[0002] 本
申请要求以下优先权的权益：2017年10月24日提交的题为“疲劳裂纹增长预测”的美国临时
专利申请No.62/576,234；2017年3月13日提交的题为“疲劳裂纹增长预测”的美国临时专利申请No.62/470,539，两者均通过引用并入本文用于所有目的。
技术领域
[0003] 本主题大体涉及用于预测机械中的疲劳裂纹增长的数字系统，该机械包括可旋转结构，例如用于燃气
涡轮发动机的
转子。
背景技术
[0004] 材料疲劳是结构在经受循环
载荷时失效的常见现象。如果载荷超过某个
阈值，则在应
力集中的点处开始形成微观裂纹。最终，裂纹将传播到临界尺寸，结构将破裂。因此，准确
跟踪裂纹增长对于确保包括航空在内的各种工业领域的可用性，可靠性和操作安全性非常重要。
[0005] 疲劳裂纹增长可受多种因素的影响，例如
温度，载荷，表面状况，尺寸，
冶金微观结构(metallurgicalmicrostructure)，
氧化或惰性化学品的存在，残余
应力，
腐蚀，微动等。此外，裂纹增长可以是具有不同进展阶段的高度非线性过程。鉴于这些挑战，大多数确定疲劳裂纹增长的现有方法采用基于物理的方法，例如线性弹性断裂力学(LEFM)，其是计算密集型的，并且可能不是近实时或实时应用的理想选择。
发明内容
[0006] 本公开的
实施例的方面和优点将部分地在以下描述中阐述，或者可以从描述中学习，或者可以通过实施例的实践来学习。
[0007] 本公开的一个示例方面涉及一种计算系统，包括一个或多个处理器，以及一个或多个
存储器设备。一个或多个存储器设备存储计算机可读指令，计算机可读指令在由一个或多个处理器执行时使一个或多个处理器执行用于构建将疲劳裂纹增长与操作数据相关联的
机器学习模型的操作。操作包括获得与一个或多个机器的一个或多个可旋转结构相关联的历史操作数据，获得指示一个或多个可旋转结构的疲劳裂纹尺寸的数据，以及使用机器学习技术构建将疲劳裂纹增长与操作数据相关联的机器学习模型。
[0008] 本公开的另一示例方面涉及一种用于预测疲劳裂纹增长的计算机实现的方法。该方法包括由一个或多个处理器获得与机器的一个或多个可旋转部件相关联的操作数据。该方法包括由一个或多个处理器
访问将操作数据与疲劳裂纹增长相关联的基于非物理的模型。基于历史操作数据，使用机器学习技术构建基于非物理的模型。该方法包括至少部分地基于模型和操作数据，通过一个或多个处理器确定与一个或多个可旋转部件相关联的疲劳裂纹增长。
[0009] 本公开的另一示例方面涉及存储计算机可读指令的有形非暂时性计算机可读介质，计算机可读指令在由一个或多个处理器执行时使得一个或多个处理器执行操作。操作包括获得与多个机器中的每个机器的一个或多个可旋转结构相关联的历史操作数据，获得指示多个机器中的每个机器的一个或多个可旋转结构的疲劳裂纹尺寸的数据，以及使用机器学习技术构建将疲劳裂纹增长与操作数据相关联的机器学习模型。
[0010] 可以对本公开的这些示例实施例进行变化和
修改。参考以下描述和所附
权利要求，将更好地理解各种实施例的这些和其他特征，方面和优点。包含在本
说明书中并构成其一部分的
附图示出了本公开的实施例，并且与说明书一起用于解释相关原理。
附图说明
[0011] 在说明书中阐述了针对本领域普通技术人员的实施例的详细讨论，该说明书参考了附图，其中：
[0012] 图1描绘了根据本公开的示例实施例的示例方法的
流程图；
[0013] 图2描绘了根据本公开的示例实施例的示例方法的流程图；
[0014] 图3描绘了根据本公开的示例实施例的分成四个不同增长区域的疲劳裂纹增长；
[0015] 图4描绘了根据本公开的示例实施例的可以用作模型的特征输入的示例操作循环的图形表示；
[0016] 图5描绘了根据本公开的示例实施例的示例方法的流程图；和
[0017] 图6描绘了根据本公开的示例实施例的示例计算系统。
