技术领域
[0001] 本
发明涉及航空发动机监测领域。特别是，本发明涉及检测航空发动机控制装置的异常。更特别的是，本发明涉及检测
涡轮喷气发动机
压缩机上
定子阀调节
电路的工作异常。
背景技术
[0002] 在众多工业领域，诸如航空或航天，检测工具的使用非常普遍。
[0003] 然而，航空发动机异常的监测或检测通常都是通过观察相当大数量的发动机部件来独立地且间断地进行。
[0004] 这种观察产生大量数据，分析这些数据需要相当长的计算时间。
[0005] 此外，会出现这样的情况，由于缺少可持续不断地监测所述部件正常工作的相关指示装置，结果异常指示有误，或甚至，发动机部件出现故障，但却未能发现。
发明内容
[0006] 本发明提供了一种航空发动机异常的检测方法，所述方法包括如下步骤：
[0007] ·使用时间回归定义一个所述航空发动机控制装置的行为模型，所述时间回归根据数据集来对所述控制装置特性进行模拟，所述数据集与所述控制装置有关且包括了过去特性的测量以及所述控制装置状态和控制测量；
[0008] ·对每个新数据集，连续重新计算所述行为模型；以及
[0009] ·监测所述行为模型的统计变异，以便检测反映所述发动机工作异常的所述控制装置的行为异常。
[0010] 为此，所述方法可通过最小数量测量和优化计算时间来使用粗糙模型检测发动机的行为异常。尤其是，通过连续重新计算控制装置的行为的粗糙模型，同时每次又使用非常少的测量，并通过随着时间
跟踪模型变化，可以预先检测到控制装置的趋势。
[0011] 该方法还可以包括如下步骤：
[0012] ·采集与所述控制装置有关的初始数据集；
[0013] ·将所述初始数据集分割成多个代表不同飞行状态的均匀间隔，各种不同飞行状态通过状态指标来确认，而这些状态指标是使用专家们规定的标准来确定的；以及[0014] ·确定每个飞行状态的参考行为模型。
[0015] 因此，所述方法考虑了发动机的使用条件，并采用了分析和识别飞行阶段的工具以便使工作能够连续进行。此外，针对条件维护要求，在稳定和预定的外部条件测试期间，充分应用该方法。
[0016] 所述方法还包括如下步骤：
[0017] ·随着时间收集有关所述控制装置的当前数据集；
[0018] ·在存储
缓冲器内存储预定时间周期的所述当前数据集的内容；
[0019] ·根据所述当前数据集，计算所估计的状态指标以确认所述预定时间周期所特有的当前飞行状态；
[0020] ·计算对应于所述当前数据集和所述当前飞行状态的当前行为行为模型；
[0021] ·估计对应于所述当前飞行状态的所述当前行为模型和所述参考行为模型之间的行为距离；以及
[0022] ·检测所述行为距离大于预定正常阈限时的所述控制装置的行为异常。
[0023] 为此，一旦行为模型被校准，通过关注少量发动机部件的行为和计算参考模型和当前模型之间的距离可以方便地实时应用该模型，从而检测发动机的工作故障。当然，故障的检测随后会使得故障
定位更方便。
[0024] 在本发明的第二方面中，所述行为行为模型是按如下步骤确定的一种有理
过滤器：
[0025] ·通过删减低通
滤波器和对每个飞行状态所估计局部变化的正常实现，而使所述初始数据集标准化；
[0026] ·根据反映此前行为测量的此前时刻输出矢量y(t-i)，以及根据包括当前时刻输入矢量x(t)和此前时刻输入矢量x(t-i)的输入矢量，每个输入矢量x通过将所述控制装置的所述指令和状态测量结合一起而构成，形成多个数学公式，每个公式表示当前时刻输出矢量y(t)，该矢量代表了所述控制装置当前行为；
[0027] ·使用多个数学公式来形成每个飞行状态的参考有理滤波器；以及[0028] ·使用所述多个数学公式来计算与所述当前数据集和所述当前飞行状态相关的当前有理滤波器。
[0029] 为此，通过使用有理滤波器对控制装置模拟，可获得良好的外推器，这种外推器需要的计算时间非常少，而且可以从粗糙模型中检测到有意义的行为变化情况。
[0030] 所述多个数学公式中的每个数学公式可以相当于时域内通过如下公式分析描述的所述输出矢量y和输入x之间的线性方程：
[0031] A(q)y＝B(q)x
[0032] 其中，A(q)为公式的实多项式：
[0033] A(q)＝1+a1q-1+a2q-2+…+araq-ra
[0034] 而B(q)为实多项式，其中每个系数为尺寸与输入矢量相同的线性矢量，以及公式如下：
[0035] B(q)＝b0+b1q-1+b2q-2+…+brbq-rb
[0036] 其中
[0037] q-1(x(t))＝x(t-1)
[0038] 为此，有理滤波器可以通过其在复平面中的零点和极点非常方便地采用独特方式确定。这就很容易跟踪行为模型状态内的变化情况。
