, by the fact that at least one or more of the predetermined anomaly criteria 24B is violated.
  • the anomaly criteria 24B can, for example, specify permissible value ranges of the operational measured values 3 or permissible relationships between operational measured values 3 of different operational parameters 4 or relate to compliance with a limit value with regard to a number of outliers. If the anomaly is detected, provision can be made for an anomaly indicator 26 to be generated, which includes the violated anomaly criterion 27 of the predetermined anomaly criteria 24B and a point in time 28 of the violation. This anomaly indicator 26 can be transferred to the machine monitoring device 9 by the analysis device 7 .
  • the machine monitoring device 9 can be provided to carry out a predetermined monitoring method 29, which is also referred to as trend monitoring. Errors in the operation of the turbomachine 1 can be detected.
  • the monitoring method 29 can include, for example, what is known as long-term trending 30 , which can be provided to detect long-term deterioration in the turbomachine 1 by monitoring the operational measured values 3 .
  • the machine monitoring device 9 can be set up to feed the quasi-stationary data points 17, to which the anomaly indicator 26 can be assigned, to an error identification method 31 to identify an error that causes the anomaly and to feed the quasi-stationary data points 17 to a quantification method 32, if necessary, in order to determine the extent of the error.
  • FIG. 1 shows a possible integration of the continuously recorded flight data into existing engine trend monitoring applications ETM to carry out de- Engine trend monitoring method in the engine monitoring device 9.
  • the continuous data from the individual flights are processed by an analysis method 8 in the first step.
  • the analysis method 8 consists of a data filter for identifying quasi-stationary data points 17 and a detection method 18 for detecting individual damage.
  • searching for quasi-stationary data points 17 it can generally be assumed that a large number of such quasi-stationary flight segments can be found per flight.
  • a large amount of data points in relation to long-term trending 30 does not provide any immediate information gain. For this reason, it is restricted to a few particularly stable, quasi-stationary data points 17.
  • time series 6 This corresponds to plotting a few data points per flight cycle and is therefore state-of-the-art. Accordingly, this time series 6 can be forwarded directly to existing ETM systems and processed by them.
  • the continuous flight data can also be examined for any anomalies that may be present within the data set of the operational measured values 3. If anomalies are found, a corresponding damage indication can be set in the form of an anomaly indicator 26, also referred to as an anomaly flag, and transmitted to the existing ETM system for later further processing.
  • an anomaly indicator 26 also referred to as an anomaly flag
  • there is an additional error indication through which any further steps that may be necessary, consisting of error identification and error quantification, can be initiated directly without latency.
  • existing algorithms based on individual snapshots can initially be used.
  • FIG. 2 shows a schematic representation of a possible time series 6 which includes quasi-stationary data points 17 .
  • a parameter curve 33 over a period of time 34 is shown, which can extend over several of the operating times 34 .
  • the figure shows individual residual operating measured values 23 of a specific operating parameter 4 over time period 34 .
  • a point in time 28 can be identified by the anomaly indicator 26 .
  • the anomaly indicator 26 can be assigned, for example, to the operational measured value residue 23, which is assigned to the quasi-steady-state data point 17, whose time segment 10 includes the point in time 28 at which the anomaly is detected.
  • the operational measured value residues 23 of the individual flights form a time series 6 over the flight cycles. Due to measurement and model uncertainties, the individual operational measured value residues 23 are subject to scatter around an unknown underlying true parameter curve 33. A single error is expressed in a sudden change within this true parameter curve 33. Depending on the severity of the error, according to the current state of the art , several flights are required for reliable differentiation between an error case and measurement noise.
  • the anomaly flags 26 obtained from the continuous data of the operational measured value time series 5 can also be used and displayed within the trend monitoring.
  • FIG. 3 shows a schematic representation of a sequence of the method steps of the analysis method 8 for detecting the quasi-stationary time segments 10 and the generation of the quasi-stationary data points 17.
  • the basic functioning of an identification method 11 of the analysis method 8 designed as a steady-state detector is based on a publication by Simon , DL & Litt, JS
  • the original method was derived for the identification of quasi-stationary data points 17 in helicopter engines and was adapted for the present application to turbo aircraft engines.
  • the steady-state detector is a method and consists of several modules and is shown in FIG. 3 shown.
  • the measurement uncertainty within the data can negatively affect the number of identified quasi-stationary data points 17 .
  • a low-pass filter 35 the variance within the operational measured value time series 5 can be reduced and the consistency of detected stationary data can be increased.
  • a second-order filter is suggested as the low-pass filter
  • the thermal behavior of the engine is described by an equivalent model.
  • the thermal behavior of the engine components can generally be modeled using a first-order delay element.
  • the material temperature can be approximated by filtering the exhaust gas temperature EGT.
  • ⁇ G' r corresponds to the filtered EGT and r describes the time constant of the filter.
  • the time constant characterizes the thermal behavior of the individual components.
  • the operating range to be considered can be restricted.
  • the stationary data points generated can be limited to operating ranges for which the simulations or the model of the turbomachine for calculating the expected operating values 21 were calibrated.
  • the model uncertainty and thus the scatter within the residuals can be minimized and the number of false alarms can be reduced.
  • the information from the low-pass filter 35, the thermal transient filter 36 and the regime recognition 37 are combined and the stationary data points are calculated.
  • the data is first sampled through a moving window.
  • a consideration of the stability of the operational readings 3 occurs when all data within the moving window are in a thermally balanced state condition and within the valid operating range.
  • the maximum variation of the operational measurement values 3 or, for example, also via the variance of the operational measurement values can then be determined for the operational measurement values 3 recorded via the moving window. Using the example of the fan speed Ni, the maximum variation is:
  • the quality parameter 16 for the individual quasi-steady-state time segment 10 can also be defined. Since the individual operational measured values 3 cannot be compared directly with one another due to the different physical units and orders of magnitude, the quality parameter 16, QA can result from the W-weighted sum of the variances of the individual operational measured values 3c dedimensionalized with the maximum variations D max .
  • the individual stable data points can then be sorted on the basis of their quality parameter 16 and a few particularly stable, quasi-stationary time segments 10 can be filtered out.
  • FIG. 4 shows a schematic representation of a sequence of the method steps of the method for detecting the anomalies.
  • FIG. 4 shows an example of a method for detecting individual damage within continuous data sets.
  • quasi-stationary data points 17 are required for an analysis of the gradual wear.
  • each of the identified quasi-stationary data points 17 contains important information regarding the current engine status, so that this information can be used to detect individual damage.
  • a detection of anomalies in Within the continuous operating measured values 3, which can indicate possible faults, is therefore based on the entirety of identified quasi-stationary data points 17.
  • a simulation or a model of the turbomachine 44 is used by the analysis device 7 for the individual quasi-stationary data points 17 generate the respective expected data points 20 for the nominal behavior of the engine. These expected data points 20 are then compared with the actual quasi-steady-state data points 17 and the operating measured value residuals 23 are determined.
  • the operational measured value residues 23 of a number of direct preceding flights 40 can be stored in a database 39 and can serve as nominal values 25 of the operational measured value residues 23 for the nominal behavior of the engine as part of the anomaly detection.
  • the operational measurement residuals 42 of the current flight can finally be compared with the stored nominal values of the operational measurement residuals 25, generated from operational measurement residuals 43 of the previous flights 40, and examined for outliers from the nominal behavior.
  • An anomaly criterion for the anomaly detection 24B can relate to compliance with a limit value with regard to the number of outliers. If the number of found deviations from the nominal behavior exceeds a given limit value, an anomaly indicator 26 is initiated.
  • the continuous flight data primarily offers advantages in the detection of individual errors. By using continuously sampled data sets, a statistically relevant database can be created be provided for a latency-free detection of errors. In contrast, the gradual wear is very slow and therefore cannot be detected in one flight. The continuous data does not offer any additional information content here. For an analysis of the gradual wear, the engine parameters must be considered over several flight cycles. Existing long-term trending 30 applications based on a few stationary data points per flight are considered suitable for this. New algorithms are required for the integration of continuous flight data into existing engine condition monitoring applications in order to take into account the different requirements for the detection of individual errors and the analysis of gradual wear.
  • quasi-stationary data points 17 from particularly stable flight sections must first be identified within the continuous measurement data, which algorithms for long-term trending 30 can be made available for further processing.
  • detection methods 18 are required that are capable of processing the continuous data sets and examining deviations from the nominal behavior that indicate damage.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten (3) einer Strömungsmaschine (1), insbesondere einer Flugzeugturbine, umfassend ein mehrmaliges Erfassen von Betriebsmesswerten (3) jeweiliger Betriebsparameter (4) einer Strömungsmaschine (1) während einer Betriebszeit der Strömungsmaschine (1) durch Sensoren (2) der Strömungsmaschine (1), ein Ermitteln quasi-stationäre Zeitabschnitte (10) der Betriebszeit durch eine Analysevorrichtung (7), eine -Generierung quasi-stationärer Betriebsdatenpunkte (17) für die quasi-stationären Zeitabschnitte (10), wobei die quasi-stationären Betriebsdatenpunkte (17) gemittelte Betriebsmesswerte (14) umfassen, ein -Ermitteln jeweiliger Erwartungsdatenpunkte (20), die jeweilige Betriebserwartungswerte (21) der jeweiligen Betriebsparameter (4) umfassen, ein Ermitteln jeweiliger Betriebsmesswertresiduen (23) der jeweiligen Betriebsparameter (4), ein Überprüfen der Betriebsmesswertresiduen (23) der jeweiligen quasi-stationären Betriebsdatenpunkte (17) auf eine Einhaltung vorbestimmter Anomaliekriterien (24B) in Bezug auf vorgegebene Nominalwerte (25) der Betriebsmesswertresiduen, und ein Übermitteln eines Anomalieindikators (26), umfassend ein verletztes Anomalie kriterium (27) der Anomaliekriterien (24B) und einen Zeitpunkt (28) der Verletzung an eine Maschinenüberwachungsvorrichtung (9).

