对曲线上用于检测发动机异常的相关点进行估算的方法以及
用于实施该方法的数据处理系统
技术领域
[0001] 本
发明总体上涉及对发动机的运行状况进行监测的领域。
[0002] 更具体地，本发明涉及一种对曲线上用于检测发动机异常的相关点进行估算的方法并涉及用于实施该方法的
数据处理系统。
背景技术
[0003] 在航空领域中，能够监测航空发动机的运行状况以便预测并计划对该发动机的维护操作很重要。发动机的运行状况实际上可能随时间而改变，适当的监测可以给出检测操作异常、监测发动机的劣化以及提前计划可能的维护操作的可能性。这尤其给出了避免航班延误、在劣化太显著之前进行维修、相互对维修操作进行分组等的可能性。
[0004] 已经开发出监测工具，以便根据对发动机的状况进行描述的物理参数的测量值来识别使发动机的运行发生改变的异常。
[0005] 此外，已经描述了一些方法，这些方法能够监测发动机的运行参数的测量值，计算代表发动机的运行状况的指标以及根据所述指标识别发动机的操作异常。
申请人的FR2939924和FR2942001
专利中描述了这种方法的示例。这些指标是由发动机行为领域的专家定义的。因此，对于检测妨碍发动机启动的异常，可以定义下述指标，这些指标例如有启动
阀的打开时间，高压
压缩机到达最大
加速度的时间，第一启动阶段、第二启动阶段和第三启动阶段的时刻t1、t3和t3，发动机的点火时间，启动阀的关闭时间，废气的
温度梯度或者发动机的停止时间。图1示出了
高压压缩机的速度随时间的变化1、废气的温度EGT(Exhaust Gas Temperature，废气温度)随时间的变化2、送往喷射器的
燃料流率随时间的变化3以及压
力随时间的变化4，以及持续时间t1、t3和t3。
[0006] 可以根据发动机的运行参数的测量曲线上的相关时刻来计算这些指标。这种相关时刻是由专家标记在这些曲线上的。
[0007] 这些方法具有下述缺点：专家必须系统性参与来标记这种时刻，因此使得只要专家还没有进行这种标记，就必须存储全部的这些测量曲线。
[0008] 为了克服这些缺点，开发出下述工具，这些工具给出了在不求助于专家的情况下实现自动检测这种相关时刻的可能性。这种工具的使用尤其给出了下述可能性：不再需要长时间地存储大量的数据，只要最后存储从自动确定的相关时刻计算的指标就可以。
[0009] 其中的一些工具可以在工具的开发过程中从专家提供的对这种时刻的描述来特别提取特定的相关时刻。然而，这样的解决方案需要针对待检测的每种类型的相关时刻来开发不同的工具。这样的解决方案还具有下述缺点：将以工具设计者能充分理解的方式来准确描述相关时刻的特性的负担强加给专家，以便使得工具设计者能够以
算法的形式重新转录这些特性。
[0010] 为了摆脱这些限制，已经开发出通用的工具，这些通用的工具给出了在不需要
修改工具并且不需要专家对相关时刻的特性做出任何详细描述的情况下检测任何类型的曲线上的相关时刻的可能性。例如，现有的这种类型的工具可以基于
模式识别。这些工具的原理是在曲线上识别已知的特性形状，该已知的特性形状是通过待检测的相关时刻附近的曲线假定的，如图2所示，图2示出了当试图在曲线上确定诸如形状5的特性形状的
位置时的情形。
[0011] 然而，用这种工具在曲线上检测相关点的时间特别漫长。实际上，会
覆盖整个曲线以便提取通过曲线局部假定的形状6、7和8，然后将这些形状与所寻找的形状进行比较。此外，必须以不同的尺度(scale)来进行这样的分析以便在曲线中检测到所寻找的形状而不管该形状以何种尺度出现在曲线中。这样的处理操作实施了大量的计算，降低了在曲线上检测相关点的速度。
[0012] 此外，这种工具都专注于检测兴趣点附近的特定形状，而忽略了曲线的总体形状所负载的信息。
[0013] 因此，存在对能给出下述可能性的通用工具的需求：在不进行昂贵的多尺度分析的情况下快速检测曲线上的相关点，且同时考虑到整个所述曲线并且限制要存储的数据量。