具体实施方式
[0018] 现在将详细参考本公开的实施例，其一个或多个示例在附图中示出。通过解释所公开的技术提供每个示例，而不是限制所公开的技术。实际上，对于本领域技术人员来说显而易见的是，在不脱离权利要求的范围或精神的情况下，可以在本公开中进行各种修改和变化。例如，作为一个实施例的一部分示出或描述的特征可以与另一个实施例一起使用，以产生又一个实施例。因此，本公开旨在
覆盖落入所附权利要求及其等同物的范围内的这些修改和变化。
[0019] 如说明书和所附权利要求中所使用的，单数形式“一”，“一种”和“该”包括复数指示物，除非上下文另有明确说明。术语“约”与数值的结合使用是指所述量的25％以内。
[0020] 本公开的示例方面涉及用于疲劳裂纹增长预测的系统和方法。可以参考用于航空(例如，为
飞行器提供推进力)的
燃气涡轮发动机的转子轴中的疲劳裂纹增长来讨论本公开的各方面。然而，使用本文提供的公开内容，本领域普通技术人员将理解，本公开的各方面可用于预测在各种应用中的任何类型的可旋转结构的疲劳裂纹增长，各种应
用例如
风力
涡轮机，喷气发动机，涡轮螺旋桨发动机，航改式
燃气轮机，业余燃气轮机，辅助动力单元，发电用燃气轮机，涡轮轴发动机，径向燃气轮机，比例喷气发动机，微型涡轮机，
内燃机，电动发动机，钻机和其他工具/设备，
变速器或其他应用。
[0021] 根据示例实施例，提供了由一个或多个监测系统记录的数据，该监测系统被配置为在操作期间监测包括一个或多个可旋转部件的机器的参数。例如，可以收集飞行期间飞行器的燃气涡轮发动机的参数(例如，“飞行数据”)，
蒸汽、
水或
风力发电期间的涡轮机的参数(例如，“动力数据”)，或者驱动期间内燃机或变速器的参数(例如，“驱动数据”)。操作数据可以包括与燃气涡轮发动机或其他机器相关的诸如核心速度，温度，
扭矩，
加速度等的参数。在一个示例中，操作数据是包括由机载飞行记录器收集的高频传感数据的飞行数据。动力数据和驱动数据也可以由机载操作记录器收集。机器学习技术可用于构建将操作数据映射到疲劳裂纹增长的一个或多个模型。一个或多个模型均可以是基于非物理的模型。举例来说，模型可用于基于实际使用来逐周期地预测燃气涡轮发动机的各个转子的裂纹增长。类似地，模型可用于逐周期地预测变速器中的各个
齿轮，涡轮、发动机或变速器中的各个轴或转子等的裂纹增长。应当理解，可以使用与机器的可旋转部件相关联的任何操作数据来生成模型。
[0022] 本公开的示例方面可以提供许多技术效果和益处。例如，使用机器学习技术来构建将操作数据映射到疲劳裂纹增长的模型可以绕过基于物理的模型计算中使用的复杂计算，例如计算应力强度因子和其他复杂的LEFM参数。这可以允许处理和存储资源用于其他功能。此外，根据本公开的示例方面构建的模型可以是分析模型，其可以允许基于实际使用几乎瞬时地预测疲劳裂纹增长。分析模型可以提供准确的近实时或实时疲劳裂纹预测。使用根据本公开的示例实施例构建的模型预测疲劳裂纹增长的益处可以包括：(1)设置用于部件移除和修复的安全且适当的
接口；(2)延长资产的运作时间；(3)优化资产运营及其与实地问题的相关性。
[0023] 本公开的示例方面可以提供计算技术的改进。例如，使用机器学习而不是基于物理的计算可以提供相对于基于物理的模型更容易评估的模型的开发，用于预测疲劳裂纹增长。这可以节省计算系统的处理和存储资源。模型还可以提供更快的疲劳裂纹增长的处理和预测。
[0024] 在示例实施例中，可以使用模型来选择诸如部件检查，修理和/或替换的维护操作。例如，系统可以接收部件或与部件相关联的机器的操作数据。系统可以使用数据和模型确定预测的裂纹增长。然后，系统可以基于预测的裂纹增长来安排和/或执行维护操作。在一些示例中，系统可以基于预测的疲劳裂纹增长的指示生成与部件相关联的自动维护消息。这些技术可以优化部件寿命，同时最小化与维护操作相关的停机时间。例如，通过预测裂纹何时达到值得维护操作的尺寸，可以避免不必要或过早的维护操作。