[0039] 在另一种方式中，所述方法包括：
[0040] ·提取与对应于所述当前飞行状态的所述当前有理滤波器相关的多项式的当前零点和极点；
[0041] ·根据所述当前零点和极点以及反映与所述控制装置有关的采集环境的其它信息，使用专家标准来计算所述当前飞行状态的正常指标；以及
[0042] ·检测所述正常指标和对应正常阈限之间距离大于预定值时所述控制装置的行为异常。
[0043] 为此，从有理分式的独特行为(零点和极点)中，可以确定方便地跟踪这些行为统计变异的距离，从而检测控制装置的行为异常。
[0044] 在另一种方式中，所述方法包括：
[0045] ·使用适合于所述控制装置的动态范围的功能来确定距离；以及[0046] ·检测参考有理滤波器和当前有理滤波器之间所述距离大于预定值时所述控制装置的行为异常。
[0047] 因此，可以直接使用更普遍的标准，无需利用零点和极点，以便检测控制装置的行为异常。
[0048] 在本发明的示例中，所述控制装置相当于调节器电路，该电路操纵执行机构来控制涡轮喷气发动机低压压缩机和
高压压缩机上的定子阀并用来根据飞行状态修正所述压缩机的几何形状，以及与所述调节器电路相关的所述数据集包括有关执行机构
位置的数据和外部数据，所述外部数据包括所述低压压缩机轴的第一转速N1、所述高压压缩机轴的第二转速N2、压缩机下游的压
力P、燃油流量W，以及执行机构的指令u。
[0049] 为此，所述方法可以通过观察少量参数来预先检测阀
门调节器电路的任何趋势。
[0050] 在这个示例中，所述方法包括如下步骤：
[0051] ·确定稳定状态离散自回归滤波器，用来根据对应于执行机构早期位置先前时刻输出变量y(s；s＜t)以及根据对应于过去和当前时刻所述外部数据的输入变量，[0052] x(s)＝(xj(s)；s≤t)j＝1…k
[0053] 模拟对应于执行机构当前位置当前时刻输出变量y(t)的行为，所述自动回归滤波器由带有如下公式的多项式分式有理滤波器(Fj(w))j＝1…k以
频谱w表示：
[0054]
[0055] 式中
[0056]
[0057] 以及
[0058]
[0059] ·采集在台架试验阶段测量和储存的反映初始输入和输出变量(x0(s)，y0(s))的初始数字数据；
[0060] ·根据所述初始数字数据，确定飞行状态；
[0061] ·计算每个飞行状态的所述有理滤波器(Fj(w))j＝1…k的所述多项式分式的最佳秩组rj和r0；以及
[0062] ·计算每个飞行状态的参考有理滤波器
[0063] 这样，就可以构建一个有效而又非常容易实施的行为模型。此外，对最佳秩组的选择可优化行为模型及其坚固性。
[0064] 另外，所述方法还包括如下步骤：
[0065] ·随着时间在存储缓冲器内储存反映输入和输出变量(x(s)，y(s))的数字以构成N-测量试样：
[0066] It＝{(x(s)，y(s))；s∈[t-N+1，…t]}
[0069] QFR∈[0，1]
[0070] ·估计与所述当前飞行状态相关的最佳组的当前有理滤波器(Fj(w))j＝1…k；
[0071] ·将所述当前有理滤波器(Fj(w))j＝1…k与对应于同一飞行状态的参考有理滤波器进行比较；以及
[0072] ·当所述当前有理滤波器(Fj(w))j＝1…k和所述参考有理滤波器 之间的差大于预定值时，指示所述调节器电路的行为异常。
[0073] 这样，只要根据外部条件和阀门指令输入信息通过观察执行机构位置的变化便可以检测发动机的异常。
[0074] 根据本发明的所述方法的一个方面，所述当前和参考有理滤波器(Fj(w))j＝1…k和之 之间的比较包括如下步骤：
[0075] ·计算台架试验阶段测量的反映执行机构实际位置的输出变量和所述当前参考有理滤波器 估计的反映执行机构位置的对应输出变量之间的参考均方误差MSE0；
[0076] ·计算实时测量期间所测的反映执行机构实际位置的当前输出变量和所述当前有理滤波器(Fj(w))j＝1…k估计的反映执行机构位置的对应输出变量之间的当前均方误差MSE；
[0077] ·计算所述当前平均二次误差MSE和所述参考二次误差MSE0的比率e0所确定的差：
[0078] e0＝MSE/MSE0；以及
[0079] ·指示所述比率e0大于预定值时的异常。
[0080] 根据本发明所述方法的另一个方面，所述当前和参考有理滤波器(Fj(w))j＝1…k和之间的比较包括如下步骤：
[0081] ·通过所述当前和参考有理滤波器(Fj(w))j＝1…k和 在每个输入变量xj(t)的