发明内容
[0014] 因此，根据第一方面，本发明涉及一种对曲线上用来检测发动机异常的相关点进行估算的方法，所述曲线表示发动机的物理运行参数随时间的变化，所述发动机的物理运行参数是由所述发动机上的至少一个
传感器所测量的，
[0015] 由连接到第一存储装置的计算机来实施所述方法，
[0016] 所述第一存储装置存储包括二进制代码、模型和
过滤器的至少一个轮廓图，所述二进制代码的每个元素对至少一个学习曲线的两个连续的特征点之间的变化方向进行编码，模型使得能够从曲线的一组特征点来估算相关点，
[0017] 所述方法包括：
[0018] a/选择所述第一存储装置中存储的轮廓图；
[0019] b/将所选择的所述轮廓图的过滤器应用到所述曲线；
[0020] c/确定经过滤的曲线的一组特征点和一组二进制代码，该二进制代码的每个元素对属于该组特征点的两个连续的特征点的变化方向进行编码；
[0021] d/将所确定的代码与所选择的轮廓图的代码进行比较；
[0022] e/依据所述比较，根据经过滤的曲线的特征点以及根据所选择的轮廓图的所述模型来估算所述曲线上的相关点。
[0023] 所述方法给出下述可能性：在不求助于专家的情况下实现了曲线上相关点的快速确定，而不管相关点类型是什么。所述方法还给出下述可能性：考虑了曲线的整个形状，同时通过仅存储该曲线的特征点而将待存储的信息量减少到最少。
[0024] 根据其他优势和非限制性特征：
[0025] -如果所确定的代码与所选择的轮廓图的代码不同，那么可以选择所述第一存储装置中所存储的新的轮廓图并且所述计算机可以再次执行根据第一方面的方法的步骤b/至步骤e/；
[0026] -相关点可以选自：打开阀
门的时刻、温度或者压力急剧变化的时刻、高压压缩机或者低压压缩机达到某些条件时的时刻、起动机的脱离时刻；
[0027] -曲线的特征点可以选自：拐点、局部极值、斜率的突变。
[0028] 这些点是曲线的特殊点，其能够表征曲线的全局形状，因为在各种发动机上的同一运行阶段期间测量的同一参数的所有曲线都具有相同的全局形状并且显示相同的特征点。
[0029] -轮廓图还可以包括
阈值并且特征点可以是连续的局部极值，该连续的局部极值的纵坐标差大于所述阈值；
[0030] 这给出下述可能性：通过仅保留实际上与周围的点不同的点而使待存储的特征点的数量最小化。
[0031] -模型可以是变量可选的广义线性模型；
[0032] -该模型可以验证公式：t＝AX
[0033] 其中，-t是待估算的所述相关点的横坐标，
[0034] -A是包含回归系数的线矢量；
[0035] -X是列矢量，该列矢量的元素是所述特征点的横坐标以及所述特征点的横坐标的变换。
[0036] 这样的模型使得能够仅根据特征点的横坐标来确定相关点的横坐标，而不需要大量的计算。
[0037] -在根据第一方面的方法的
实施例中，计算机可以执行：
[0038] ○根据估算的相关点来估算具体指标的步骤，所述具体指标代表发动机的运行状况；
[0039] ○根据估算的具体指标对发动机进行诊断的步骤；
[0040] ○将一次接一次飞行中估算的具体指标存储在存储装置中的步骤以及根据所存储的具体指标随时间的变化对所述发动机的运行状态的劣化进行预测的步骤。
[0041] 这给出下述可能性：自动诊断并且预测发动机可能的故障或者发动机的运行状况的劣化。
[0042] -存储在所述第一存储装置中的每个轮廓图可以是通过学习过程确定的；
[0043] -用于轮廓图的该学习过程可以包括：
[0044] a/通过显示设备显示多个学习曲线；
[0045] b/通过所述计算机确定每个所述学习曲线上用于检测异常的相关点，每个所述学习曲线的相关点是由专家借助于输入装置来选择的；