[0025] 图1描绘了根据本公开的示例实施例的用于构建疲劳裂纹增长
预测模型的示例方法(100)的流程图。该方法可以由任何合适的计算系统实现，例如图6中描绘的计算系统。另外，尽管图1描绘了出于说明和讨论的目的以特定顺序执行的步骤。使用本文提供的公开内容，本领域普通技术人员将理解，本文公开的任何方法或处理的各个步骤可以在不偏离本发明的范围的情况下进行调整，扩展，同时执行，省略和/或重新排列。
[0026] 在示例实施例中，方法100可以由诸如一个或多个第一处理器的一个或多个第一计算设备执行。一个或多个第一处理器可以使用第一多个
传感器监控第一多个机器的操作。例如，与健康和使用监测系统(HUMS)相关联的一个或多个处理器可以从用于飞行器机群中的多个飞行器的多个传感器收集数据。
[0027] 在(102)处，该方法包括获得可影响疲劳裂纹增长的参数的历史
传感器数据。历史传感器数据可以是诸如飞行数据，动力数据或驱动数据的操作数据，并且可以包括与诸如转子，轴，齿轮等可旋转部件的操作相关的参数。在一些实施例中，传感器数据可以是健康和使用监测系统(HUMS)收集的数据，其可以包括与例如实际转子操作的实际部件操作相关的参数的全面和连续记录。参数可以包括例如核心速度，温度，扭矩，加速度等。历史传感器数据可以是与一个或多个机器(例如第一飞行器或第一组飞行器)的一个或多个可旋转结构相关联的历史操作数据。在一些示例中，(102)可以包括使用第一多个传感器监测第一多个机器的操作以确定历史操作数据。在示例实施例中，(102)可以包括使用全飞行数据，诸如包括发动机参数，环境参数和其他运载器参数的操作数据。
[0028] 在(104)处，该方法可以包括获得历史环境状况数据。历史环境状况数据可以包括与机器运行的环境相关联的数据。例如，燃气涡轮发动机的历史环境状况数据可包括
环境温度，操作条件和与燃气涡轮发动机的操作环境相关的其他数据。
[0029] 在(106)处，该方法可以包括获得指示实际疲劳裂纹尺寸的数据。这可用于确定训练模型的基本事实。指示实际疲劳裂纹尺寸的数据可以以各种方式获得。例如，可以通过直接测量获得数据。数据可以通过LEFM获得。无论是否使用操作数据，可以通过其他基于物理的方法获得数据。
[0030] 在(108)处，可以基于指示裂纹尺寸的数据来确定指示疲劳裂纹增长的数据。在一些实施例中，可以在确定疲劳裂纹增长时考虑传感器数据和/或环境数据。指示疲劳的数据可以用作训练模型(例如机器学习模型或其他基于非物理的模型)的因变量。指示疲劳裂纹增长的数据可以是，例如，指示疲劳裂纹增长速率或绝对裂纹增长。
[0031] 在(110)，机器学习技术可用于基于指示疲劳裂纹增长的数据和飞行数据来训练模型。在一些实施例中，可以在训练模型时考虑环境数据。可以根据本公开的示例实施例构造任何合适类型的模型。例如，可以构建
随机森林模型(“RF模型”)和/或神经网络模型(“NN模型”)。在一些实施例中，可以使用具有或不具有正则化的非线性回归。在一些实施例中，可以使用梯度增强机，
人工神经网络，自组织图和/或
深度学习中的一个或多个。
[0032] 在一些实施例中，可以构造两种类型的RF模型。例如，可以构建RF分类模型以识别裂纹增长区域。此外，可以构建每个裂纹增长区域内的疲劳裂纹增长速率的RF回归模型。
[0033] 对于RF模型，指示疲劳裂纹增长速率的数据可以用作模型的因变量。裂纹尺寸可以定义为沿着裂纹的给定尺寸或面积的裂纹长度。对于裂纹面积建模，可以在训练模型之前使用裂纹增长速率的对数变换。对于裂纹长度建模，在训练模型之前可能不需要裂纹增长速率的对数变换。
[0034] 对于RF分类模型，区域的总数可以根据来自
训练数据的观察模式而变化。图3示出了当裂纹增长被分成四个不同的增长区域时的一个例子。对于RF分类模型，可以有意地使用