频率带宽上加权积累，计算局部指标ej的序列e＝(ej)j＝1…k：
[0082]
[0083] 其中
[0084] |Xj(w)|2＝∫Rjj(τ)e-iwτdτ
[0085] 其中
[0086] Rjj(τ)＝E[xj(t)，xj(t-τ)]
[0087] ·通过使用所述局部指标ej之间的相关技术来计算局部标记 的序列z＝(zj)j＝1…k，式中，是局部指标ej和其它局部指标之间的估计值：
[0088]
[0089] 其中，cj，i为回归系数；
[0091]
[0092] 式中，是采用协方差矩阵∑在台架试验阶段计算的z的平均值；
[0093] ·通过将总体积分Z2乘以飞行状态QFR∈[0，1]的识别质量因子计算最终积分；
[0094] QFR×Z2以及
[0095] ·当最终积分QFR×Z2的值超过预定值时，指示行为异常警告。
[0096] 本发明还提供了一种可检测航空发动机异常的系统，所述系统包括：
[0097] ·采用时间回归来确定所述航空发动机控制装置行为模型的装置，该时间回归根据与所述控制装置相关并包括过去行为测量和所述控制装置指令及状态测量的数据集来模拟所述控制装置的行为；
[0098] ·连续重新计算每个新数据集的所述行为模型的装置；以及
[0099] ·监测所述行为模型统计变异的装置，以检测所述控制装置的行为异常，该异常反映了所述发动机的工作异常。
[0100] 本发明还提供了一种
计算机程序，该程序包括在处理器装置执行时实施上述步骤所述检测方法的指令。
附图说明
[0101] 下面阅读以非限定性示例给出的如下说明并参照附图，本发明的装置和方法的其它行为和优点会更好地显现出来，附图如下：
[0102] ·图1示出了本发明所述系统或方法实施用的
硬件装置透视图，所述系统或方法适合用于检测航空发动机内的异常；
[0103] ·图2为
流程图，示出了检测图1所示航空发动机内异常的主要步骤；
[0104] ·图3为图1所示航空发动机飞行状态示例的示意图；
[0105] ·图4为流程图，示出了通过本发明有理滤波器模拟航空发动机监测装置的行为的主要步骤；
[0106] ·图5为用于航空发动机调节器电路的本发明检测器系统示例的高清晰示意图；
[0107] ·图6A和6B示出了模拟图5所示调节器电路的行为的主要步骤。
具体实施方式
[0108] 图1示出了本发明系统或方法实施时的硬件装置，所述系统或方法用于检测航空发动机或涡轮喷气发动机1内的异常。该系统包括多个测量控制
信号或数据的
传感器3a-3e，这些
控制信号或数据代表了发动机1的状态，以及可能影响发动机1工作的外部或内部环境数据。该系统还带有
数据处理器装置5，诸如计算机或
控制器，适合用于执行为实施本发明的方法而设计的计算机程序。处理器装置5包括通常在计算机内可以看到的硬件装置。更特别的是，这些处理器装置5包括执行本发明方法程序的指令序列的中央装置7、储存正在执行的数据和程序的中央
存储器9、保存数据的数字数据存储装置或媒体11、输入
外围设备(传感器3a-3e、
键盘、
鼠标…)、以及输出外围设备(声发射器13、
光信号器15、显示屏17、
打印机19、…)，以便使监测结果可用。
[0109] 本发明用来检测发动机1的行为异常，尤其是，检测发动机1的控制或调节器装置21的行为异常，而这种异常代表了发动机1的工作异常。
[0110] 根据本发明，处理器装置5配置成将航空发动机1控制装置21的行为模型定义为时间回归。控制装置21的行为可以根据有关控制装置21的数据集来进行模拟，该数据集包括控制装置21指令和/或状态的过去行为和测量。
[0111] 此外，处理器装置5配置成在连续
基础上重新计算每个新的数据集的该行为模型并监测该行为模型的统计变异，以便检测控制装置21的行为异常。特别是，为了便于计算，通过实施稳定随机模式的回归离散模型，有利地表示控制装置21的时间行为。
[0112] 图2示出了本发明的检测航空发动机1异常的方法的主要步骤。值得关注的是，这些步骤是由本发明的检测器系统的处理器装置5来实施的。
[0113] 步骤E1到E3涉及到根据控制装置21指令和状态的过去行为和测量来确定行为模型。
[0114] 步骤E4到E7涉及到及时重新计算每个新测量的行为模型。
[0115] 步骤E8和E9涉及到测量行为模型的变化和用来检测控制装置21的异常。
[0116] 具体是，在步骤E1，处理器装置5配置成采集与控制装置21相关的初始数据集，该数据集相当于在台架试验期间所测并存储在存储媒体11内的数据。
[0117] 在步骤E2，处理器装置5配置成将该初始数据集分离成多个均匀间隔，这些间隔代表了与实际飞行状态期间所观察到的时间间隔相类似的间隔。各种不同飞行状态可以通过多个状态指标来确认，而这些状态指标是使用专家们规定的标准来确定的。