Description

Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine und Analysevorrichtung und Maschinenüberwachungsvorrichtung
Beschreibung
Die Erfindung betrifft ein Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine, insbesondere einer Flugzeugturbine gemäß den Merkmalen des Oberbegriffs des Anspruchs 1, eine Analysevorrichtung gemäß den Merkmalen des Oberbegriffs des Anspruchs 9 sowie eine Maschinenüberwachungsvorrichtung gemäß den Merkmalen des Oberbegriffs des Anspruchs 10.
Zur Überwachung eines Zustands einer Strömungsmaschine ist es verbreitet, dass durch Sensoren der Strömungsmaschine Betriebsmesswerte jeweiliger Betriebsparameter der Strömungsmaschine während einer Betriebszeit erfasst werden. Um einen graduellen Verschleiß sowie Schadensfälle der Strömungsmaschine feststellen zu können, ist es erforderlich, die Betriebsmesswerte zu beobachten. Hierbei ist es üblich, dass zu charakteristischen Zeitpunkten während einer Betriebszeit jeweilige Datenpunkte, welche die jeweiligen Betriebsmesswerte der jeweiligen Betriebsparameter zu einem bestimmten Zeitpunkt umfassen, aufgezeichnet und an ein Engine-Condition-Monitoring- System übergeben werden. Diese in mehreren Flügen erfassten Datenpunkte werden einer Zeitreihe hinzugefügt, durch welche das Engine-Condition-Monitoring-System auftretende Schäden in der Strömungsmaschine erfassen kann. Typischerweise werden die Datenpunkte während charakteristischer Phasen eines Fluges erfasst. Ein erster Datenpunkt wird in der Regel während der Startbeziehungsweise Steigflugphase eines Fluges erfasst, in welcher die Strömungsmaschine einer hohen Belastung ausgesetzt ist. Ein zweiter Datenpunkt wird in der Regel erfasst, wenn sich die Strömungsmaschine in einem stationären Zustand während des Flugs befindet.
Zur Erkennung von Schäden wird dabei in der Regel auf alle verfügbaren Datenpunkte der unterschiedlichen Missionsphasen zurückgegriffen während für das Monitoring von langfristigen Alterungseffekten insbesondere die während der stationären Phasen der Flüge aufgenommenen Datenpunkte verwendet werden. Durch dieses Vorgehen stehen in der Regel lediglich einige wenige Datenpunkte pro Flug für die Schadensdetektion zur Verfügung. Da die Datenpunkte Betriebsmesswerte umfassen, die zu einem bestimmten Zeitpunkt erfasst sind, können diese ein Rauschen aufweisen. Weichen zumindest einige Betriebsmesswerte jeweiliger Betriebsparameter von einer Norm ab, ist es somit aus einer einzelnen Messung nicht eindeutig ersichtlich, ob diese Abweichung auf ein Rauschen oder einen tatsächlichen Fehler zurückzuführen ist. Somit sind typischerweise mehrere Datenpunkte aus jeweiligen Flügen erforderlich, um eine Abweichung zuverlässig einstufen zu können.
Zusätzlich zu dieser bisherigen Art des Engine-Condition-Monitoring, welches auf den extrahierten Datenpunkten beruht, ist es möglich, spontan auftretende Fehler oder Abweichungen in der Strömungsmaschine bereits innerhalb eines Fluges unter Verwendung kontinuierlich aufgezeichneter Messdaten zu erfassen. Eine Nutzung sämtlicher dieser Datenpunkte der kontinuierlichen Flugdaten ist zur Ermittlung von Langzeitschäden nicht effizient.
In der Veröffentlichung Simon, D. L., & Litt, J. S. (2011). A data filter for identifying steady-state operating points in engine flight data for condition monitoring applications. Journal of Engineering for Gas Turbines and power, 133(7); ist ein Datenfilter zur Identifizierung von stationären Betriebspunkten in Triebwerkflugdaten für Zustandsüberwachungsanwendungen offenbart. Die Veröffentlichung beschreibt einen Algorithmus, der stationäre Triebwerkbetriebspunkte in kontinuierlichen Triebwerkflugdatenaufzeichnungen identifiziert und extrahiert. Der Algorithmus überwacht eine Standardabweichung vorbestimmter Daten, welche durch das Triebwerk bereitgestellt werden, und identifiziert einen Betriebszustand des Triebwerks als stationär, wenn die Standardabweichung der Messdaten unter eine vorbestimmte Grenze fällt. Die über einen bestimmten Zeitraum erfassten Messdaten werden gemittelt und zu einem stationären Datenpunkt zusammengefasst.
Die DE 69724 555 T2 offenbart eine diagnostische Tendenzanalyse für Flugzeugtriebwerke. In dem Verfahren ist es vorgesehen, dass Ausreiß erpunkte, die mit berechneten Trennparametern verbunden sind, eliminiert werden.
Die US 7,979,192 B2 offenbart ein Verfahren und System zur Trendüberwachung von Flugzeugtriebwerken. In dem Verfahren ist es vorgesehen, dass Ausgaben von Triebwerkzustandssensoren aufgezeichnet werden und eine Analyse von Ergebnissen zur Untersuchung von Leistungstrends bei Kolbenmotoren und zur Ermöglichung einer Vorhersage einer Notwendigkeit einer Triebwerkswartung erfolgt.
Es ist eine Aufgabe der Erfindung, eine Einbindung kontinuierlich aufgezeichneter Flugdaten in bestehende Engine-Condition-Monitoring- Systeme zu ermöglichen.
Die Aufgabe wird erfindungsgemäß durch ein Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine, insbesondere einer Flugzeugturbine gemäß den Merkmalen des Anspruchs 1, eine Analysevorrichtung gemäß den Merkmalen des Anspruchs 9 sowie eine Maschinenüberwachungsvorrichtung gemäß den Merkmalen des Anspruchs 10 gelöst. Vorteilhafte Ausgestaltungen mit zweckmäßigen Weiterbildungen der Erfindung sind in den jeweiligen Unteransprüchen angegeben, wobei vorteilhafte Ausgestaltungen jedes Erfindungsaspekts als vorteilhafte Ausgestaltungen der jeweils anderen Erfindungsaspekte anzusehen sind.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine, insbesondere einer Flugzeugturbine. Eine Anomalie kann beispielsweise eine Abweichung des Verhaltens der Strömungsmaschine von einem erwarteten Betrieb sverhalten umfassen. In dem Verfahren ist es vorgesehen, dass ein mehrmaliges Erfassen der Betriebsmesswerte jeweiliger Betriebsparameter einer Strömungsmaschine während einer Betriebszeit der Strömungsmaschine durch Sensoren der Strömungsmaschine erfolgt. Mit anderen Worten ist es vorgesehen, dass die jeweiligen Betriebsmesswerte jeweiliger Betriebsparameter, welche beispielsweise eine Umdrehungszahl, eine Betriebstemperatur oder andere Betriebsparameter umfassen können, erfasst werden. Die Erfassung erfolgt durch die Sensoren der Strömungsmaschine. Die Erfassung kann periodisch oder kontinuierlich während der Betriebszeit der Strömungsmaschine erfolgen. Unter einer Betriebszeit kann beispielsweise ein zeitlicher Abschnitt zwischen einem Aktivieren und einem Deaktivieren der Strömungsmaschine definiert sein oder ein bestimmter vorgegebener Zeitabschnitt, in welcher sich die Strömungsmaschine in einem bestimmten Betriebszustand befindet. Die Betriebszeit der Strömungsmaschine kann auch einen Zeitraum eines Fluges beschreiben.
Die erfassten Betriebsmesswerte der jeweiligen Betriebsparameter werden nach einem vorbestimmten Analyseverfahren durch eine Analysevorrichtung ausgewertet, um quasi-stationäre Zeit- abschnitte der Betriebszeit, die ein vorbestimmtes quasi-stationäres Kriterium erfüllen, zu ermitteln. Das vorbestimmte Analyseverfahren kann beispielsweise das Analyseverfahren sein, welches in der im Stand der Technik zitierten Veröffentlichung von Simon, D. L., & Litt, J. S. offenbart ist. Die quasi-stationären Zeitabschnitte der Betriebszeit können solche Zeitabschnitte beschreiben, in denen sich die Strömungsmaschine in einem quasi-stationären Betriebszustand befinden kann. Ein solcher quasi-stationärer Betriebszustand wird durch die ermittelten Betriebsmesswerte der jeweiligen Betriebsparameter identifiziert. In einem folgenden Schritt kann durch die Analysevorrichtung eine Generierung quasi-stationärer Betriebsdatenpunkte für die quasi-stationären Zeitabschnitte nach einem vorbestimmten Mittelungsverfahren erfolgen. Die quasi-stationären Betriebsdatenpunkte umfassen gemittelte Betriebsmesswerte der während der jeweiligen quasi-stationären Zeitabschnitte erfassten Betriebsmesswerte der jeweiligen Betriebsparameter. Mit anderen Worten ist es vorgesehen, dass für die jeweiligen quasi-stationären Zeitabschnitte jeweilige quasi-stationäre Betriebsdatenpunkte generiert werden, wobei es sich bei den Betriebsmesswerten der jeweiligen Betriebsparameter um gemittelte Betriebsmesswerte handelt, welche aus den während des quasi-stationären Zeitabschnitts erfassten Betriebsmesswerten generiert wurden. Als das vorbestimmte Mittelungsverfahren zur Generierung der quasi-stationären Betriebsdatenpunkte kann das in dem angegebenen Stand der Technik zitierte Verfahren von Simon, D. L., & Litt, J. S. verwendet werden.
