Результат интеллектуальной деятельности: ИНСТРУМЕНТ ВАЛИДАЦИИ СИСТЕМЫ МОНИТОРИНГА АВИАЦИОННОГО ДВИГАТЕЛЯ

Область техники

Настоящее изобретение относится к области систем мониторинга двигателя летательного аппарата и, в частности, к инструменту валидации системы мониторинга авиационного двигателя.

Уровень техники

Для проверки нормальной работы различных агрегатов авиационного двигателя применяют системы мониторинга. Например, существует одна система мониторинга для анализа поведения двигателя во время процесса зажигания, другая система для анализа траектории газов, еще одна система для обнаружения забивания фильтров, еще одна система для анализа расхода масла и т.д.

Все эти системы мониторинга позволяют повысить безопасность и надежность авиационных двигателей. Они позволяют избежать или ограничить выключение во время полета, сократить задержки или отмены рейсов и, в частности, облегчают обслуживание двигателя, прогнозируя поломки и идентифицируя неисправные компоненты.

В настоящее время существует инструмент разработки системы мониторинга, основанный на показателях, которые сравнивают с порогами, определенными в спецификациях. Этот инструмент описан во французской патентной заявке FR2957170, поданной на имя заявителя.

Валидация системы мониторинга требует проведения тестов, например, на испытательном стенде, чтобы собрать большое количество данных. При этом необходимо задействовать много ресурсов и времени, чтобы осуществить эти тесты, и, кроме того, большое количество собранных данных может потребовать много времени для вычисления.

Кроме того, уровень валидации одной системы мониторинга может отличаться от уровня валидации другой системы мониторинга. Это может усложнить анализ данных, поступающих из различных систем мониторинга двигателя.

Настоящее изобретение призвано предложить инструмент валидации системы мониторинга агрегата авиационного двигателя, позволяющий оптимизировать количество данных, необходимых для валидации, что позволяет уменьшить расходы и сократить время обработки и одновременно повысить надежность системы мониторинга.

Раскрытие изобретения

Объектом настоящего изобретения является инструмент валидации системы мониторинга по меньшей мере одного агрегата авиационного двигателя, содержащий:

- средства обработки, выполненные с возможностью сбора данных наблюдения указанного агрегата,

- средства анализа, выполненные с возможностью вычисления текущего значения по меньшей мере одного показателя качества на текущем количестве данных наблюдения, собранных средствами обработки,

- средства анализа, выполненные с возможностью оценки вероятности того, что указанное текущее значение показателя качества достигнет заранее определенного критерия надежности, определяя таким образом вероятностную закономерность надежности, оцениваемую по совокупности значений показателя качества, связанной с соответствующей совокупностью количеств данных наблюдения, и

- средства анализа, выполненные с возможностью оценки, на основании указанной вероятностной закономерности, минимального количества данных наблюдения, начиная от которого значение показателя качества достигает заранее определенного критерия надежности с вероятностью, превышающей заранее определенное значение,

- средства испытания, выполненные с возможностью оценки валидации указанной системы мониторинга с применением совокупности показателей качества к указанному минимальному количеству данных наблюдения, относящихся к указанному агрегату.

Это позволяет узнать, когда необходимо прекратить сбор данных для оценки системы мониторинга, и, следовательно, снизить стоимость испытаний.

Предпочтительно указанное заранее определенное значение является дополнением ошибки, заранее определенной как допустимая.

Предпочтительно средства анализа выполнены с возможностью вычислять текущее значение показателя качества, применяя метод перекрестной валидации на указанном текущем количестве данных наблюдения. Указанный метод перекрестной валидации можно выбрать из следующих методов: бутстрэп, k-блочная проверка, исключение по одному образцу.

Предпочтительно совокупность показателей качества включает в себя следующие показатели: степень ложной тревоги, степень обнаружения, степень локализации.

Предпочтительно средства анализа выполнены с возможностью применять регрессионный метод на указанной совокупности значения показателя качества для определения функции аппроксимации, отображающей указанную вероятностную закономерность надежности в зависимости от количества данных наблюдения.

Согласно отличительному признаку настоящего изобретения, для показателя качества, соответствующего степени ложной тревоги, указанная функция аппроксимации в зависимости от количества n данных наблюдения выражена следующим отношением:

где a, b, c являются постоянными регрессии.

Предпочтительно средства испытания выполнены с возможностью оценивать валидацию указанной системы мониторинга до ее установки на летательном аппарате, применяя совокупность показателей качества на количестве данных наблюдения, собранных на испытательном стенде и/или на парке находящихся в эксплуатации авиационных двигателей. Это позволяет валидировать общую систему мониторинга, выполненную с возможностью контролировать серийный двигатель.