[0046] c/将与所确定的相关点关联的每个所述学习曲线存储在第二存储装置中；
[0047] d/通过所述计算机选择过滤器和模型；
[0048] e/通过所述计算机将所选择的过滤器应用到每个所述学习曲线；
[0049] f/通过所述计算机确定每条经过滤的学习曲线的特征点；
[0050] g/通过所述计算机从所确定的特征点之中确定每个经过滤的学习曲线上反复出现的特征点以及二进制代码，该二进制代码的每个元素对两个连续的反复出现的特征点之间的变化方向进行编码；
[0051] h/根据所确定的反复出现的特征点以及根据所选择的模型，通过所述计算机来估算所述相关点；
[0052] i/通过将估算的相关点与步骤b/中由专家选择的相关点进行比较，由所述计算机来对与步骤d/中所选择的过滤器和模型关联的误差进行估算；
[0053] j/将包括所确定的二进制代码、所述过滤器和所述模型的轮廓图存储在所述第一存储装置中，所述过滤器和所述模型使得能够使估算误差最小化或者获得小于所确定阈值的估算误差；
[0054] 这样的处理使得能够自动表征相关点，而不需要对这种点的特性必须进行准确描述的专家，并且不需要针对每种类型的相关点来定义特定的算法。
[0055] 根据第二方面，本发明涉及一种
计算机程序产品，其包括程序代码指令，所述程序代码指令用于当所述程序在计算机上被执行时执行根据第一方面所述的方法的步骤。
[0056] 根据第三方面，本发明涉及一种数据处理系统，包括：计算机、输入装置、至少一个显示设备，其特征在于，所述数据处理系统被配置为用于实施根据第一方面的方法的步骤。
[0057] 这样的计算机程序系统和产品具有与针对根据第一方面的方法所提到的优势相同的优势。
附图说明
[0058] 根据以下描述，其他特征和优点将进一步变得明显，该描述仅仅是说明性和非限制性的并且可以参照附图来阅读，其中：
[0059] -图1示出了对具体指标的构建进行说明的图，
[0060] -图2示出了对基于模式识别的示例性算法进行说明的图，
[0061] -图3示意性地示出了在本发明的范围内应用的
硬件装置，
[0062] -图4示出了在本发明的范围内显示给专家的示例性图形界面，
[0063] -图5示出了对根据本发明实施例的学习过程的步骤进行说明的
流程图，[0064] -图6示出了对根据本发明实施例的使得能够确定相关点的横坐标的示例性模型进行说明的图，
[0065] -图7示出了曲线的特征点的示例，
[0066] -图8示出了对根据本发明实施例的用于在曲线上估算相关点的方法的步骤进行说明的流程图，其中，所述相关点用于检测发动机的异常。
具体实施方式
[0067] 参照图3，本发明的应用涉及对曲线上用来检测发动机9的异常的相关点进行估算的方法，所述曲线代表由所述发动机9上的至少一个传感器10测量的发动机的物理运行参数随时间的变化。
[0068] 通过计算机11来实施这种方法，该计算机11包括计算装置12、
存储器13和通信
接口14。该接口可以使得计算机能够与传感器10进行通信，该传感器10能够获取不同时刻处发动机的运行参数的测量值。这种接口可以是以太网、USB，火线、串口型、并口型的有线接口，或者Wifi或蓝牙类型的无线接口。
[0069] 通过与称为轮廓图(profile)的曲线模型进行比较来实现由计算机11对曲线上相关点的估算。由于被分析的曲线并不总是相似的，因此该方法使用多个轮廓图。例如，输出气体的温度分析可以使用两个轮廓图，一个用于
冷启动，一个用于
热启动。
[0070] 这种轮廓图可以通过学习过程来确定并且被存储在第一存储装置15中。这些第一存储装置可以是计算机外部设备的形式，例如外部
硬盘USB或网络硬盘(“NAS”)。然后，第一存储装置通过诸如
通信接口14之类的通信接口与计算机通信。或者，第一存储装置可以集成在计算机11中。轮廓图在第一存储装置中的存储可以采取存储在第一存储装置中的