Vorteilhaft an dem beschriebenen Vorgehen ist, dass eine Vielzahl quasi-stationärer Betriebsdatenpunkte generiert werden kann. Für die während eines Fluges identifizierten Betriebsdatenpunkte ist durch die näherungsweise gleichbleibenden Betriebsbedingungen eine geringere Streuung zu erwarten als bei einem Vergleich der Betriebsdatenpunkte mehrerer Flüge.
Es ist vorgesehen, dass durch die Analysevorrichtung jeweilige Erwartungsdatenpunkte für die quasi-stationären Betriebsdatenpunkte nach einem vorbestimmten Erwartungswertermittlungsverfahren ermittelt werden. Die Erwartungsdatenpunkte umfassen jeweilige Betriebserwartungswerte der jeweiligen Betriebsparameter. Die Erwartungsdatenpunkte können mittels Simulationen oder basierend auf Modellen der Strömungsmaschine generiert werden, wobei die Betriebserwartungswerte zu erwartende Betriebsmesswerte der jeweiligen Betriebsparameter beschreiben können. Durch die Analysevorrichtung können jeweilige Betriebsmesswertresiduen der jeweiligen Betriebsparameter, welche die Abweichungen zwischen den Betriebserwartungswerten und den gemittelten Betriebs- messwerten der jeweiligen Betriebsparameter beschreiben, ermittelt werden. Der Verfahrensschritt kann beispielsweise ebenfalls der Veröffentlichung von Simon, D. L., & Litt, J. S. entnommen sein.
In einem weiteren Schritt erfolgt ein Überprüfen der Betriebsmesswertresiduen der jeweiligen quasi-stationären Betriebsdatenpunkte auf eine Einhaltung vorbestimmter Kriterien in Bezug auf vorgegebene Nominalwerte der Betriebsmesswertresiduen. Mit anderen Worten werden die jeweiligen Betriebsmesswertresiduen, welche die Abweichung zwischen den Betriebserwartungswerten und den gemittelten Betriebsmesswerten der jeweiligen Betriebsparameter beschreiben, mit vorgegebenen Nominalwerten der Betriebsmesswertresiduen verglichen. Die Nominalwerte der Betriebsmesswertresiduen können beispielsweise Betriebsmesswertresiduen sein, welche auf Grundlage vorhergehender erfasster Betriebsmesswertresiduen ermittelt worden sein können. Die vorbestimmten Kriterien können vorgegebene Werteschablonen umfassen, welche zulässige Wertebereiche der jeweiligen Betriebsmesswertresiduen beschreiben können. Es ist vorgesehen, dass ein Anomalieindikator durch die Analysevorrichtung generiert und an eine Maschinenüberwachungs- vorrichtung übermittelt wird. Die Analysevorrichtung umfasst das verletzte Kriterium und einen Zeitpunkt der Verletzung des jeweiligen Kriteriums.
Durch das Verfahren ergibt sich der Vorteil, dass kontinuierliche Betriebsmesswerte zur Verwendung in bekannten Maschinenüberwachungsverfahren aufbereitet werden können. Dadurch ist es möglich, Langzeitüberwachungen von Strömungsmaschinen basierend auf gemittelten Betriebsmesswerten durchzuführen, welche ein geringeres Rauschverhalten aufweisen. Durch die Überwachung der Einhaltung der vorbestimmten Kriterien in Bezug auf vorgegebene Nominalwerte der Betriebsmesswertresiduen ist es zudem möglich, spontane beziehungsweise kurzfristig auftretende Abweichungen, welche nicht oder nur mit einer bestimmten Latenz in Maschinenüberwachungsverfahren gemäß dem aktuellen Stand der Technik erfasst werden können, zeitnah zu erfassen.
Die Erfindung umfasst auch Weiterbildungen, durch die sich weitere Vorteile ergeben.
Eine Weiterbildung der Erfindung sieht vor, dass das Verfahren einen Schritt einer Ermittlung der vorbestimmten Nominalwerte der Betriebsmesswertresiduen nach einem vorbestimmten Normermittlungsverfahren aus in der Analysevorrichtung gespeicherten Betriebsmesswertresiduen von quasi-stationären Betriebsdatenpunkten vorhergehender Betriebszeiten der Strömungsmaschine um- fasst. Mit anderen Worten ist es vorgesehen, dass die vorbestimmten Nominalwerte der Betriebsmesswertresiduen, welche zur Erkennung einer Anomalie verwendet werden, auf in der Analysevorrichtung gespeicherten Betriebsmesswertresiduen basieren, welche für quasi-stationäre Betriebsdatenpunkte vorhergehender Betriebszeiten ermittelt wurden. Durch die Weiterbildung ergibt sich der Vorteil, dass die Nominalwerte spezifisch auf das Verhalten der jeweiligen Strömungsmaschine abgestimmt sind.
Eine Weiterbildung der Erfindung sieht vor, dass die jeweiligen quasi-stationären Betriebsdatenpunkte einer Zeitreihe hinzugefügt werden. Mit anderen Worten ist es vorgesehen, dass in der Analysevorrichtung die Zeitreihe mit den jeweiligen quasi-stationären Betriebsdatenpunkten generiert wird oder die quasi- stationären Betriebsdatenpunkte der Betriebszeit einer Zeitreihe hinzugefügt werden, welche quasi-stationäre Betriebsdatenpunkte vorhergehender Betriebszeiten der Strömungsmaschine umfasst. Durch die Weiterbildung der Erfindung ergibt sich der Vorteil, dass aus dem erfassten quasi- stationären Datenpunkten ein Langzeitverhalten der Strömungsmaschine über mehrere Betriebszeiten der Strömungsmaschine ermittelt werden kann.
Eine Weiterbildung der Erfindung sieht vor, dass durch die Analysevorrichtung für die jeweiligen quasi-stationären Betriebsdatenpunkte jeweilige Qualitätsparameter ermittelt werden und nur solche der quasi- stationären Betriebsdatenpunkte einer Zeitreihe hinzugefügt werden, deren Qualitätsparameter ein vorbestimmtes Qualitätskriterium erfüllen. Mit anderen Worten ist es vorgesehen, dass die jeweiligen quasi-stationären Betriebsdatenpunkte durch die Analysevorrichtung bewertet werden. Die Bewertung erfolgt durch eine Ermittlung des jeweiligen Qualitätsparameters für die jeweiligen quasi-stationären Datenpunkte nach einem vorbestimmten Verfahren. Der Qualitätsparameter kann beispielsweise eine Varianz der gemittelten Betriebsmesswerte umfassen. Durch die Analysevorrichtung werden nur diejenigen quasi- stationären Betriebsdatenpunkte der Zeitreihe hinzuge- fügt, welche einen jeweiligen Qualitätsparameter aufweisen, der das vorbestimmte Qualitätskriterium erfüllt. Die quasi-stationären Betriebsdatenpunkte, deren jeweiliger Qualitätsparameter das vorbestimmte Qualitätskriterium nicht erfüllt, werden der Zeitreihe nicht hinzugefügt. Das vorbestimmte Qualitätskriterium kann beispielsweise vorgeben, dass nur solche quasi-stationären Betriebsdatenpunkte der Zeitreihe hinzugefügt werden, deren Betriebsmesswerte eine vorbestimmte Varianz nicht überschreiten. Durch die Weiterbildung ist es möglich, solche quasi-stationären Betriebsdatenpunkte zu identifizieren, welche besonders repräsentativ für ein quasi- stationäres Verhalten sind. Durch die Weiterbildung ergibt sich der Vorteil, dass die Zeitreihe nur auf stationären Betriebsdatenpunkten basiert, welche besonders repräsentativ sind.
Eine Weiterbildung der Erfindung sieht vor, dass die Zeitreihe durch die Analysevorrichtung an die Maschinenüberwachungsvorrichtung übermittelt wird. Mit anderen Worten ist es vorgesehen, dass die generierte Zeitreihe zur Auswertung an die Maschinenüberwachungsvorrichtung übertragen wird. Durch die Weiterbildung der Erfindung ergibt sich der Vorteil, dass die Zeitreihe zur Ermittlung von Langzeittendenzen durch die Maschinenüberwachungsvorrichtung ausgewertet werden kann.
Eine Weiterbildung der Erfindung sieht vor, dass durch die Maschinenüberwachungsvorrichtung der quasi-stationäre Betriebsdatenpunkt ermittelt wird, in dessen quasi-stationären Zeitabschnitt der Zeitpunkt des Anomalieindikators fällt, und der Anomalieindikator zumindest diesem quasi-stationäre Betriebsdatenpunkt zugewiesen wird. Mit anderen Worten ist es vorgesehen, dass durch die Ma- schinenüberwachungsvorrichtung ermittelt wird, in welchen quasi-stationären Zeitabschnitt der Zeitpunkt fällt, der in dem Anomalieindikator beschrieben ist. Der Anomalieindikator wird anschließend zumindest dem quasi-stationären Betriebsdatenpunkt zugewiesen, in dessen quasi-stationärem Zeitabschnitt der Anomalieindikator liegt.
Eine Weiterbildung der Erfindung sieht vor, dass durch die Maschinenüberwachungsvorrichtung zumindest den quasi-stationären Betriebsdatenpunkten, deren Zeitabschnitte nach dem Zeitpunkt liegen, der Anomalieindikator zugewiesen wird. Mit anderen Worten ist es vorgesehen, dass der Anomalieindikator den quasi-stationären Betriebsdatenpunkten zugewiesen wird, deren Zeitabschnitte nach dem Zeitpunkt liegen, welcher in dem Anomalieindikator angegeben ist.