Предпочтительно средства испытания выполнены с возможностью продолжать валидацию и регулирование указанной системы мониторинга после ее установки на серийном двигателе, применяя совокупность показателей качества на количестве данных наблюдения, собранных во время полета. Это позволяет специализировать систему мониторинга, чтобы она была адаптирована к специфике использования двигателя, на котором она установлена, учитывая, что поведение двигателя может зависеть от полетов, маршрутов, обслуживания и т.д.

Объектом изобретения является также система мониторинга по меньшей мере одного агрегата авиационного двигателя, разработанная при помощи инструмента разработки согласно любому из предыдущих признаков, при этом указанная система выполнена с возможностью получать данные наблюдения, специфические для указанного агрегата, и выдавать результат, позволяющий произвести диагностику состояния указанного агрегата.

Объектом изобретения является также способ валидации системы мониторинга по меньшей мере одного агрегата авиационного двигателя, содержащий этапы теста для оценки валидации указанной системы мониторинга с применением совокупности показателей качества к объему данных наблюдения, относящихся к указанному агрегату, при этом указанный способ дополнительно содержит следующие этапы:

- собирают данные наблюдения, относящиеся к указанному агрегату,

- вычисляют текущее значение по меньшей мере одного показателя качества на текущем количестве данных наблюдения, собранных средствами обработки,

- оценивают вероятность того, что указанное текущее значение может достигнуть заранее определенного критерия надежности, определяя таким образом вероятностную закономерность надежности, оцениваемую по совокупности значений показателя качества, относящейся к соответствующей совокупности количеств данных наблюдения, и

- на основании указанной вероятностной закономерности надежности оценивают минимальное количество данных наблюдения, начиная от которого значение показателя качества достигает заранее определенного критерия надежности с вероятностью, превышающей заранее определенное значение, при этом указанное минимальное количество данных наблюдения соответствует указанному объему данных наблюдения, предназначенному для использования с целью оценки валидации указанной системы мониторинга.

Краткое описание чертежей

Другие отличительные признаки и преимущества инструмента и способа в соответствии с изобретением будут более очевидны из нижеследующего описания, представленного в качестве не ограничительного примера, со ссылками на прилагаемые чертежи, на которых:

фиг. 1 - схематичный вид инструмента валидации системы мониторинга агрегата авиационного двигателя согласно варианту выполнения изобретения;

фиг. 2 - блок-схема способа определения минимального числа данных наблюдения и валидации системы мониторинга по меньшей мере одного агрегата авиационного двигателя согласно варианту выполнения изобретения;

фиг. 3 - график, показывающий кривые, относящиеся к теоретической закономерности надежности и к ее функции аппроксимации в соответствии с изобретением;

фиг. 4 - график, показывающий измерения наблюдения вокруг кривой, относящейся к теоретической закономерности надежности;

фиг. 5 - схематичный вид инструмента валидации системы мониторинга агрегата авиационного двигателя согласно первому предпочтительному варианту выполнения изобретения;

фиг. 6 - схематичный вид инструмента валидации системы мониторинга агрегата авиационного двигателя согласно второму предпочтительному варианту выполнения изобретения.

Осуществление изобретения

Настоящим изобретением предложен инструмент, позволяющий оценивать и прогнозировать количество данных, необходимых для валидации системы мониторинга.

На фиг. 1 схематично показан инструмент 1 валидации системы 3 мониторинга агрегата авиационного двигателя 5 согласно предпочтительному варианту выполнения изобретения.

Система 3 мониторинга может включать в себя модули 31-34, и каждый модуль выполняет конкретную задачу, используя специальный алгоритм. Такая система мониторинга описана в патентной заявке FR2957170, поданной на имя заявителя, и может содержать модуль 31 сбора данных, модуль 32 нормализации, модуль 33 диагностики или обнаружения аномалии, модуль 34 классификации для идентификации ошибок и т.д.

Модуль 31 сбора данных выполнен с возможностью получать специфические измерения или данные 71, считываемые датчиками на авиационном двигателе 5 или определяемые бортовым вычислительным устройством, и выдавать специфические данные или переменные с информацией о физических или логических элементах агрегата двигателя 5. Эти данные 71 выделяют из временных необработанных измерений (температура, давление, расход топлива, обороты валов и т.д.).