数据库的形式。
[0071] 所述学习过程可以涉及航空发动机操作领域的专家，使得专家在学习曲线上选择相关点。为此，专家具有由计算机11计算的例如如图4中所示的图形界面16。这样的图形界面具有位于选择窗口18中的曲线17。该界面显示在显示设备19上，该显示设备19可以是任何类型的屏幕，例如LCD、等离子屏幕、OLED屏幕或者耦接有视频投影机的视频投影屏幕。这种显示设备通过诸如SCART、VGA、DVI、显示端口(DisplayPort)或者HDMI连接之类的模拟或数字视频连接而连接到计算机11。专家使用输入装置20来在显示在选择窗口18中的学习曲线17上选择相关点。这种输入装置可能包括
键盘和
鼠标、触控板、
轨迹球或者使得用户能够在曲线17上
指定点的任何其他指示装置，例如移动检测接口。可以将学习过程期间存储的数据存储在第二存储装置21上，该第二存储装置21类似于第一存储装置15并且也连接到计算机11。
[0072] 如图5所示，所述学习过程包括下文所述的步骤E1至步骤E11。
[0073] 在第一步E1期间，可以将多个学习曲线 示出给专家。这些曲线显示在图形界面16的选择窗口18中。这些曲线虽然不是完全相同，但都是相似的，并且全部对应于同一类型的曲线，在该同一类型的曲线上能够自动确定相关点。这些曲线可以例如是温度曲线、压力曲线、在航空发动机的不同点处测量的空气或燃料流率曲线，或者还可以是这种发动机的不同的转动元件(例如高压压缩机和低压压缩机)的转速曲线。可以由机器自动地或者由专家手动地从一个或多个航空发动机上测量的一组曲线中预先选择这样的一批相似的曲线，例如通过选择数量类型并且通过将针对完整的飞行周期测量的曲线与只在启动阶段期间测量的曲线分开来进行预先选择。
[0074] 在第二步E2期间，专家借助于输入装置20来在这些曲线 中的每个曲线上选择相关点P。相关点可以对应于曲线的特定时刻，例如打开阀门的时刻、温度或者压力急剧变化的时刻、高压压缩机或者低压压缩机已经达到某些(certain)条件时的时刻、起动
电动机的脱离时刻。
[0075] 这些时刻的确定可以给出下述可能性：计算用于估算发动机的运行状况的有用的具体指标，例如发动机的不同启动阶段的持续时间、点火时间、停止时间或者进一步地废气的温度的最大梯度和平均梯度。
[0076] 在第三步E3期间，将学习曲线 与由专家选择的学习曲线的相关点存储在第二存储装置21中。可以将所选择的相关点存储为它在学习曲线上的横坐标。
[0077] 在第四步E4期间，选择过滤器F和模型M。过滤器包括过滤函数，该过滤函数适于对曲线进行修改以便简化其上特征点的检测。这种过滤可以包括平滑操作、微分(simple differentiation)或者双重微分(double differentiation)操作或者进一步地用于对曲线的不规则进行加强的处理操作。相应的过滤函数可以是高斯分布、方波、三
角分布、Haar
波形或者Daubechies波形。
[0078] 如图6所示，模型包括使得能够从曲线的特征点23的横坐标来确定相关点22的横坐标的函数。这种特征点可以对应于局部极值、拐点或者斜率突变的点。在一替选中，模型可以是变量可选的广义线性模型。这种模型可以符合公式：t＝AX
[0079] 其中：t是待估算的相关点的横坐标；
[0080] A是包含回归系数的线矢量；
[0081] X是列矢量，其元素是特征点的横坐标x和这些横坐标的变换，例如In x、tan x、1/x…
[0082] 可以由计算机11自动地选择过滤器F和模型M，可选地从过滤器的库和回归系数的值的可能范围的库之中随机选择，或者这种选择可以涉及专家。
[0083] 在第五步E5期间，将第四步E4中选择的过滤器F应用到每个学习曲线 过滤器的应用可以包括每个曲线与过滤器的过滤函数之间的卷积计算以便获得经过滤的学习曲线，如图7所示。