不平衡类(非平衡类)的训练数据来对抗误差传播，以便使用RF模型进行n步超前预测。举例来说，一些类可以具有更多数据点，例如与具有更快裂纹增长的类相比没有慢裂纹增长的类。模型可能倾向于偏向于包括更多数据点的类。通常，可以通过从每个类中选择相等数量的样本来强制使用平衡类。然而，这种平衡方法可能对于裂纹增长建模不是理想的。因此，对于示例实施例中的分类模型，可以使用不平衡类的训练数据。由于疲劳裂纹增长速率的差异，系统可以随机选择或使用预定规则。对于RF分类模型，当前裂纹大小可以或可以不用作预测器。对于RF回归模型，当实施用于n步超前预测的模型时，保守调整机制，即，将预测的裂纹增长乘以小于100％的系数，可以或可以不使用。
[0035] 在一些实施例中，可以构建NN分类模型。当前裂纹尺寸可以或可以不用作预测器。可以或可以不实施训练数据的起点。
[0036] 对于NN模型，裂纹增长速率，绝对裂纹增长和/或裂纹尺寸可以是模型的因变量。为对于裂纹面积和长度两者建模，可以或可以不执行因变量的对数变换。
[0037] 在一些实施例中，裂纹增长速率可以定义如下：
[0038]
[0039] 如上所述将裂纹增长速率定义为百分比增长可以为模型提供更有意义的输出。
[0040] 图2描绘了根据本公开的示例实施例的用于使用机器学习训练模型的示例方法101的流程图。该模型可以是机器学习模型。如上所述，可以通过获得操作数据(102)，获得指示疲劳裂纹尺寸的数据(106)和/或通过获得环境状况数据(104)来训练模型。
[0041] 在(112)处，该方法可以包括预处理数据。例如，可以处理诸如飞行数据的原始操作数据，以识别由传感器故障，不完整或重复数据摄取，通过传输或存储的不正确数据类型转换等引起的
质量问题。
[0042] 在(114)，该方法可以包括执行操作分类。例如，可以基于预处理的操作数据对操作进行分类。可以识别适合于机器学习模型开发的操作。
[0043] 在一些实施例中，可以基于与疲劳裂纹增长相关的增长区域分类操作。参考图3，例如，疲劳裂纹增长可被视为具有四个不同的增长区域。这些区域包括裂纹形成和增长的多个不同阶段，从裂纹萌生到裂纹达到临界尺寸(例如，可能导致部件失效)开始。例如，图3描绘了第一图表120，其示出了表示每个不同裂纹增长区域中的裂纹增长的线的
叠加。图3描绘了第二图表122，其示出了第一裂纹增长阶段中的裂纹增长，其中，裂纹增长相对于循环数略微线性。图3描绘了第三图表124，其示出了第二裂纹增长阶段中的裂纹增长，其中，裂纹增长具有非常小的循环增长，随后是更大且增加的裂纹增长速率。图3描绘了第四图表126，其示出了第三裂纹增长阶段中的裂纹增长，其中，裂纹增长稍微线性地进行，随后裂纹增长速率快速增加。图3描绘了第五图表128，其示出了第四裂纹增长阶段中的裂纹增长，其中，裂纹增长很少，随后裂纹增长速率快速增加。
[0044] 在(114)处，可以根据相应的裂纹增长区域或阶段分类操作。在一些示例中，可以为每个不同的疲劳裂纹增长区域创建模型。因此，操作可以被划分为不同的区域和用于训练相应区域的模型的操作数据。仅作为示例提供了使用四个裂纹增长区域和相应数量的模型来模拟裂纹增长。可以使用任何数量的区域和模型。
[0045] 在(116)处，该方法可以包括特征工程(feature engineering)以基于用于训练模型的操作数据来确定适当的特征。以下详细讨论示例特征。
[0046] 在一些实施例中，确定
停留时间特征。停留时间特征可以包括飞行，发电过程，驱动或任何其他移动事件的持续时间，而所选择的发动机参数保持在由上限和下限
指定的特定范围内。例如，对于发动机，所选择的发动机参数可包括例如各个
位置的温度，核心发动机速度，加速度等。可以分别为各个发动机或共同为各种发动机确定上限和下限。类似的参数和边界可以用于其他机器，例如变速器，工具等。