[0118] 这种选择或分离可以应用专家们提供的定义来实现，专家们提出了这些阶段的每个阶段的概率指标。为此，这些指标给出了所述概率为每个确认状态的给定飞行状态。然后，在应用由概率阈限根据指标确定的类别品质因子或标准来接收最可能的飞行状态FR。
[0119] QFR∈[0，1]
[0120] 图3为根据发动机旋转速度而确定的飞行状态示例示意图。在这个示例中，稳定的飞行状态包括地面R1和R6(地面慢车)慢车阶段，以及巡航阶段R3。静止(稳定的)间隔或阶段是由发动机的旋转速度的准稳定测量来确定。过渡阶段，诸如
起飞R2期间的
加速，下降R4的同时减速，或反向推力R5，都不是稳定阶段，因此，不能用来对稳定随机过程进行建模。
[0121] 此外，飞行状态可以用三个状态指标来确认：最小间隔持续时间、表示间隔为飞行状态特定类别组成部分的参考值，以及公差值。值得关注的是，假设该确认主要是在地面上进行时，则不必包括其它参数，诸如飞机的高度或
姿态。
[0122] 在步骤E 3，根据过去行为和过去以及当前的其它测量，处理器装置5配置成来确定适合预测控制装置21行为的每个飞行状态的参考行为模型。
[0123] 此后，实时应用该参考行为模型。
[0124] 为此，在步骤E4，处理器装置5开始随着时间的推移而采集与控制器装置21相关的当前数据集。例如，该数据来自感应发动机1环境的各种传感器3a-3e。
[0125] 在步骤E5，处理器装置5配置成在储存缓冲器23内根据预定时间段存储当前数据集的内容，例如，置于存储装置11内。
[0126] 在步骤E6，处理器装置5配置成利用当前数据集来计算状态指标估计值以确定预定时间段所特有的当前飞行状态。如果当前飞行状态确定，那么，该方法移至下一个步骤E7，否则，继续采集新的数据。
[0127] 在当前飞行状态确定时，处理器装置5在步骤E7期间配置成可计算对应于当前数据集和当前飞行状态的当前行为模型。可使用步骤E3的规定来计算当前行为模型，步骤E3涉及到对应于同一飞行状态的参考行为模型。
[0128] 在步骤E8，处理器装置5配置成估计当前行为模型和对应于同一飞行状态的参考行为模型之间的行为距离。
[0129] 然后，在步骤E9，处理器装置5配置成可在行为距离大于预定正常阈限时检测控制装置21的行为异常。
[0130] 例如，控制装置21的行为可以通过基于线性或非线性有理函数的有理滤波器来建模。特别是，有理滤波器可以在模拟自回归平稳过程方面非常有效。
[0131] 图4示出了通过有理滤波器模拟控制装置21行为的主要步骤。
[0132] 在步骤E11，处理器装置5配置成可构建对应于数字数据的初始数据集，这些数字数据是在针对每个飞行状态进行台架试验控制装置21阶段所测量和储存的，以便校准有理滤波器。
[0133] 在步骤E12，处理器装置5配置成通过删减
低通滤波器和对每个飞行状态所估计局部变化的正常实现，而使该数字数据标准化。
[0134] 在步骤E13，处理器装置5配置成确定多个数学公式进行。例如，根据代表早先行为测量的先前时刻(即，在t-1，…，t-i，…，0的时刻)的输出矢量y(t-i)和根据由当前时刻x(t)的当前输入矢量组成的输入矢量以及先前时刻的输入矢量x(t-i)，每个公式可以表示代表控制装置21当前行为的现在时刻t的输出矢量y(t)。每个输入矢量x(当前或先前)可以通过将控制装置21的(当前或早先)指令和状态测量值组合一起构建而成。
[0135] 例如，每个数学公式可以对应于输出矢量y和输入矢量x之间的关系，所述矢量通过线性方程在时域内以分析方式进行了描述，该线性方程具有如下公式：
[0136] A(q)y＝B(q)x
[0137] 式中，A(q)是该公式的一种实多项式，其中，最高次数的项等于1：
[0138] A(q)＝1+a1q-1+a2q-2+…+araq-ra
[0139] 以及B(q)是带有如下公式的实多项式，其中，每个系数是尺寸与输入矢量x相同的线矢量：
[0140] B(q)＝b0+b1q-1+b2q-2+…+brbq-rb
[0141] 式中：q-1是由如下公式定义的延迟运算子：
[0142] q-1(x(t))＝x(t-1)
[0143] 这些多项式可以通过其在复平面内的根(零点和极点)来单独确定。
[0144] 在步骤E14，处理器装置5配置成使用多个数学公式来确定每个飞行状态的参考有理滤波器(对应于参考行为模型)。
[0145] 有理滤波器的第一校准步骤在于确定多项式A(q)和B(q)的秩。针对多项式A(q)的次数，另外，针对由B(q)确定的每个多项式和针对所跟踪的变量，需要选择一个值。