Eine Weiterbildung der Erfindung sieht vor, dass durch die Maschinenüberwachungsvorrichtung zumindest die quasi-stationären Betriebsdatenpunkte der Zeitreihe, denen der Anomalieindikator zugewiesen ist, nach einem vorbestimmten Fehlerdiagnoseverfahren untersucht werden. Mit anderen Worten werden zumindest die quasi-stationären Betriebsdatenpunkte, welche den Anomalieindikator aufweisen, nach einem vorbestimmten Fehlerdiagnoseverfahren durch die Maschinenüberwa- chungsvorrichtung überprüft. Das Fehlerdiagnoseverfahren kann das bei bekannten Maschinen- überwachungsvorrichtungen nach dem Stand der Technik übliche Fehlerdiagnoseverfahren sein. Durch die Weiterbildung ergibt sich der Vorteil, dass explizit solche Betriebsdatenpunkte untersucht werden, welche einen Zeitpunkt eines Auftritts eines Fehlers beschreiben oder welche nach einem Auftritt eines Fehlers erfasst wurden.
Ein zweiter Aspekt der Erfindung betrifft eine Analysevorrichtung, wobei die Analysevorrichtung dazu eingerichtet ist, quasi-stationäre Zeitabschnitte einer Betriebszeit, die ein vorbestimmtes quasistationäres Kriterium erfüllen nach einem vorbestimmten Analyseverfahren zu ermitteln. Die Analysevorrichtung ist dazu eingerichtet, quasi- stationäre Betriebsdatenpunkte für die quasi-stationären Zeitabschnitte nach einem vorbestimmten Mittelungsverfahren zu generieren, wobei die quasistationären Betriebsdatenpunkte gemittelte Betriebsmesswerte der während der jeweiligen quasistationären Zeitabschnitte erfassten Betriebsmesswerte der jeweiligen Betriebsparameter umfassen. Die Analysevorrichtung ist dazu eingerichtet, jeweilige Erwartungsdatenpunkte für die quasistationären Betriebsdatenpunkte nach einem vorbestimmten Erwartungswertermittlungsverfahren zu ermitteln, wobei die Erwartungsdatenpunkte jeweilige Betriebserwartungswerte der jeweiligen Betriebsparameter umfassen. Die Analysevorrichtung ist dazu eingerichtet, jeweilige Betriebsmesswertresiduen der jeweiligen Betriebsparameter, die Abweichungen zwischen den Betriebserwartungswerten und den gemittelten Betriebsmesswerten der jeweiligen Betriebsparameter beschreiben, zu ermitteln und Betriebsmesswertresiduen der jeweiligen quasi-stationären Betriebsdatenpunkte auf eine Einhaltung vorbestimmter Kriterien in Bezug auf vorgegebene Nominalwerte der Betriebsmesswertresiduen zu überprüfen. Die Analysevorrichtung ist dazu eingerichtet, im Falle einer Erfassung einer Verletzung zumindest eines der vorbestimmten Kriterien, einen Anomalieindikator, umfassend das verletzte Kriterium und einen Zeitpunkt der Verletzung, an eine Maschinen- überwachungsvorrichtung zu übermitteln.
Weitere Merkmale und deren Vorteile sind den Beschreibungen des ersten Erfindungsaspekts zu entnehmen.
Ein dritter Aspekt der Erfindung betrifft eine Maschinenüberwachungsvorrichtung, wobei die Ma- schinenüberwachungsvorrichtung dazu eingerichtet ist, eine Zeitreihe, umfassend quasi- stationäre Betriebsdatenpunkte für jeweilige quasi-stationäre Zeitabschnitt einer Betriebszeit zu empfangen, wobei die quasi-stationären Betriebsdatenpunkte gemittelte Betriebsmesswerte während der jeweiligen quasi-stationären Zeitabschnitte erfassten Betriebsmesswerte jeweiliger Betriebsparameter umfassen. Die Maschinenüberwachungsvorrichtung ist dazu eingerichtet, einen Anomalieindikator, umfassend ein verletztes Kriterium und einen Zeitpunkt der Verletzung zu empfangen. Die Maschi- nenüberwachungsvorrichtung ist dazu eingerichtet, den quasi-stationären Betriebsdatenpunkt zu ermitteln, in dessen quasi-stationären Zeitabschnitt der Zeitpunkt des Anomalieindikators fällt und den Anomalieindikator zumindest diesem quasi- stationäre Betriebsdatenpunkt zuzuweisen. Die Maschi- nenüberwachungsvorrichtung ist dazu eingerichtet, zumindest die quasi-stationären Betriebsdatenpunkte der Zeitreihe, denen der Anomalieindikator zugewiesen ist, nach einem vorbestimmten Fehlerdiagnoseverfahren zu untersuchen.
Weitere Merkmale und deren Vorteile sind den Beschreibungen des ersten und zweiten Erfindungsaspekts zu entnehmen.
Die Analysevorrichtung und die Maschinenüberwachungsvorrichtung können einen oder mehrere Computer, einen oder mehrere Mikrocontroller und/oder einen oder mehrere integrierte Schaltkreise enthalten, beispielsweise eine oder mehrere anwendungsspezifische integrierte Schaltungen, ASIC (englisch: „application-specific integrated circuit“), eines oder mehrere feldprogrammierbare Gate- Arrays, FPGA, und/oder eines oder mehrere Einchipsysteme, SoC (englisch: „system on a chip“). Die Recheneinheit kann auch einen oder mehrere Prozessoren, beispielsweise einen oder mehrere Mikroprozessoren, eine oder mehrere zentrale Prozessoreinheiten, CPU (englisch: „central processing unit“), eine oder mehrere Grafikprozessoreinheiten, GPU (englisch: „graphics processing unit“) und/oder einen oder mehrere Signalprozessoren, insbesondere einen oder mehrere digitale Signalprozessoren, DSP, enthalten. Die Recheneinheit kann auch einen physischen oder einen virtuellen Verbund von Computern oder sonstigen der genannten Einheiten beinhalten.
Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen verwendbar, ohne den Rahmen der Erfindung zu verlassen. Es sind somit auch Ausführungen von der Erfindung als umfasst und offenbart anzusehen, die in den Figuren nicht explizit gezeigt und erläutert sind, jedoch durch separierte Merkmalskombinationen aus den erläuterten Ausführungen hervorgehen und erzeugbar sind. Es sind auch Ausführungen und Merkmalskombinationen als offenbart anzusehen, die somit nicht alle Merkmale eines ursprünglich formulierten unabhängigen Anspruchs aufweisen. Es sind darüber hinaus Ausführungen und Merkmalskombinationen, insbesondere durch die oben dargelegten Ausführungen, als offenbart anzusehen, die über die in den Rückbezügen der Ansprüche dargelegten Merkmalskombinationen hinausgehen oder von diesen abweichen. Dabei zeigt:
FIG. 1 eine schematische Darstellung eines Ablaufs eines Verfahrens zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine;
FIG. 2 zeigt eine schematische Darstellung einer möglichen Zeitreihe, welche quasi-stationäre Datenpunkte umfasst;
FIG. 3 eine schematische Darstellung eines Ablaufs der Verfahrensschritte des Verfahrens zur Erfassung der quasi- stationären Zeiträume und der Generierung der quasi-stationären Datenpunkte; und
FIG. 4 zeigt eine schematische Darstellung eines Ablaufs der Verfahrensschritte des Verfahrens zur Erfassung der Anomalien.
FIG. 1 zeigt eine schematische Darstellung eines Ablaufs eines Verfahrens zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine. Eine Strömungsmaschine 1, welche beispielsweise eine Strömungsmaschine 1 eines Flugzeugs sein kann, kann über eine Betriebszeit betrieben werden, wobei während des Betriebs der Strömungsmaschine 1 durch Sensoren 2 der Strömungsmaschine 1 mehrmals Betriebsmesswerte 3 der Strömungsmaschine 1 erfasst werden können. Die Sensoren 2 können die Betriebsmesswerte 3 in vorbestimmten Zeitabständen oder kontinuierlich während der Betriebszeit erfassen. Die Betriebsmesswerte 3 können jeweiligen Be- triebsparametem 4 zugeordnet sein. Die Betriebsparameter 4 können beispielsweise eine Drehzahl der Strömungsmaschine 1 und/oder eine Temperatur der Strömungsmaschine 1 umfassen. Die erfassten Betriebsmesswerte 3 können einer Betriebsmesswertzeitreihe 5 hinzugefügt werden, welche der jeweiligen Betriebszeit der Strömungsmaschine 1 zugeordnet sein kann. Die Betriebsmess- wertzeitreihe 5 kann beispielsweise auf einen bestimmten Flug begrenzt sein. Durch die Betriebsmesswertzeitreihe 5 kann beispielsweise beschrieben sein, wie sich die Betriebsmesswerte 3 der Betriebsparameter 4 über die Betriebszeit verändern. Durch die Erfassung der Betriebsmesswerte 3 während der Betriebszeit kann es möglich sein, beispielsweise Fehlfunktionen der Strömungsmaschine 1 zu erkennen.