[0084] 在第六步E6期间，计算机11确定每条经过滤的学习曲线的特征点。如图7中所示以及如前所述，这些特征点可以对应于局部极值、拐点(也就是说，具有最大的一阶导数)或者斜率突变的点(也就是说，在局部极值与拐点之间以及在拐点与其他局部极值之间具有最大的二阶导数的点)。在对局部极值进行确定的情况中，可以在这种确定连续的局部极值结束时通过仅保留纵坐标差大于第一预定阈值的点来使保留点的数量最小。有利地，仅将这些特征点的横坐标进行存储。
[0085] 在第七步E7期间，计算机从经过滤的学习曲线 的该组特征点中确定反复出现(recurrent)的特征点。这些反复出现的点是在大多数已处理的经过滤的学习曲线中检测到的特征点。根据一替选，仅从学习曲线的局部极值来确定这些反复出现的特征点。在该替选中，除了连续的反复出现的局部极值之外的反复出现的特征点在之后确定并且以下述方式确定：在两个连续的局部极值之间选择拐点，并且如果有多个拐点，则选择在一阶导数上具有最大纵坐标的那个。在局部极值与拐点之间以及在拐点与局部极值之间选择代表突变的点。如果存在多个突变点，则选择在二阶导数上具有最大纵坐标的那个。
[0086] 计算机11还确定二进制代码C，该二进制代码的每一元素对两个连续的反复出现的特征点之间的变化方向进行编码。例如，“1”可以对下述事实进行编码：具有纵坐标y1的特征点之后是具有大于y1的纵坐标y2的特征点，而“0”可以对下述事实进行编码：具有纵坐标y1的特征点之后是具有小于y1的纵坐标y2的特征点。于是，这种代码是大多数学习曲线共有的反复出现的特征点的纵坐标的轮廓的二进制表现。所确定的反复出现的特征点没有出现在其上的经过滤的学习曲线可以被挑出并且可以在随后的学习过程中用于确定另一轮廓图。因此，第一轮廓图是从最大数量的学习曲线中确定的，然后第二轮廓图是从剩余的曲线中的最大数量的曲线中确定的...。
[0087] 在第八步E8期间，计算机11从反复出现的特征点，尤其从第七步E7中确定的他们的横坐标以及从第四步E4中选择的模型M来确定一个或多个学习曲线 上相关点P′的横坐标。
[0088] 在第九步E9期间，计算机11通过将第八步E8中确定的相关点P′的横坐标与第二步E2中由专家在相同的学习曲线上所选择的相关点P的横坐标进行比较来估算第八步E8中确定的每个相关点的确定中的误差。然后计算机确定全部的估算的确定误差的均方值。该平均确定误差与第四步E4中选择的过滤器F以及模型M相关联。
[0089] 在第十步E10期间，计算机确定在第九步E9中估算的相关点的平均确定误差是否足够小以可以将第八步E8中进行的相关点的确定认为是令人满意的。根据一实施例，计算机将平均确定误差与第二预定阈值进行比较。如果平均确定误差大于该第二预定阈值，则计算机抛弃步骤E4中选择的过滤器F和模型M，选择新的过滤器和新的模型，然后用该新的过滤器和该新的模型再次执行步骤E5至E10。根据另一实施例，计算机将步骤E4至E10实施预定次数并且选择给出最小的相关点平均确定误差的过滤器F/模型M对。
[0090] 在第十一步E11期间，计算机11将第十步E10中选择的过滤器F和模型M以及第七步E7中确定的二进制代码C存储在轮廓图中。轮廓图还可以包括在第六步E6中使用来确定局部极值的第一预定阈值。该轮廓图被记录在第一存储装置15中。
[0091] 当学习曲线是多维曲线时，沿着每个维度来实施前述的步骤。根据第一替选，针对每个维度在第11步E11结束时存储轮廓图。根据第二替选，在第十一步E11结束时仅存储这样的轮廓图：该轮廓图包括具有最小的确定误差的维度的过滤器/模型对。然后，在这两个替选中，每个轮廓图都结合该轮廓图相关的维度的指示。根据第三替选，所选择的模型M是变量的选择满足公式t＝AX的模型，其中X是矢量，其元素是沿着学习曲线的每个维度的特征点的横坐标。这样的模型被称为是多维的。然后针对每个学习曲线的每个维度在第六步E6期间确定这样的特征点。同样，然后针对这些维度中的每个维度在第七步E7期间确定反复出现的特征点和二进制代码。同样，在第十一步E11期间，这些二进制代码被记录在多维轮廓图中，与和这些二进制代码相关的维度的指示关联。