[0146] 因为模型的似然自然会随着该模型所使用参数数量而增加，而后，可方便地使用补偿标准，该标准可以有效监测所估计模型和其坚固性的质量。
[0147] 多项式的系数可以通过在满足自回归方程的建模程序期间测量的值上实施回归，采用传统内推和预测技术来计算。为了选择秩，这些回归技术应用到大量数据上，从而可以同时估计多项式的系数，估计补偿似然，并测试行为模型的坚固耐用性。坚固耐用性是测量模型的质量，该测量是在未用于估计行为模型系数的数据上进行的。
[0148] 为自回归线性方程而保持的秩是根据采用技术确定的标准对行为模型似然和其坚固耐用性进行优化的那些秩。
[0149] 一旦有理滤波器经过校准，其便适合实时应用。为此，在步骤E15，处理器装置5配置成随时间的变化而动作，以便采集和在缓冲存贮器23内储存有关控制装置21的当前数据集。
[0150] 有利的是，缓冲存储器23借助于在前一个步骤时估计的秩和最小数据量而确定的固定尺寸，而最小数据量是满足飞行状态和应用回归技术所需要的，而回归技术又是为了计算多项式A(q)和B(q)的系数所需要的。缓冲存贮器23可以作为滑动缓冲器来工作，这样，就可剔除最老数据以便为新的测量留出空间。
[0151] 在每一时刻，都要估计飞行状态指标。该估计应该会引起其中一个飞行状态在存储缓冲器23内存储的整个测量周期内被接受。如果具体状态被确定，那么，所述方法则移至下一个步骤E16。
[0152] 在步骤E16，一旦当前状态被确认，处理器装置5配置成使用多个数学公式来计算与当前数据集和当前飞行状态相关的当前有理滤波器(对应于当前行为模型)。
[0153] 当前有理滤波器的选择和计算包括逼近标准化，该标准化对应于当前飞行状态并执行
自回归模型培训技术。这种校准在存储缓冲器23的数据上进行，以便使用此前在地面上校准期间计算的匹配系数的方法来从中推论出多项式A(q)和B(q)的表述形式。有的时候，可以用于一部分所计算系数不可靠的情况。在这种情况下，所述方法直接进入到下一个步骤E17。
[0154] 独特指标(零点和极点)不能确定线性有理滤波器，因为这些指标比多项式系数更稳定。
[0155] 在步骤E17，针对每个飞行状态，处理器装置5配置成在与当前有理滤波器相关的多项式的复平面中提取当前零点(B(q)的根)和极点(A(q)的根)。在用来只保存实幅度(例如，一对复共轭零点的模数和
相位)的预处理之后，这些当前零点和极点与其它信息一起存储在表格中(例如，存储在存储装置11内)，这些其它信息代表了与发动机1控制装置21相关的采集环境(例如，外部
温度、压力、飞机高度等)。
[0156] 采用这种方法创建的每个飞行状态的表格可通过校准程序(下面介绍)使用，该校准程序可使系数分布得以确定，形成正常阈限的定义(即，控制装置21的正常拒收试验)，例如，按照专家标准。
[0157] 在正常指标的情况下，按极点和零点的正常假设情况下的似然来计算，在这些正常阈限中，超过其中一项都会引起异常告警的发布。然后，实施
决策逻辑，以便控制这些情况的发生和控制报警。
[0158] 值得关注的是，针对具体飞行状态，在随着时间计算和储存了有理滤波器的零点和极点之后，通过在环境测量和其它系数上的回归，校准程序最初在于对每个系数进行重新调整，目的是从采集文本中得以释放。
[0159] 此后，通过对作为整体的重调系数矢量分布的估计来模拟与回归有理滤波器相关的偏差。例如，可以将霍特林T平方用作分布估计的模型。
[0160] 这种分布模型的参数是在被专家们视为正常的数据系列上估计的。正常阈限被定义为是在该分布上的数量。这种模型可以在作为普通噪音出现和控制装置21行为
修改之间识别。
[0161] 因此，为了检测当前飞行状态的异常(如果有的话)，处理器装置5在步骤E18配置成可在专家标准的基础上和从当前零点和极点以及从反映有关控制装置21采集环境的其它信息中来计算正常指标。然后，当正常指标和对应的正常阈限之间的距离大于预定值时，处理器装置5可以检测控制装置21的行为异常。
[0162] 值得关注的是，还可以使用适合于控制装置21动态范围的功能来估计距离，无需利用零点和极点，例如，可利用剩余
能量变化。在这种情况下，在参考有理滤波器和当前有理滤波器之间的距离大于预定值时，可以检测控制装置21内的行为异常。
[0163] 在本发明的示例中，控制装置21相当于调节器电路，操作执行机构控制涡轮喷气发动机压缩机上的定子阀门。
[0164] 图5是本发明检测系统示例的高清晰示意图，包括调节器电路21a(图中实线)和伺服控制回路21b(图中虚线)，目的是检测涡轮喷气发动机1轴向压缩机27a，27b上定子阀25a，25b的工作异常。