Um Trends der Strömungsmaschine 1 erfassen zu können, die auf Schädigungen oder Verschleiß hindeuten, ist es üblich, die Betriebsmesswerte 3 während mehrerer Betriebszeiten der Strömungsmaschine 1 aufzuzeichnen. Dabei werden bestimmte Datenpunkte, welche Betriebsmesswerte 3 der Betriebsparameter 4 zu einem jeweiligen Zeitpunkt beschreiben, ermittelt und einer Zeitreihe 6 hinzugefügt, welche durch eine Maschinenüberwachungsvorrichtung 9 ausgewertet werden kann. Gewöhnlicherweise werden pro Betriebszeit beispielsweise ein oder zwei der Datenpunkte bereitgestellt und der Zeitreihe 6 hinzugefügt. Durch eine Analyse der Zeitreihe 6 durch die Maschinen- überwachungsvorrichtung 9 können sowohl langfristige Trends, welche sich über mehrere Betriebszeiten der Strömungsmaschine 1 erstrecken, identifiziert werden als auch Veränderungen im Betrieb sverhalten, welche sich innerhalb kürzester Zeit, gegebenenfalls sogar schlagartig, einstellen. Nachteilig daran ist, dass mehrere Betriebszeiten erforderlich sein können, um diese Veränderungen im Betriebsverhalten detektieren zu können. Dadurch dass lediglich einzelne Datenpunkte bereitgestellt werden, weisen diese ein relativ hohes Rauschen auf. Es lässt sich somit nicht immer eindeutig nachvollziehen, ob eine einzelne Abweichung einzelner Betriebsmesswerte 3 auf ein Rauschen oder eine Fehlfunktion zurückzuführen ist. Infolge dieser mangelnden Differenzierbarkeit zwischen Rauschen und Fehlfunktion können Fehler nach dem Stand der Technik oft nur mit einer gewissen Latenz von mehreren Flügen detektiert werden.
Um die Abweichungen in einzelnen Datenpunkten zu reduzieren und spontane Fehler erkennen zu können, ist es vorgesehen, dass die über die Betriebszeit erfassen Betriebsmesswerte 3 in einem vorbestimmten Analyseverfahren 8 durch eine Analysevorrichtung 7 ausgewertet werden. In dem vorbestimmten Analyseverfahren 8 werden die Betriebsmesswerte 3 daraufhin untersucht, ob diese ein quasi-stationäres Kriterium 24A erfüllen, welches einen quasi- stationären Betriebszustand der Strömungsmaschine 1 identifiziert. Zusammenhängende Zeitabschnitte, in denen das vorbestimmte quasi-stationäre Kriterium 24A für quasi-stationäre Zeitabschnitte erfüllt wird, können als quasistationäre Zeitabschnitte 10 durch ein Identifizierungsverfahren 11 identifiziert werden. Um Datenpunkte zur Auswertung durch die Maschinenüberwachungsvorrichtung 9 generieren zu können, ist es vorgesehen, dass durch die Analysevorrichtung 7 nach einem vorbestimmten Ausleseverfahren 12, die Betriebsmesswerte 3 der in dem Identifikationsverfahren 11 erfassten quasistationären Zeitabschnitte 10 ausgelesen werden. Die während des jeweiligen quasi-stationären Zeitabschnitts 10 erfassten Betriebsmesswerte 3 der jeweiligen Betriebsparameter 4 können nach einem vorbestimmten Mittelungsverfahren 13 zu gemittelten Betriebsmesswerten 14 gemittelt werden und die gemittelten Betriebsmesswerte 14 in einem quasi-stationären Datenpunkt 17 zusammengefasst werden. Die quasi- stationären Datenpunkte 17 weisen gegenüber den in dem Stand der Technik verwendeten Datenpunkte den Vorteil auf, dass deutlich mehr generiert werden können, wodurch eine statistisch relevante Datenbasis für die nachfolgenden Bearbeitungsschritte zur Verfügung steht.. Es kann vorgesehen sein, dass für die jeweiligen quasi-stationäre Datenpunkte 17 in einem vorbestimmten Qualitätsermittlungsverfahren 15 jeweilige Qualitätsparameter 16 der quasistationären Datenpunkte 17 ermittelt werden. Die Qualitätsparameter 16 können beispielsweise die jeweilige Varianz der Betriebsmesswerte 3, welche während des jeweiligen quasi-stationären Zeitabschnitts 10 erfasst wurden, beschreiben. Solche der quasi-stationären Datenpunkte 17, welche ein vorbestimmtes Qualitätskriterium 24C für quasi- stationäre Zeitabschnitte erfüllen, können als repräsentative quasi- stationäre Datenpunkte 17 identifiziert und durch die Analysevorrichtung 7 der Zeitreihe 6 hinzugefügt werden. Es kann auch vorgesehen sein, dass alle der quasi-stationären Datenpunkte 17 der Zeitreihe 6 hinzugefügt werden. Die Bereitstellung der quasi-stationären Datenpunkte 17 in der Zeitreihe 6 ermöglicht es der Maschinenüberwachungsvorrichtung 9, langfristige Trends und/oder Schädigungen in der Strömungsmaschine 1 zu erfassen. Um kurzfristige Änderungen oder spontan auftretende Fehler in dem Betrieb der Strömungsmaschine 1 erfassen zu können, kann es vorgesehen sein, dass durch die Analysevorrichtung 7 eine Überprüfung der quasi-stationären Datenpunkte 17 auf ein Auftreten von Anomalien in einem vorbestimmten Detektionsverfahren 18 durchgeführt wird. In dem Detektionsverfahren 18 kann es vorgesehen sein, dass in einem ersten Schritt nach einem vorbestimmten Erwartungswertermittlungsverfahren 19 jeweilige Erwartungsdatenpunkte 20 für die jeweiligen quasi-stationären Datenpunkte 17 ermittelt werden. Die Erwartungsdatenpunkte 20 können Betriebserwartungswerte 21 umfassen, welche den jeweiligen Be- triebsparametem 4 zugewiesen sein können. Die Betriebserwartungswerte 21 können Betriebsmesswerte 3 beschreiben, welche einen vorgesehenen Betrieb der Strömungsmaschine 1 beschreiben können. Diese können beispielsweise mittels eines Modells oder einer Simulation der Strömungsmaschine 1 ermittelt werden. In einem Betriebsmesswertresiduenermittlungsverfahren 22 kann es vorgesehen sein, dass zwischen den Betriebsmesswerten 3 der jeweiligen Betriebsparameter 4 und den Betriebserwartungswerten 21 der jeweiligen Betriebsparameter 4 die Betriebsmesswertresiduen 23 ermittelt werden können. Diese können beschreiben, wie weit die Betriebsmesswerte 3 von den Betriebserwartungswerten 21 abweichen. Um feststellen zu können, ob die Betriebsmesswertresiduen 23 in einem normalen Bereich liegen oder auf eine Anomalie des Verhaltens der Strömungsmaschine 1 hinweisen, kann es vorgesehen sein, dass die Betriebsmesswertresiduen 23 der jeweiligen quasi-stationären Datenpunkte auf eine Einhaltung vorbestimmter Anomaliekriterien 24B für die Anomalie Detektion in Bezug auf vorgegebene Nominalwerte 25 der Betriebsmesswertresiduen 23 überprüft werden.
Eine Anomalie kann beispielsweise daran erkannt werden, dass zumindest eines oder mehrere der vorbestimmten Anomaliekriterien 24B verletzt wird. Die Anomaliekriterien 24B können beispielsweise zulässige Wertebereiche der Betriebsmesswerte 3 oder zulässige Relationen zwischen Betrieb smesswerten 3 unterschiedlicher Betriebsparameter 4 vorgeben oder die Einhaltung eines Grenzwertes bezüglich einer Anzahl der Ausreißer betreffen. Für den Fall, dass die Anomalie erfasst wird, kann es vorgesehen sein, dass ein Anomalieindikator 26 generiert wird, welcher das verletzte Anomaliekriterium 27 der vorbestimmten Anomaliekriterien 24B und einen Zeitpunkt 28 der Verletzung umfasst. Dieser Anomalieindikator 26 kann durch die Analysevorrichtung 7 der Maschi- nenüberwachungsvorrichtung 9 übergeben werden. Die Maschinenüberwachungsvorrichtung 9 kann dazu vorgesehen sein, ein vorbestimmtes Überwachungsverfahren 29, welches auch als Trendmonitoring bezeichnet wird, durchzuführen. Dabei können Fehler in dem Betrieb der Strömungsmaschine 1 erfasst werden. Das Überwachungsverfahren 29 kann beispielsweise ein sogenanntes Long-Term-Trending 30 umfassen, welches dazu vorgesehen sein kann, langfristige Verschlechterungen der Strömungsmaschine 1 mittels einer Überwachung der Betriebsmesswerte 3 zu erfassen. Die Maschinenüberwachungsvorrichtung 9 kann dazu eingerichtet sein, die quasistationären Datenpunkte 17, welchen der Anomalieindikator 26 zugewiesen sein kann aufweisen, einem Fehleridentifikationsverfahren 31 zur Identifikation eines Fehlers, welcher die Anomalie verursacht zuzuführen und die quasi-stationären Datenpunkte 17 gegebenenfalls einem Quantifizierungsverfahren 32 zuzuleiten, um ein Ausmaß des Fehlers zu ermitteln.