[0047] 在一些实施例中，确定值时间特征(time-at-value feature)和超值时间特征(time-above-value feature)。例如，值时间特征和超值时间特征可以包括飞行持续时间，同时所选择的发动机参数保持在所选择的下限或高于所选择的下限。
选定的操作参数可包括各个位置的温度，核心发动机速度，扭矩，加速度等。下限可以从各个机器单独提取或从各种机器一起提取。
[0048] 在一些实施例中，可以确定滚动窗口特征。滚动窗口特征可以包括例如在所选长度的滚动窗口期间所选择的机器参数的统计聚合值或它们的组合。统计聚合函数可以包括预选值的平均值、中值、最大值、最小值、标准差、四分位数范围、总和、乘积、计数，所有前述函数的累积值、所有前述函数的对数变换等。组合可以包括另一个特征的乘积、除法、减法、和、指数幂等。对于组合的某些特征，可以使用或不使用不均匀的滚动窗口长度。选定的发动机或其他机器参数包括但不限于各种位置的温度和核心发动机速度，扭矩，加速度等。根据
采样间隔，滚动窗口长度在已知飞行或其他操作中从1个采样间隔到最大长度变化。
[0049] 在一些实施例中，可以确定与疲劳相关的已知操作循环的计数。如图4所示的某些操作循环，其被定义为从一个发动机速度带(由上限和下限阈值指示)移动到另一个速度带，然后返回到原始发动机速度带的完整循环，是已知的影响裂纹增长的因素。这些操作循环的计数可以用作输入特征。类似的速度带可以用于变速器和其他具有可旋转结构的机器。
[0050] 在一些实施例中，确定由相同发动机执行的不同飞行上的累积特征。以上所有特征均可从单独飞行中提取。但是，一个特定的发动机可以在其寿命期内执行数千次飞行。因此，不同任务中所有上述特征的累积效应也可用作输入特征。类似地，可以确定跨机器的不同
驱动器，发电过程或其他操作窗口的累积特征。
[0051] 在一些实施例中，可以执行特征优化。处理历史操作数据可以包括确定用于使用机器学习技术训练机器学习模型或其他基于非物理的模型的一个或多个输入特征。可以基于相似性来识别特征群组。在模型训练期间，可以基于特定机器(例如，发动机，变速器，工具等)位置/裂纹增长的部分来识别重要特征。然后将这些重要特征用作机器学习模型的优化特征。还可以基于各个机器识别重要特征。
[0052] 在(118)处，该方法可以包括训练、调整和交叉验证一个或多个模型。在一些实施例中，一个或多个模型可以将输入特征映射到每个循环的裂纹增长速率或其他因变量。
[0053] 图5描绘了使用根据本公开的示例方面构建的模型来基于实时或近实时的飞行或其他操作数据来预测疲劳裂纹增长的示例方法(200)的流程图。在示例实施例中，模型可以是机器学习模型。方法(200)可以由任何合适的计算系统实现，例如图6中描绘的计算系统。另外，尽管图1描绘了出于说明和讨论的目的以特定顺序执行的步骤。使用本文提供的公开内容，本领域普通技术人员将理解，本文公开的任何方法或处理的各个步骤可以在不偏离本发明的范围的情况下进行调整，扩展，同时执行，省略和/或重新排列。
[0054] 在示例实施例中，方法200可以由诸如一个或多个第二处理器的一个或多个第二计算设备执行，而方法100由一个或多个第一处理器执行。一个或多个第二处理器可以被配置为使用先前训练的模型来预测第二多个机器的裂纹增长。例如，一个或多个第二处理器可以将第二多个飞行器的操作数据提供给机器学习模型，并且接收与第二多个飞行器的可旋转部件相关联的预测的疲劳裂纹增长的指示作为输出。
[0055] 在(202)处，该方法可以包括访问模型。可以使用如上所述的机器学习技术预先训练模型。该模型可以将操作数据与疲劳裂纹增长相关联。该方法可以包括获得传感器数据(例如，飞行数据)(204)和/或环境状况数据(206)。在一些示例中，(204)可以包括使用第二多个传感器监测第二多个机器的操作，以确定与第二多个机器相关联的操作数据。基于该数据，可以应用该模型(208)以获得预测的裂纹增长(210)。预测的裂纹增长(210)可以反馈到模型中，以用于预测下一循环中的裂纹增长。