[0165] 一般来讲，涡轮喷气发动机1带有位于上游的低压(LP)压缩机27a和位于下游的高压(HP)压缩机27b。
[0166] 此外，定子阀25a，25b根据飞行状态、外部条件和指令输入来修
正压缩机27a，27b的几何形状。它们由封闭调节器电路21a，操作联接在一起的两个执行机构29(例如，液压执行机构)。自然，执行机构29同样也可以是机电或电气执行机构。
[0167] 因此，在这个示例中，控制装置21相当于控制执行机构29的调节器电路21a，由包括了有理滤波器31的伺服控制回路21b对该电路进行建模。
[0168] 执行机构29出口处的位置或动作y由线性可变差动
变压器(LVDT)
位置传感器3a来测量。执行机构29由比例积分微分(PID)调节器33来输送的输入指令u来控制。
[0169] 输入指令u根据驾驶权
请求由设定点35来确定，通过全权数字发动机控制(FADEC)39发送的指令值经由算术运算子37来修正该驾驶权请求。全权数字发动机控制(FADEC)39根据执行机构出口位置y来计算线性可变差动变压器(LVDT)位置传感器3a测量的指令值。
[0170] 此外，除了有关执行机构29的指令测量u和位置测量y之外，该系统包括有关发动机1环境的其它测量。为此，该系统带有传感器3b-3e，分别测量低压压缩机轴的转速N1、高压压缩机轴的转速N2、压缩机下游的压力P以及燃油流量W。
[0171] 为此，伺服控制回路21b示出了有理滤波器31根据输入数据来模拟执行机构的位置 (滤波器31的输出)，所述输入数据包括执行机构的实际位置y、输入指令u、以及包括高压和低压压缩机的转速N1和N2、燃油流量W和空气压力P的发动机环境的外部测量。
[0172] 值得关注的是，了解了液压执行机构的如下参数：汽缸容积V、
活塞面积A、
流体密度ρ、流体的体积模量κ、等效负载质量m、负载
刚度K、以及阻尼c，还有外部和内部泄露L的某些测量，从而可以通过如下时间连续t的分析公式，确定执行机构29的指令u和位置y之间的关系：
[0173]
[0174] 执行机构29的位置y和执行机构29的输入指令u之间的这种时间形成说明了调节器电路21b的行为，并可以通过稳定状态离散自回归滤波器合理地计算。数字回归可以由在时间上为离散的概率论方程来表示如下：
[0175]
[0176] 变量xj将所有这些k外部输入汇聚到一起，这些输入包括输入指令u、发动机1环境测量、以及或许还有其它有关调节器电路21a的情景测量。这个离散方程以公式的矢量方式表示：
[0177] ay＝bx
[0178] 其中
[0179]
[0180] 其中
[0181]
[0182] 矢量参数a和b为状态参数，因为它们表示了环境、指令以及位置之间的关系。
[0183] 为此，根据对应于执行机构29早先位置的先前时刻y(s；s＜t)输出变量和根据对应于当前和先前时刻的外部数据的输入变量，稳定状态离散自回归滤波器用来模拟对应于执行机构29当前位置的当前时刻y(t)输出变量的行为。
[0184] x(s)＝(xj(s)；s≤t)j＝1…k
[0185] 这种自回归滤波器可以通过多项式分数的有理滤波器(Fj(w))j＝1…k31按频谱w来表示，所述多项式分数带有如下公式：
[0186]
[0187] 式中
[0188]
[0189] 其中
[0190]
[0191] 测试模型适合性的良好标准相当于---例如---测量执行机构29所测实际位置y(t)和使用如下公式由滤波器估计的执行机构29位置 之间的N数量试样的均方误差(MSE)：
[0192]
[0193] 图6A和6B示出了采用有理滤波器31对调节器电路21a行为建模的主要步骤。
[0194] 值得关注的是，这些附图和此前的附图也都是举例说明本发明检测航空发动机1异常的系统的主要装置。
[0195] 更确切地说，图6A示出了地面测量期间有理滤波器31的校准情况。
[0196] 在步骤E21，处理器装置5配置成可监测发动机1的工作情况，以便收集初始数字0 0
数据，这些数据反映了台架试验阶段测量和存储的初始输入和输出变量(x(s)，y(s))。
[0197] 这个初始数字数据用来确认或识别飞行状态以及确定多项式的参数。
[0198] 因此，在步骤E22，处理器装置5配置成可使用这些阶段中每个阶段的概率指标(正如专家们所建议的)来识别飞行状态。
[0199] 在步骤E23，在识别了飞行状态后，处理器装置5配置成可使用每个飞行状态的回归技术来计算与有理滤波器(Fj(w))j＝1…k31相关的多项分数的最佳秩组rj和r0。这可以使处理器装置5在步骤E24得以确定每个飞行状态的参考有理滤波器 后者用来根据早前位置和根据其它以往和当前测量情况预测执行机构29的输出位置。