Mit anderen Worten zeigt FIG. 1 zeigt eine mögliche Einbindung der kontinuierlich aufgezeichneten Flugdaten in bestehende Engine-Trend-Monitoring-Anwendungen ETM zur Durchführung von En- gine-Trend-Monitoring- Verfahren in der Maschinenüberwachungsvorrichtung 9. Die kontinuierlichen Daten der einzelnen Flüge werden im ersten Schritt von einem Analyseverfahren 8 verarbeitet. Das Analyseverfahren 8 besteht dabei aus einem Datenfilter zur Identifikation quasi-stationärer Datenpunkte 17 und einem Detektionsverfahren 18 zur Detektion von Einzelschäden. Bei der Suche nach quasi- stationären Datenpunkten 17 ist allgemein davon auszugehen, dass eine Vielzahl solcher quasi-stationärer Flugabschnitte pro Flug gefunden werden können. Aufgrund der langsamen Schadensentwicklung bei graduellem Verschleiß bietet eine große Menge an Datenpunkten in Bezug auf das Long-Term-Trending 30 jedoch keinen unmittelbaren Informationsgewinn. Aus diesem Grund erfolgt eine Beschränkung auf einige wenige besonders stabile quasi-stationäre Datenpunkte 17. Diese besonders stabilen quasi-stationären Zeitabschnitte 10 können anschließend zu einer neuen Zeitreihe 6 zusammengefasst werden. Dies entspricht einer Auftragung einiger weniger Datenpunkte pro Flugzyklus und damit dem heutigen Stand der Technik. Entsprechend kann diese Zeitreihe 6 direkt an bestehende ETM-Systeme weitergeleitet und von diesen verarbeitet werden. Innerhalb des Detektionsverfahrens 18 können die kontinuierlichen Flugdaten zusätzlich auf eventuell vorhandene Anomalien innerhalb des Datensatzes der Betriebsmesswerte 3 untersucht werden. Werden Anomalien gefunden, kann eine entsprechende Schadensindikation in Form eines auch als Anomaly-Flags bezeichneten Anomalieindikators 26 gesetzt und für eine spätere Weiterverarbeitung an das bestehende ETM-System übermittelt werden. Hierdurch besteht eine zusätzliche Fehlerindikation, durch die eventuell nötige weitere Schritte bestehend aus Fehleridentifikation und Feh- lerquantifikation direkt ohne Latenz eingeleitet werden können. Für die Fehleridentifikation und Feh- lerquantifikation können zunächst auf bestehende Algorithmen auf Basis einzelner Snapshots zurückgegriffen werden.
FIG. 2 zeigt eine schematische Darstellung einer möglichen Zeitreihe 6, welche quasi-stationäre Datenpunkte 17 umfasst. Dargestellt ist ein Parameterverlauf 33 über einen Zeitraum 34, der sich über mehrere der Betriebszeiten 34 erstrecken kann. In der Figur sind einzelne der Betriebsmesswertresiduen 23 eines bestimmten Betriebsparameters 4 über den Zeitraum 34 gezeigt. Ein Zeitpunkt 28 kann durch den Anomalieindikator 26 gekennzeichnet sein. Der Anomalieindikator 26 kann beispielsweise dem Betriebsmesswertresiduum 23 zugewiesen sein, welches dem quasi-stationären Datenpunkt 17 zugeordnet ist, dessen Zeitabschnitt 10 den Zeitpunkt 28 umfasst, zu dem die Anomalie erfasst wird. Im Rahmen des Trend-Monitorings kann eine Analyse der Daten auf Basis der Betriebsmesswertresiduen 23 zwischen den gemittelten Betriebsmesswerten 14 der ermittelten quasi-stationären Datenpunkte 17 und den Betriebserwartungswerten 21 aus Simulationen oder einem Modell der Strömungsmaschine 1 erfolgen. Die Betriebsmesswertresiduen 23 der einzelnen Flüge bilden dabei eine Zeitreihe 6 über die Flugzyklen. Aufgrund von Mess- und Modellunsicherheiten unterliegen die einzelnen Betriebsmesswertresiduen 23 dabei einer Streuung um einen unbekannten zugrundeliegenden wahren Parameterverlauf 33. Ein Einzelfehler äußert sich dabei in einer plötzlichen Änderung innerhalb dieses wahren Parameterverlaufs 33. Je nach Schwere des Fehlerfalls werden, gemäß des heutigen Standes der Technik, mehrere Flüge für eine sichere Differenzierung zwischen einem Fehlerfall und Messrauschen benötigt. Mithilfe des vorgestellten Verfahrens können zusätzlich die aus den kontinuierlichen Daten der Betriebsmesswertzeitreihe 5 gewonnenen Anomaly-Flags 26 genutzt und innerhalb des Trend Monitorings angezeigt werden.
FIG. 3 zeigt eine schematische Darstellung eines Ablaufs der Verfahrensschritte des Analyseverfahrens 8 zur Erfassung der quasi-stationären Zeitabschnitte 10 und der Generierung der quasistationären Datenpunkte 17. Die grundlegende Funktionsweise eines als Steady-State-Detector ausgebildeten Identifizierungsverfahrens 11 des Analyseverfahrens 8 basiert auf einer Veröffentlichung von Simon, D. L. & Litt, J. S. Das ursprüngliche Verfahren wurde für die Identifikation von quasi-stationären Datenpunkten 17 bei Helikoptertriebwerken hergeleitet und wurde für den vorliegenden Anwendungsfall auf Turboflugtriebwerke angepasst. Der Steady-State-Detector ist ein Verfahren und besteht aus mehreren Modulen und ist in FIG. 3 dargestellt. Die Messunsicherheit innerhalb der Daten kann die Anzahl an identifizierten quasi-stationären Datenpunkten 17 negativ beeinflussen. Durch den Einsatz eines Tiefpassfilters 35 kann die Varianz innerhalb der Betriebsmesswertzeitreihe 5 reduziert und die Konsistenz an detektierten stationären Daten erhöht werden. Als Tiefpass wird ein Filter zweiter Ordnung vorgeschlagen
Figure imgf000017_0001
Für die Ermittlung quasi- stationärer Betriebspunkte muss sichergestellt werden, dass sich alle Triebwerkskomponenten in einem annähernd thermisch ausgeglichenen Zustand befinden. Aufgrund von fehlenden Betriebsmesswerten 3 bezüglich der Materialtemperaturen innerhalb des Triebwerks kann der thermische Zustand des Triebwerks jedoch nicht direkt überwacht werden. Innerhalb des Thermal-Transient-Filters 36 wird das thermische Verhalten des Triebwerks durch ein Ersatzmodell beschrieben. Das thermische Verhalten der Triebwerkskomponenten lässt sich allgemein über ein Verzögerungsglied erster Ordnung modellieren. In diesem Fall lässt sich die Materialtemperatur über eine Filterung der Exhaust-Gas-Temperatur EGT approximieren. Genauere Details sind Joachim Kurzke and Ian Halliwell. Propulsion and Power. September. Cham: Springer International Publishing, 18, pp.{39}. zu entnehmen.
Figure imgf000018_0001
Hierbei entspricht ^G'rder gefilterten EGT und r beschreibt die Zeitkonstante des Filters. Die Zeitkonstante charakterisiert dabei das thermische Verhalten der einzelnen Komponenten. Innerhalb des Thermal Transient Filters 36 wird davon ausgegangen, dass sich das Triebwerk in einem thermisch ausgeglichenen Zustand befindet, sobald sich die Temperatur der Vergleichsmasse an die EGT angenähert haben.
Figure imgf000018_0002
Innerhalb der Regime Recognition 37 kann der zu betrachtende Betriebsbereich eingeschränkt werden. Im späteren Einsatz können beispielsweise die generierten stationären Datenpunkte auf Betrieb sbereiche begrenzt werden, für die die Simulationen oder das Modell der Strömungsmaschine zur Berechnung der Betriebserwartungswerte 21 kalibriert wurde. Hierdurch kann die Modellunsicherheit und damit die Streuung innerhalb der Residuen minimiert und die Anzahl an Fehlalarmen reduziert werden.
Innerhalb der State -Transition-Logic 38 werden die Informationen aus dem Tiefpassfilter 35, dem Thermal-Transient-Filter 36 und der Regime Recognition 37 zusammengefasst und die stationären Datenpunkte berechnet. Für die Definition eines stabilen Betriebsbereichs werden die Daten zunächst über ein Moving Window abgetastet. Eine Betrachtung der Stabilität der Betriebsmesswerte 3 erfolgt, wenn sich alle Daten innerhalb des Moving Windows in einem thermisch ausgeglichenen Zustand und innerhalb des validen Betriebsbereichs befinden. Anschließend kann für die über das Moving Window erfassten Betriebsmesswerte 3 die maximale Variation der Betriebsmesswerte 3 oder beispielsweise auch über die Varianz der Betriebsmesswerte bestimmt. Am Beispiel der Fan- Drehzahl Ni ergibt sich die maximale Variation zu:
ZFy i — ma (Ni) ~ min(Ni)
Liegen die maximalen Variationen der einzelnen Betriebsmesswerte 3 unterhalb eines vordefinierten Grenzwertes, wird von einem stabilen Flugzustand ausgegangen und die Daten innerhalb des Moving Windows werden gemittelt und somit zu einem quasi- stationären Datenpunkt 17 zusammengefasst. Für eine Quantifizierung der Stabilität der einzelnen Datenpunkte kann zusätzlich der Qualitätsparameter 16 für die einzelnen quasi-stationären Zeitabschnitt 10 definiert werden. Da aufgrund der unterschiedlichen physikalischen Einheiten und Größenordnungen die einzelnen Betrieb smesswerte 3 nicht direkt miteinander verglichen werden können, kann sich der Qualitätsparameter 16, QA aus der mit W gewichteten Summe der mit den maximalen Variationen Dmax entdi- mensionalisierten Varianzen der einzelnen Betriebsmesswerte 3 c ergeben.
Figure imgf000019_0001
Die einzelnen stabilen Datenpunkte können anschließend auf Basis ihres Qualitätsparameters 16 geordnet und einige wenige besonders stabile quasi-stationäre Zeitabschnitte 10 herausgefiltert werden.