[0056] 根据所公开技术的示例实施例，使用与至少第一机器的一个或多个可旋转结构相关联的历史操作数据来训练机器学习模型。在一些实施方式中，系统可以将与一个或多个附加机器相关联的操作数据输入到模型。例如，模型可以被构造成包括一个或多个输入，其被配置为接收与具有附加可旋转结构的机器相关联的附加操作数据。该模型可以包括一个或多个输出，其被配置为提供与附加机器的可旋转结构相关联的预测的疲劳裂纹增长的指示。作为机器学习模型的一个或多个输出，系统可以生成与附加机器的可旋转结构相关联的预测的疲劳裂纹增长的指示。
[0057] 根据所公开技术的一些方面，系统可基于预测的疲劳裂纹增长的指示生成与机器或机器的可旋转结构相关联的自动维护消息。可以响应于自动维护消息执行一个或多个维护操作。例如，可以响应于自动维护消息自动更换或检查部件。
[0058] 图6描绘了可以用于实现根据本公开的示例实施例的系统和方法的示例计算系统的
框图。如图所示，该系统可以包括一个或多个计算设备802。一个或多个计算设备802可以包括一个或多个处理器804和一个或多个存储器设备806。一个或多个处理器804可以包括任何合适的处理设备，例如
微处理器，微
控制器，集成
电路，逻辑设备或其他合适的处理设备。一个或多个存储器设备806可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质，RAM，ROM，
硬盘驱动器，闪存驱动器或其他存储器设备。
[0059] 一个或多个存储器设备806可以存储可由一个或多个处理器804访问的信息，包括可以由一个或多个处理器804执行的计算机可读指令808。指令808可以是任何指令集，其当由一个或多个处理器804执行时，使得一个或多个处理器804执行操作。指令808可以是以任何合适的编程语言编写的
软件，或者可以以
硬件实现。在一些实施例中，指令806可以由一个或多个处理器804执行以使一个或多个处理器804执行操作。存储器设备806还可以存储可以由处理器804访问的数据810。例如，数据810可以包括操作数据(例如，飞行数据)，裂纹增长数据，与模型相关联的环境状况数据等。
[0060] 一个或多个计算设备802还可以包括
通信接口812，用于例如与系统的其他部件和/或其他计算设备通信。通信接口812可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器，接收器，端口，控制器，天线或其他合适的部件。
[0061] 这里讨论的技术参考基于计算机的系统和由基于计算机的系统采取的动作以及发送到基于计算机的系统和从基于计算机的系统发送的信息。本领域普通技术人员将认识到，基于计算机的系统的固有灵活性允许部件之间和部件中的各种可能的配置，组合以及任务和功能的划分。例如，这里讨论的处理可以使用单个计算设备或组合工作的多个计算设备来实现。
数据库，存储器，指令和应用程序可以在单个系统上实现，也可以跨多个系统分布。分布式部件可以顺序或并行操作。
[0062] 尽管各种实施例的具体特征可能在一些附图中示出而在其他附图中未示出，但这仅是为了方便。根据本公开的原理，可以结合任何其他附图的任何特征来参考和/或要求保护附图的任何特征。
[0063] 本书面描述使用示例来公开本公开，包括最佳模式，并且还使本领域技术人员能够实践本公开，包括制造和使用任何装置或系统以及执行任何结合的方法。本公开的可专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例包括与权利要求的字面语言没有不同的结构元件，或者如果它们包括与权利要求的字面语言无实质差别的等效结构元件，则这些其他示例意图落入权利要求的范围内。