[0200] 更特别的是(步骤E23和E24)，对应于每个飞行状态的数据最初用外部环境信息得以实现正常，例如，包括平均转速。
[0201] 在对数字数据进行正常化之后，就可以通过将测各个测量结合一起而构建输入矢量，
[0202] x＝(N1，N2，P，W，u)
[0203] 这些测量包括：压缩机轴的转速N1和N2、压缩机下游的压力P、燃油流量W以及阀门指令u。值得关注的是，有关转速的外部测量提供了更大的坚固耐用性，可适应环境的变化。
[0204] 此后，针对每个飞行状态，使用最大似然标准，通过优化模型而计算各个秩。可以使用AIC信息标准(AIC)，该标准适合将不同尺寸的模型进行比较，以便找到模型的最佳尺寸。AIC标准用来通过若干个使用如下公式的估计参数d来补偿均方误差MSE内的对数似然对数(L)：
[0205] AIC＝2d-2log(L)
[0206]
[0207] 其中
[0208] log(L)＝-N(log(2πMSE)+1)
[0209] 然后，对AIC标准进行最小化相当于均方误差(MSE)的最小化和估计参数数字的最小化。
[0210] 有利的是，为了确定与新数据有关的坚固的模型，利用了补偿似然坚固性试验。这项试验在未曾用于校准该模型的数据上评估了模型的质量。为此，为了在尺寸N的试样上测试给定秩的模型，
[0211] r＝(r0，…，rk)
[0212] 式中
[0213] r0≥1和rj≥0
[0214] 该模型是在试样的第一部分上进行校准(例如试样尺寸的80％)，并在剩余部分上进行测试。
[0215] 这种坚固性试验给出了这种秩的选择所特有的似然，在这些秩中，MSE的计算是在未曾用于校准的信号的那部分上进行的。因此，可以修正AIC标准，以便尺寸N的试样保持正常，从而使值始终保持前后一致。在排除了恒定部分之后，可获得标准αλ(r)，该标准通过具有如下公式的调整参数λ来调整：
[0216] αλ(r)＝log(MSE)+λd
[0217] 因此，为了选择秩，所述方法以r0＝(1，…，0)开始，计算标准α0＝αλ(r0)，该2
标准等于log(σ)≈0，因为y实现正常(σ＝1)，通过其平均值(μ＝0)而来估计信号。
th
此后，针对r的每个分量j，通过在第j 秩上加1而测试一组新的秩。下面一组秩r1相当于使α(r)最小化的秩。结果，序列(αn)n＝0减小，直至获得最小值，该最小值对应于有理滤波器31的该组秩的最佳选择。
[0218] 在选择了最佳秩组后，有理滤波器31的参数而后通过传统回归方法进行计算，这0
次使用所有的校准信号。这样，对每个飞行状态来讲，可以根据参考多项式A(w)和 获得参考有理滤波器 具体如下：
[0219]
[0220] 值得关注的是，时间回归技术可以获得执行机构位置y(t)的粗略估计。有利的是，该模型通过在固定点附近稳定所述方法而得到改善。
[0221] 尽管如此，这些参数的粗略估计足够了，因为了解状态趋势要比了解回归质量更方便。此外，精确模型会很容易变得过参数化，导致行为模型因为非局部变化出现快速而突然的改变和调整。
[0222] 图6B示出了监测有理滤波器变化的主要步骤。
[0223] 在飞行状态确定后，定期计算新的有理滤波器，实现每个飞行状态的多变量时间信号(a(n)，b(n))。时间指标n对应于定期观测
[0224] t(n)＝t0+nΔt
[0225] 时间指标n还可以代表长期维护保养的飞行班次。实际上，针对每个时间指标n，在t(n)周围的时间间隔It(n)期间，都计算参数的新的估计值。
[0226] 为此，在工作中监测调节器电路21a的目的是通过监测状态参数(a(n)，b(n))的变化来检测该电路的异常。
[0227] 更具体的来讲，在确定了参考滤波器 之后，处理器装置5开始随着时间来记录测量t(n)(为了更简洁起见，常写成t)。
[0228] 在步骤E25，代表输入和输出变量(x(s)，y(s))的数字测量在时间t期间存储在预定容量的存储缓冲器内，以便形成拥有N测量的间隔或试样：
[0229] It＝{(x(s)，y(s))；s∈[t-N+1，…t]}
[0230] 在步骤E26，处理器装置5配置成在每个定期时刻t(n)＝nΔt(式中，Δt是取决于处理器装置5计算速度的预定持续时间)测试N测量试样的稳定性。
[0231] 在步骤E27，当N测量试样稳定时，处理器装置5配置成识别当前飞行状态。在稳定的情况下，最可能的当前飞行状态得以确定，其识别质量得到估计：
[0232] QFR∈[0，1].