FIG. 4 zeigt eine schematische Darstellung eines Ablaufs der Verfahrensschritte des Verfahrens zur Erfassung der Anomalien. FIG. 4 zeigt ein Beispiel für ein Verfahren zur Detektion von Einzelschäden innerhalb kontinuierlicher Datensätze. Im Rahmen des Long-Term-Trendings 30 werden nur einige wenige besonders stabile quasi-stationäre Datenpunkte 17 für eine Analyse des graduellen Verschleißes benötigt. Jeder der identifizierten quasi- stationären Datenpunkte 17 enthält jedoch wichtige Informationen bezüglich des aktuellen Triebwerkszustands, sodass diese Informationen für eine Detektion von Einzelschäden herangezogen werden können. Eine Detektion von Anomalien in- nerhalb der kontinuierlichen Betriebsmesswerte 3 die auf eventuelle Fehlerfälle hinweisen können, erfolgt daher auf Basis der Gesamtheit an identifizierten quasi-stationären Datenpunkten 17. Hierfür werden zunächst über eine Simulation oder ein Modell der Strömungsmaschine 44, wie beispielsweise ein Leistungsrechnungsprogramm, durch die Analysevorrichtung 7 für die einzelnen quasistationären Datenpunkte 17 die jeweiligen Erwartungsdatenpunkte 20 für das Nominalverhalten des Triebwerks generiert. Diese Erwartungsdatenpunkte 20 werden anschließend mit den tatsächlichen quasi-stationären Datenpunkten 17 verglichen und die Betriebsmesswertresiduen 23 ermittelt. Die Betriebsmesswertresiduen 23 mehrerer direkter Vorgängerflüge 40 können in einer Datenbank 39 gespeichert werden und können im Rahmen der Anomalie-Detektion als Nominalwerte 25 der Betriebsmesswertresiduen 23 für das Nominalverhalten des Triebwerks dienen. Im Rahmen der Ano- maly-Detektion 18 können schließlich die Betriebsmesswertresiduen 42 des aktuellen Flugs mit den gespeicherten Nominalwerten der Betriebsmesswertresiduen 25, generiert aus Betriebsmesswertresiduen 43 der vorangegangenen Flügen 40 verglichen und auf Ausreißer vom Nominalverhalten untersucht werden. Ein Anomaliekriterium für die Anomalie detektion 24B kann eine Einhaltung eines Grenzwertes bezüglich der Anzahl der Ausreißer betreffen. Übersteigt die Anzahl der gefundenen Ausreiser vom Nominalverhalten einen gegebenen Grenzwert, erfolgt die Initiierung eines Anomalieindikators 26.
Innerhalb bisheriger Engine Condition Monitoring Anwendungen basiert die Detektion von Triebwerksschäden auf wenigen diskret aufgezeichneten Datenpunkten. Diese Datenpunkte werden typischerweise innerhalb der hochbelasteten Start- sowie Steigflugphase und während des stationären Reiseflugs aufgenommen. Aufgrund der stabilen Umgebungsbedingungen und des stationären Betrieb szustands eignet sich besonders der während des Reiseflugs aufgenommene Datenpunkt für eine Analyse des Triebwerkszustands über mehrere Flüge hinweg. Effektiv steht damit im ungünstigsten Fall lediglich ein einziger Datenpunkt pro Flug für die Schadensdetektion zur Verfügung. Hierdurch entstehen oft Schwierigkeiten bei der Differenzierung zwischen einem Fehlerfall und statistischem Rauschen. Daher werden meist mehrere Flüge benötigt, um einen Fehler sicher zu detek- tieren. Moderne Triebwerke sind heute in der Lage, kontinuierliche Betriebsmesswerte 3 bereitzustellen. Diese kontinuierlichen Zeitsignale ermöglichen es erstmals, die Ereignisse zwischen den diskreten Datenpunkten zu analysieren und Schadensfälle potenziell schneller zu detektieren. Die kontinuierlichen Flugdaten bieten vor allem Vorteile bei der Detektion von Einzelfehlem. Durch die Verwendung von kontinuierlich abgetasteten Datensätzen kann eine statistisch relevante Datenbasis für eine latenzfreie Detektion der Fehlerfälle bereitgestellt werden. Im Gegensatz dazu verläuft der graduelle Verschleiß nur sehr langsam und kann daher nicht innerhalb eines Fluges detektiert werden. Die kontinuierlichen Daten bieten hier keinen zusätzlichen Informationsgehalt. Für eine Analyse des graduellen Verschleißes müssen die Triebwerksparameter über mehrere Flugzyklen hinweg betrachtet werden. Hierfür werden bestehende Long-Term-Trending 30 Anwendungen auf Basis einiger weniger stationärer Datenpunkte pro Flug als geeignet angesehen. Für die Einbindung von kontinuierlichen Flugdaten in bestehende Engine Condition Monitoring Anwendungen werden neue Algorithmen benötigt um die unterschiedlichen Anforderungen bei der Detektion von Einzelfehlern und der Analyse des graduellen Verschleißes zu berücksichtigen. Für eine Analyse des graduellen Verschleißes müssen zunächst quasi-stationäre Datenpunkte 17 aus besonders stabilen Flugabschnitten innerhalb der kontinuierlichen Messdaten identifiziert werden, die Algorithmen zum Long- Term-Trending 30 zur Weiterverarbeitung zur Verfügung gestellt werden können. Geichzeitig werden Detektionsverfahren 18 benötigt, die in der Lage sind die kontinuierlichen Datensätze zu verarbeiten und auf Abweichungen vom Nominalverhalten, die auf Schädigungen hinweisen, zu untersuchen.
Für eine Detektion von Triebwerksschäden stehen momentan lediglich einzelne diskret aufgezeichnete Datenpunkte (sog. Snapshots) zur Verfügung. Aufgrund der wenigen verfügbaren Datenpunkte pro Flug können Fehlerfälle meist nicht unmittelbar von statistischem Rauschen unterschieden werden. Aus diesem Grund ist die Detektion von Schäden an statischen oder rotierenden Bauteilen innerhalb des Gaspfades eines Triebwerks zum heutigen Zeitpunkt meistens erst nach mehreren Flügen möglich.
Verschiedene Analyseverfahren zur Detektion von Anomalien auf Basis diskreter im Flug aufgezeichneter Datenpunkte mit dem Nachteil einer Latenz bei der Schadensdetektion sind in dem Stand der Technik bekannt. Diese umfassen verschiedene Datenfilter zur Identifikation quasi-stationärer Datenpunkte oder Verfahren zur Detektion von Triebwerksschäden auf Basis kontinuierlicher Daten. Diese beinhalten jedoch keine Anbindung an bestehende Engine Trend Monitoring (ETM) Systeme. Die Erfindung betrifft eine Einführung eines ganzheitlichen Verfahrens zur Detektion von Fehlern / Schäden auf Basis von Daten des gesamten Fluges sowie Einbindung des Verfahrens in ein Snapshot basiertes Monitoring System mit folgenden Elementen:
1) Detektion von quasi- stationären Flugabschnitten innerhalb der kontinuierlichen Flugdaten. 2) Schadensdetektion auf Basis der zur Verfügung stehenden kontinuierlichen Flugdaten.
3) Lokalisation des Schadens (Schadensdiagnose).
4) Übergabe der Schadensdetektion und -diagnose sowie repräsentativer quasi-stationärer Datenpunkte an das Long-Term-Trending. Durch die Verwendung der kontinuierlichen Daten für die Schadensdetektion steht eine statistisch relevante Datenbasis zur Verfügung. Hierdurch können Datenanalyse -Methoden angewandt werden, welche eine Detektion von Schäden binnen eines Fluges ermöglichen. Dies führt zu einer Erhöhung der Zuverlässigkeit der Schadensdetektion durch Verringerung von False-Positives. Durch die Reduktion der kontinuierlichen Daten auf quasi- stationäre Datenpunkte können zudem beste- hende, auf der Verwendung von Snapshots basierende Algorithmen für das Long-Term-Trending sowie zur Detektion von Schadensfällen weiterverwendet werden.
Bezugszeichenliste :
1 Strömungsmaschine
2 Sensoren
3 Betriebsmesswert
4 Betriebsparameter
5 Betriebsmesswertzeitreihe
6 Zeitreihe
7 Analysevorrichtung
8 Analyseverfahren
9 Maschinenüberwachungsvorrichtung
10 Quasi-stationärer Zeitabschnitt
11 Identifikationsverfahren
12 Ausleseverfahren
13 Mittelungsverfahren
14 Gemittelter B etrieb sme s s wert
15 Qualitätsermittlungsverfahren
16 Qualitätsparameter
17 quasi-stationärer Datenpunkt
18 Detektionsverfahren
19 Erwartungswertermittlungsverfahren
20 Erwartungsdatenpunkt
21 Betriebserwartungswert
22 Betriebsmesswertresiduenermittlungsverfahren
23 Betriebsmesswertresiduum
24A Kriterium für quasi-stationäre Zeitabschnitte
24B Anomaliekriterium für eine Anomalie de tektion
24C Qualitätskriterium
25 Nominalwert des Betriebsmesswertresiduums
26 Anomalieindikator
27 Verletztes Anomaliekriterium
28 Zeitpunkt der Verletzung des Kriteriums für eine Anomaliedetektion 29 Überwachungsverfahren
30 Long-Term-T rending
31 F ehleridentifikationsverfahren
32 Quantifizierungsverfahren 33 P arameterverlauf
34 Zeitraum über mehrere Betriebszeiten
35 Tiefpassfilter
36 Thermal Transient Filter
37 Regime Recognition 38 State-Transition-Logic
39 Datenbank
40 Vorgängerflüge
42 Betriebsmesswertresiduen eines aktuellen Flugs
43 Betriebsmesswertresiduen vorangegangener Flüge 44 Simulation oder Modell der Strömungsmaschine