Например, специфические данные могут соответствовать времени, необходимому для того, чтобы вал двигателя достиг максимального ускорения после каждого запуска двигателя, градиенту температур отработавших газов двигателя, времени зажигания, времени открывания клапана, тенденции скорости и т.д.

Модуль 32 нормирования выполнен с возможностью получать специфические данные от модуля 31 сбора, чтобы нормировать эти специфические данные, и выдавать стандартизованные данные, независимые от контекста.

На основании стандартизованных данных осуществляют диагностику аномалии, затем определяют специфическую неисправность и, возможно, соответствующий физический компонент.

Так, модуль 33 обнаружения аномалии выполнен с возможностью получать стандартизованные данные от модуля 32 нормирования, чтобы построить сигнатуру, характеризующую поведение двигателя 5, и чтобы произвести диагностику, если сигнатура свидетельствует об аномалии. Кроме того, модуль 33 обнаружения аномалии выполнен с возможностью выдавать итоговый результат, характеризующий сигнатуру. В зависимости от значения итогового результата относительно заранее определенного порога, модуль 33 обнаружения может генерировать или не генерировать тревожный сигнал, указывающий на обнаружение аномалии.

Модуль 34 классификации выполнен с возможностью выдавать измерение идентификации неисправностей. После идентификации неисправностей, например, вычисляя для каждой из них вероятность наступления, система 3 мониторинга может использовать эту вероятность для обнаружения подверженных неисправностям компонентов.

Таким образом, в зависимости от типа применения, система 3 мониторинга выполнена с возможностью решения нескольких задач, которые могут включать в себя сбор данных, нормализацию данных, обнаружение аномалий и, возможно, классификацию обнаруженных аномалий.

Однако перед вводом в эксплуатацию система 3 мониторинга должна пройти фазу квалификации или валидации.

Следовательно, используют инструмент валидации, чтобы проверять валидацию системы мониторинга. Согласно изобретению, инструмент 1 валидации содержит средства 11 обработки, средства 12 анализа и средства 13 испытания. Эти средства 11-13 применяются устройствами, которые обычно находятся в компьютере: центральный блок обработки и вычисления, средства запоминания, периферийные устройства ввода, а также периферийные устройства вывода.

Средства 11 обработки выполнены с возможностью собирать данные 7 наблюдения, относящиеся к контролируемому агрегату двигателя 5. Эти данные 7 наблюдения содержат специфические измерения 71, считываемые датчиками на авиационном двигателе 5 или бортовым вычислительным устройством и предназначенные для использования системой 3 мониторинга с целью обнаружения ошибок или аномалий. Кроме того, данные 7 наблюдения могут включать в себя данные, получаемые в результате тестов, проводимых на испытательном стенде, или получаемые на рабочем двигателе, или, возможно, данные моделирования.

Кроме того, средства 13 испытания выполнены с возможностью оценивать валидацию системы мониторинга, применяя совокупность показателей качества KPI (Key Performance Indicators) на объеме данных 7 наблюдения, относящихся к этому агрегату.

В частности, средства 13 испытания применяют показатель или несколько показателей качества KPI к результату системы 3 мониторинга для проверки обнаружения ошибок. Это дает оценку, позволяющую валидировать систему 3 мониторинга по объему данных 7 наблюдения.

Предпочтительно совокупность показателей качества KPI содержит измерение степени обнаружения POD (Probability of Detection), измерение степени ложной тревоги PFA (Probability of False Alarm), измерение степени локализации PCL (Probability of Class Localization) и т.д. Следует отметить, что каждый из показателей качества можно использовать независимо от другого показателя или в комбинации в зависимости от типа применения системы 3 мониторинга.

Степень обнаружения POD, называемая также возможностью обнаружения, является вероятностью обнаружения ошибки, когда контролируемый агрегат реально имеет ошибку. Ее можно оценить, как отношение числа обнаруженных ошибок к общему числу ошибок. Таким образом, степень обнаружения POD позволяет с высокой надежностью валидировать результат системы 3 мониторинга.

Степень ложной тревоги PFA определяют как вероятность того, что контролируемый агрегат является нормальным, когда система 3 мониторинга обнаруживает ошибку. Степень ложной тревоги PFA можно рассчитать при помощи байесовских правил. Р(обнаруженное) обозначает маргинальную вероятность того, что система 3 мониторинга обнаруживает аномалию, и Р(нормальное) обозначает маргинальную вероятность того, что агрегат является апостериори нормальным, хотя обнаружена ошибка.