[0233] 在步骤E28，处理器装置5配置成可估计与步骤E27中确认的当前飞行状态相关的最佳秩组的当前有理滤波器(Fj(w))j＝1…k。
[0234] 在步骤E29，处理器装置5配置成将步骤E28所计算的当前多项式(Fj(w))j＝1…k式与对应于步骤E24所计算的相同飞行状态的参考有理滤波器 进行比较。
[0235] 在步骤E30，处理器装置5配置成，在当前有理滤波器(Fj(w))j＝1…k和参考有理滤波器 之间的差大于预定值时，可指示调节器电路21a行为存在异常。
[0236] 两个有理滤波器之间的差(偏差)或距离可以根据多项式的零点和极点以及也许根据反映有关调机器电路21a的采集环境的其它信息来计算。
[0237] 零点(Bj的根)和极点(A的根)都是有理滤波器的独特行为。为此，这些根的统计变异可以跟踪，以便能够检测调机器电路21a的行为异常。其中一些根可以是复合的，然而，所有的多项式都是真实的，且在这种情况下，对于每个复合根来讲，存在一个复共轭根，且从而可以只考虑
实部和呈正的
虚部。专家们可从用来确认异常的这些根的具体组合中确定指标。
[0238] 值得关注的是，在缺乏专家标准的情况下，还可自动计算这些指标。
[0239] 另外，还应该注意的是，当多项式由其所有根表示时，可以在
输入信号的整个频谱上控制调节器电路21a的行为。然而，更方便的是，在真正有意义的几个特定频率周围，控
制模型的行为。
[0240] 当前有理滤波器(Fj(w))j＝1…k和参考有理滤波器 之间比较的第一技术在于估计两个滤波器之间的随机差分。
[0241] 例如，处理器装置5可配置成计算所测位置y和当前滤波器所估计位置 之间的均方误差(MSE)，然后，将该当前误差与参考滤波器地面校准期间获得的对应参考误差MSE0进行比较。
[0242] 更特别的是，参考均方误差(MSE0)起初是在反映台架试验阶段测量的执行机构29实际位置的输出变量和反映参考有理滤波器 估计的执行机构29位置的对应输出变量之间计算。
[0243] 此后，当前均方误差(MSE)是在反映实时测量期间测量的执行机构29实际位置的当前输出变量和反映当前有理滤波器(Fj(w))j＝1…k估计的执行机构29位置的对应输出变量之间计算。
[0244] 这样，就可以通过当前均方误差(MSE)和参考均方误差(MSE0)之间的比率e0计算两个滤波器之间的差：
[0245] e0＝MSE/MSE0.
[0246] 这个比率用来测试当前滤波器相对于参考滤波器的
精度。如果在台架试验期间当前滤波器与参考滤波器相比得到较好局部调整，比率e0的值可以小于1。相反，当比率e0的值大于预定值(例如，由于该比率就正常初始数据的统计研究)，那么，则表示存在行为异常。
[0247] 将当前模型与参考模型进行比较的另一个技术在于处理器装置5计算跟踪剩余
能源变化的指标。
[0248] 为此，对于每个输入变量xj(t)来讲(从k输入之中)，功率频谱密度|Xj(w)|2是由输入变量或信号xj(t)的自相关函数Rjj(τ)的傅里叶变换来计算的。
[0249] |Xj(w)|2＝∫Rjj(τ)e-iwτdτ和Rjj(τ)＝E[xj(t)，xj(t-τ)][0250] 此后，局部指标ej的序列e＝(ej)j＝1…k是通过当前和参考有理滤波器(Fj(w))j＝1…k和 在每个输入变量xj(t)的频率带宽上加权积累而计算的：
[0251]2
[0252] 所述项Fj(w)|Xj(w)| 对应于输入变量xj(t)的功率密度频谱。2
[0253] 值得关注的是，为了更快地进行计算，可以只考虑每个功率频谱|Xj(w)| 的频率响应，而不计算整数。
[0254] 此后，局部积分 的序列z＝(zj)j＝1…k通过局部指标ej之间的相关技术来计算，式中，是局部指标ej和其它局部指标之间的回归估计：
[0255]
[0256] 其中，cj，i为回归系数。
[0257] 此外，可以按照马氏距离来计算总体积分Z2，马氏距离用来测量剩余 的序列z＝(zj)j＝1…k和台架试验阶段采用协方差矩阵∑计算的z的平均值 之间的不同。然2
后，由如下公式给出总体积分Z ：
[0258]
[0259] 为了将飞行状态确认不足造成的误差
风险降到最低，可以将总体积分Z2乘以飞行状态识别的质量因子
[0260] QFR∈[0，1]
[0261] 而确定最终积分QFR×Z2。
[0262] 然后，当最终积分QFR×Z2的值超过预定值时，给出行为异常报警。例如，该值可以通过考虑Z2的分布来决定(此处，Z2遵循已知分布定律，即分位数已知的卡方(χ2)分布)。
[0263] 当检测到异常时，然后，可以较详细地分析指标，目的是发现发动机1调节器电路21a的故障元件。
[0264] 可以跟踪每个正常化的局部指标
[0265]
[0266] 式中，σj是协方差矩阵∑的第jth个对
角元。
[0267] 在最佳实施方式中，本发明所述方法的各个步骤都是通过程序代码指令来执行。
[0268] 为此，本发明还提出了一种计算机程序产品，该程序适合在处理器装置或
计算机系统内执行，该程序包括适合实施上述本发明所述方法的代码指令。
[0269] 该程序还可以使用任何程序语言，并可以采用源代码、目标代码，或源代码和目标代码之间代码中间体(code intermediate)的形式，诸如部分编辑形式，或任何其它期望的形式。
[0270] 本发明还提供了一种计算机可读的数据媒体，并包括上述计算机程序指令。
[0271] 数据媒体可以是任何能够存储程序的实体或装置。例如，媒体可以包括诸如
只读存储器(ROM)的存储装置，例如光盘ROM，或微
电子电路ROM，或其它一些存储装置。
[0272] 此外，数据媒体可以是可传递的媒体，诸如电气信号或光
电信号，可以通过
电缆或光缆通过无线电或其它手段传输。
[0273] 或者，数据媒体可以是一种装有程序的集成电路，该电路适合于执行或用于执行所述方法。