Claims

23 Patentansprüche
1. Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten (3) einer Strömungsmaschine (1), insbesondere einer Flugzeugturbine, umfassend zumindest die Schritte:
Mehrmaliges Erfassen von Betriebsmesswerten (3) jeweiliger Betriebsparameter (4) einer Strömungsmaschine (1) während einer Betriebszeit der Strömungsmaschine (1) durch Sensoren (2) der Strömungsmaschine (1),
Ermitteln quasi-stationärer Zeitabschnitte (10) der Betriebszeit, die ein vorbestimmtes Kriterium für quasi-stationäre Zeitabschnitte (24A) erfüllen nach einem vorbestimmten Analyseverfahren (8) durch eine Analysevorrichtung (7),
Generierung quasi-stationärer Betriebsdatenpunkte (17) für die quasi-stationären Zeitabschnitte (10) nach einem vorbestimmten Mittelungsverfahren (13), wobei die quasistationären Betriebsdatenpunkte (17) gemittelte Betriebsmesswerte (14) der während der jeweiligen quasi-stationären Zeitabschnitte (10) erfassten Betriebsmesswerte (3) der jeweiligen Betriebsparameter (4) umfassen,
Ermitteln jeweiliger Erwartungsdatenpunkte (20) für die quasi-stationären Betriebsdatenpunkte (17) nach einem vorbestimmten Erwartungswertermittlungsverfahren (19), die jeweilige Betriebserwartungswerte (21) der jeweiligen Betriebsparameter (4) umfassen, Ermitteln jeweiliger Betriebsmesswertresiduen (23) der jeweiligen Betriebsparameter (4), die Abweichungen zwischen den Betriebserwartungswerten (21) und den gemittelten Betriebsmesswerten (14) der jeweiligen Betriebsparameter (4) beschreiben,
Überprüfen der Betriebsmesswertresiduen (23) der jeweiligen quasi-stationären Betriebsdatenpunkte (17) auf eine Einhaltung vorbestimmter Anomaliekriterien für eine Anomaliedetektion (24B) in Bezug auf vorgegebene Nominalwerte (25) der Betriebsmesswertresiduen (23), und
Übermitteln eines Anomalieindikators (26), umfassend ein verletztes Anomaliekriterium (27) der Anomalie kriterien für eine Anomaliedetektion (24B) und einen Zeitpunkt (28) der Verletzung an eine Maschinenüberwachungsvorrichtung (9).
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass durch die Analysevorrichtung (7) die vorbestimmten Nominalwerte (25) der Betriebsmesswertresiduen (23) nach einem vorbestimmten Normermittlungsverfahren aus in der Analysevorrichtung (7) gespeicherten Betriebsmesswertresiduen (23) von quasi-stationären Betriebsdatenpunkten (17) vorhergehender Betriebszeiten der Strömungsmaschine (1) ermittelt werden.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass durch die Analysevorrichtung (7) die jeweiligen quasi-stationären Betriebsdatenpunkte (17) einer Zeitreihe (6) hinzugefügt werden.
4. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, dass durch die Analysevorrichtung (7) für die jeweiligen quasi-stationären Betriebsdatenpunkte (17) jeweilige Qualitätsparameter (16) ermittelt werden und nur solche der quasi-stationären Betriebsdatenpunkte (17) einer Zeitreihe (6) hinzugefügt werden, deren Qualitätsparameter (16) ein vorbestimmtes Qualitätskriterium (24C) erfüllen.
5. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass durch die Analysevorrichtung (7) die Zeitreihe (6) an die Maschinenüberwachungsvorrichtung (9) übermittelt wird.
6. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass durch die Maschinenüberwachungsvorrichtung (9) der quasi- stationäre Betriebsdatenpunkt (17) ermittelt wird, in dessen quasi-stationärem Zeitabschnitt (10) der Zeitpunkt (28) des Anomalieindikators (26) fällt, und der Anomalieindikator (26) zumindest diesem quasi-stationäre Betriebsdatenpunkt (17) zugewiesen wird.
7. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass durch die Maschinenüberwachungsvorrichtung (9) zumindest den quasi-stationären Betriebsdatenpunkten (17) deren Zeitabschnitte (10) nach dem der Zeitpunkt liegen, der Anomalieindikator (26) zugewiesen wird.
8. Verfahren nach einem der vorhergehenden Ansprüche 5 bis 7, dadurch gekennzeichnet, dass durch die Maschinenüberwachungsvorrichtung (9) zumindest die quasi-stationären Betriebsdatenpunkte (17) der Zeitreihe (6), denen der Anomalieindikator (26) zugewiesen ist, nach einem vorbestimmten Fehlerdiagnoseverfahren untersucht werden.
9. Analysevorrichtung (7), wobei die Analysevorrichtung (7) dazu eingerichtet ist, quasi-stationäre Zeitabschnitte (10) einer Betriebszeit, die ein vorbestimmtes Kriterium für quasi-stationäre Zeitabschnitte (24A) erfüllen nach einem vorbestimmten Analyseverfahren (8) zu ermitteln, quasi-stationäre Betriebsdatenpunkte (17) für die quasi-stationären Zeitabschnitte (10) nach einem vorbestimmten Mittelungsverfahren (13) zu generieren, wobei die quasi-stationären Betriebsdatenpunkte (17) gemittelte Betriebsmesswerte (14) der während der jeweiligen quasi-stationären Zeitabschnitte (10) erfassten Betriebsmesswerte (3) der jeweiligen Betriebsparameter (4) umfassen,
- jeweilige Erwartungsdatenpunkte (20) für die quasi- stationären Betriebsdatenpunkte (17) nach einem vorbestimmten Erwartungswertermittlungsverfahren (19), die jeweilige Betriebserwartungswerte (21) der jeweiligen Betriebsparameter (4) umfassen, zu ermitteln,
- jeweilige Betriebsmesswertresiduen (23) der jeweiligen Betriebsparameter (4) , die Abweichungen zwischen den Betriebserwartungswerten (21) und den gemittelten Betriebsmesswerten (3) der jeweiligen Betriebsparameter (4) beschreiben zu ermitteln, Betriebsmesswertresiduen (23) der jeweiligen quasi-stationären Betriebsdatenpunkte (17) auf eine Einhaltung vorbestimmter Anomaliekriterien (24B)in Bezug auf vorgegebene Nominalwerte (25) der Betriebsmesswertresiduen (23) zu überprüfen, und einen Anomalieindikator (26), umfassend das verletzte Anomaliekriterium (27) der Anomaliekriterien (24B) und einen Zeitpunkt der Verletzung (28) an eine Maschinenüberwa- chungsvorrichtung (9) zu übermitteln. 26 Maschinenüberwachungsvorrichtung (9), dazu eingerichtet eine Zeitreihe (6), umfassend quasi-stationärer Betriebsdatenpunkte (17) für jeweilige quasistationäre Zeitabschnitte (10) einer Betriebszeit zu empfangen, wobei die quasi- stationären Betriebsdatenpunkte (17) gemittelte Betriebsmesswerte (14) während der jeweiligen quasistationären Zeitabschnitte (10) erfassten Betriebsmesswerte (3) jeweiliger Betriebsparameter (4) umfassen, einen Anomalieindikator (26), umfassend ein verletztes Anomaliekriterium (27) und einen Zeitpunkt der Verletzung (28) zu empfangen, - den quasi-stationären Betriebsdatenpunkt (17) zu ermitteln, in dessen quasi- stationärem
Zeitabschnitt (10) der Zeitpunkt des Anomalieindikators (26) fällt, und den Anomalieindikator (26) zumindest diesem quasi-stationären Betriebsdatenpunkt (17) zuzuweisen, und zumindest die quasi-stationären Betriebsdatenpunkte (17) der Zeitreihe (6), denen der Anomalieindikator (26) zugewiesen ist, nach einem vorbestimmten Fehlerdiagnoseverfahren (31) zu un- tersuchen.
PCT/DE2022/100769 2021-10-28 2022-10-19 Verfahren zum erkennen einer anomalie in betriebsmesswerten einer strömungsmaschine und analysevorrichtung und maschinenüberwachungsvorrichtung WO2023072333A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102021128065.6A DE102021128065A1 (de) 2021-10-28 2021-10-28 Verfahren zum Erkennen einer Anomalie in Betriebsmesswerten einer Strömungsmaschine und Analysevorrichtung und Maschinenüberwachungsvorrichtung
DE102021128065.6 2021-10-28

Publications (1)

Publication Number Publication Date
WO2023072333A1 true WO2023072333A1 (de) 2023-05-04

Family

ID=84053055

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2022/100769 WO2023072333A1 (de) 2021-10-28 2022-10-19 Verfahren zum erkennen einer anomalie in betriebsmesswerten einer strömungsmaschine und analysevorrichtung und maschinenüberwachungsvorrichtung

Country Status (2)

Country Link
DE (1) DE102021128065A1 (de)
WO (1) WO2023072333A1 (de)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69724555T2 (de) 1996-11-18 2004-06-03 General Electric Co. Diagnostische Tendenzanalyse für Flugzeugtriebwerke
US7979192B2 (en) 2006-03-31 2011-07-12 Morrison Brian D Aircraft-engine trend monitoring system
US20110288836A1 (en) * 2008-11-28 2011-11-24 Snecma Detection of anomalies in an aircraft engine
US20170227505A1 (en) * 2016-02-10 2017-08-10 Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) System and method for detecting abnormality of rotating machines

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE69724555T2 (de) 1996-11-18 2004-06-03 General Electric Co. Diagnostische Tendenzanalyse für Flugzeugtriebwerke
US7979192B2 (en) 2006-03-31 2011-07-12 Morrison Brian D Aircraft-engine trend monitoring system
US20110288836A1 (en) * 2008-11-28 2011-11-24 Snecma Detection of anomalies in an aircraft engine
US20170227505A1 (en) * 2016-02-10 2017-08-10 Kabushiki Kaisha Kobe Seiko Sho (Kobe Steel, Ltd.) System and method for detecting abnormality of rotating machines

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JOACHIM KURZKEIAN HALLIWELL: "Propulsion and Power", vol. 18, SPRINGER INTERNATIONAL PUBLISHING, pages: 39
SIMON, D. L.LITT, J. S.: "A data filter for identifying steady-state operating points in engine flight data for condition monitoring applications", JOURNAL OF ENGINEERING FOR GAS TURBINES AND POWER, vol. 133, no. 7, 2011

Also Published As

Publication number Publication date
DE102021128065A1 (de) 2023-05-04

Similar Documents

Publication Publication Date Title
US9346557B2 (en) Flight data monitoring and validation
DE69724555T2 (de) Diagnostische Tendenzanalyse für Flugzeugtriebwerke
DE102017107284B4 (de) Verfahren und steuergerät zum überwachen eines bordnetzes eines fahrzeugs
RU2388661C2 (ru) Способ контроля двигателя самолета
DE102011108678B4 (de) Ereignisgesteuertes Datamining-Verfahren zum Verbessern von Fehlercodeeinstellungen und zum Isolieren von Fehlern
EP1192543B1 (de) Verfahren und anordnung zur ermittlung eines fehlerbaums eines technischen systems, computerprogramm-erzeugnis und computerlesbares speichermedium dafür
DE102009061036B4 (de) Vorrichtung und Verfahren zur Residuengenerierung zur Erkennung von fehlerhaften Transienten, Drift oder Oszillationen im Systemverhalten eines Systems eines Flugzeugs, und Flugzeug
EP3631593B1 (de) Überwachungsvorrichtung und verfahren zur überwachung eines systems
EP3390967B1 (de) Verfahren zum überwachen von mindestens zwei redundanten sensoren
EP2857916B1 (de) Verfahren und Vorrichtung zum Detektieren eines Fehlers in einer Anordnung
CN111125841A (zh) 飞机发动机的健康评估方法、计算机设备和存储介质
DE102015200163A1 (de) Störungsgrad-Bestimmungssystem und Verfahren für einen Windturbinengenerator
CN113343364A (zh) 航空大数据分析方法及工具
CN112749764B (zh) 一种基于qar数据的航空发动机运行状态分类方法
WO2023072333A1 (de) Verfahren zum erkennen einer anomalie in betriebsmesswerten einer strömungsmaschine und analysevorrichtung und maschinenüberwachungsvorrichtung
DE112018001726T5 (de) Informationsverarbeitungsvorrichtung, informationsverarbeitungsverfahren und programm
DE102015217771A1 (de) Vorrichtung und Verfahren zum Überwachen einer Sensorfunktion für ein Kraftfahrzeug
DE19742448C1 (de) Diagnosemodul zum Erstellen einer Diagnose für elektrisch ansteuerbare Systeme und Diagnoseeinrichtung zum Erstellen einer Gesamtsystemdiagnose
EP3064744B1 (de) Diagnose von gasturbinen-flugtriebwerken
DE112020006451T5 (de) Diagnosevorrichtung, diagnoseverfahren und programm
EP1014054A2 (de) Verfahren zur modellbasierten schwingungsdiagnostischen Überwachung rotierenden Maschinen
Brotherton et al. A testbed for data fusion for helicopter diagnostics and prognostics
CN112712305A (zh) 一种飞行器系统及其健康评估方法和装置
EP0065155B1 (de) Verfahren und Anordnung zur Feststellung und Meldung von Kühlungsstörungen in einem Brennelement eines Reaktorkerns
DE3119045C2 (de) Verfahren und Anordnung zur Feststellung und Meldung von Kühlungsstörungen in einem Brennelement eines Reaktorkerns

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22799847

Country of ref document: EP

Kind code of ref document: A1