[0092] 如图8所示，借助于根据如上所述的学习过程确定的轮廓图，可以由计算机11根据步骤F1至步骤F9来实施在曲线 上估算用于检测发动机9的异常的相关点的方法。
[0093] 该曲线 是根据由至少一个传感器10在不同时刻获取的发动机的运行参数的测量值而获得的。
[0094] 在第一步F1期间，计算机从由上述的学习过程生成的并且存储在第一存储装置15中的轮廓图之中选择一个轮廓图。
[0095] 在第二步F2期间，计算机11将与第一步F1中选择的轮廓图关联的过滤器F应用到曲线 并且获得经过滤的曲线。
[0096] 在第三步F3期间，计算机11确定在第二步F2中获得的经过滤的曲线的特征点。可以使用与第一步F1中选择的轮廓图关联的第一预定阈值来确定曲线 的局部极值。然后，根据这些特征点，计算机确定二进制代码C′，该二进制代码的每一元素对两个连续的特征点的变化方向进行编码。以与第七步E7中针对学习曲线的反复出现的特征点确定二进制码相同的方式来确定所述代码。
[0097] 在第四步F4期间，计算机确定在第三步F3中获得的代码C′是否与代码C相同，该代码C与第一步F1中选择的轮廓图相关联。
[0098] 在相同的情况下，曲线 的形状对应于所选择的曲线轮廓图并且然后计算机进行第五步F5，在该第五步F5期间使用所选择的轮廓图来确定曲线 上的相关点。在不相同的情况下，曲线 与所选择的轮廓图不对应并且计算机11再次执行步骤F1至F4。
[0099] 在第五步F5期间，计算机根据第三步F3中确定的特征点并且根据与第一步F1中选择的轮廓图关联的模型M来确定曲线 上的相关点，例如相关点的横坐标。
[0100] 曲线 也可以是多维的。根据第一替选，如果在学习阶段期间存储的轮廓图全部与单一且相同的维度相关，那么将上述的步骤F1至F5应用到该维度。根据第二替选，对于曲线 的至少两个维度，如果在学习阶段期间与维度关联的每个轮廓图都被存储，那么将步骤F1至F5分别应用到这些维度中的每一维度并且从根据维度中的每一维度确定的相关点来确定平均相关点，例如，平均相关点的横坐标可以是根据维度中的每一维度确定的相关点的横坐标的平均值。根据第三替选，如果存储的轮廓图是多维的，每个包括多维模型，那么实施上述的步骤F1至F5以在第三步F3期间针对曲线的维度中的每个维度来确定曲线的特征点和二进制代码。然后在第四步F4期间，计算机根据这些二进制代码并根据所选择的多维轮廓图中记录的二进制代码来确定最适于曲线的多维轮廓图。
[0101] 在第六步F6期间，计算机11可以使用通过实施步骤F1至F5而确定的一个或多个相关点来至少估算代表发动机9的运行状况的具体指标。如前面所指出的，这种指标可以是发动机的不同启动阶段的持续时间、点火时间、停止时间或者进一步地废气的温度的最大梯度和平均梯度。
[0102] 根据这些指标可以实施不同的处理操作。
[0103] 第一处理操作可以包括对用于确定所述指标的曲线的获取时刻时的发动机的状况进行诊断。因此，在第七步F7期间，计算机使用指标来估算发动机是否有操作异常，这可以使得有理由让返回到车间去维修，例如更换故障部件。
[0104] 第二处理操作可以包括根据连续的测量来预测发动机的将来的运行劣化。因此，在第八步F8期间，根据与发动机的飞行有关的测量确定的指标被存储，并且在一次接一次的飞行中重复该步骤，以便获得一系列指标，该一系列指标随时间的变化代表发动机9的运行状况随时间的变化。然后在第九步F9期间，计算机根据步骤F8中一次接一次飞行中存储的指标随时间的变化来实施用于预测发动机状况的将来的劣化的处理。