Степень ложной тревоги PFA является очень важным фактором в области авиации. Действительно, возможность того, что агрегат является нормальным, когда система 3 мониторинга обнаруживает ошибку, является феноменом, который необходимо ограничивать, так как он может кардинально изменить картину правдоподобия, которую пользователь может иметь о системе 3 мониторинга.

Показатель качества данных является измерением степени локализации PCL (Probability of Class Localization), определяемой как вероятность того, что локализация является нормальной, когда наблюдается аномалия агрегата.

Степень локализации PCL, которая является информацией о качестве локализации, позволяет валидировать с высокой эффективностью результат системы 3 мониторинга. Это позволяет локализовать конкретный элемент (например, генератор, кабель, жгут и т.д.) агрегата, имеющий аномалию.

В целом степень обнаружения POD позволяет обнаружить, содержит ли агрегат аномальный элемент, после чего степень локализации PCL указывает на эффективность, с которой можно локализовать или идентифицировать этот элемент.

По меньшей мере часть совокупности показателей качества применяют к данным 7 наблюдения, собираемым средствами 11 обработки, чтобы валидировать систему 3 мониторинга.

Однако точность показателей качества зависит от количества данных 7 наблюдения. Поэтому важно знать, начиная от какого числа данных 7 наблюдения, точность показателей является приемлемой, чтобы эти показатели отвечали заранее определенным требованиям качества.

На фиг. 2 представлена блока-схема способа определения минимального числа данных наблюдения и валидации системы мониторинга по меньшей мере одного агрегата авиационного двигателя в соответствии с изобретением.

Этап Е1 относится к сбору текущего количества данных 7 наблюдения, собираемых средствами 11 обработки.

На этапе Е2 для каждого текущего количества (или текущего числа) данных 7 наблюдения, собранных средствами 11 обработки, средства 12 анализа вычисляют текущее значение по меньшей мере одного показателя качества.

Иначе говоря, для каждого текущего числа n данных 7 наблюдения средства 12 анализа вычисляют текущее значение KPI(n) показателя качества KPI.

Предпочтительно текущее значение KPI(n) показателя качества вычисляют, применяя метод перекрестной валидации к текущему количеству n данных 7 наблюдения.

Метод перекрестной валидации можно выбрать из следующих методов: «бутстрэп», «k-блочная проверка» и «исключение по одному образцу». Он состоит в создании новых наборов данных на основании главного набора текущего размера n. Для каждого набора данных средства 12 анализа могут произвести испытание i и вычислить соответствующее значение KPI(n).

В частности, метод «бутстрэп» состоит в произвольном выборе с повторением n наблюдений для калибровки и в вычислении KPI на первоначальном наборе.

«К-блочная проверка» состоит в создании наборов данных калибровки путем выбора заранее определенного количества данных наблюдения и в тестировании остальной части. Эту операцию повторяют К раз.

«Исключение по одному образцу» состоит в калибровке на n-1 данных и в тестировании на последней данной, при этом получают n элементарных результатов.

Таким образом, перекрестная валидация позволяет создать объем массива данных X_i=KPI(n/опыт i), полученных для каждого опыта. Этот объем массива данных (X_i)_i=1..K дает эмпирическую картину текущего значения KPI(n).

На этапе Е3 средства 13 анализа оценивают вероятность P(KPI(n) ∈ I) = P(n), определяемую как вероятность того, что текущее значение KPI(n) показателя качества KPI может достичь заранее определенного критерия качества, который соответствует заранее определенному интервалу I.

Таким образом, средства 12 анализа итеративно (то есть, для n = N_i,…,N_m) формируют вероятностную закономерность надежности P(n), оцениваемую по совокупности вычисленных текущих значений произвольных переменных KPI(N_i),…, KPI(N_m) показателя качества, относящегося к соответствующей совокупности текущих значений N_i,…,N_m данных 7 наблюдения.

Предпочтительно средства 12 анализа выполнены с возможностью применять регрессионный метод к совокупности значений переменных KPI(N_i),…, KPI(N_m) показателя качества с целью определения эмпирической функции, характеризующей вероятностную закономерность надежности P(n) в зависимости от количества данных 7 наблюдения.

Кроме того, на этапе Е4 средства 12 анализа оценивают на основании вероятностной закономерности надежности P(n) минимальное количество (то есть минимальное число) N₀ данных наблюдения, начиная от которого значение показателя качества KPI(n)_n≥N0 достигает заранее определенного критерия надежности с вероятностью Р(KPI(n)_n≥N0 ∈ I), превышающей заранее определенное значение 1-ε, при этом заранее определенное значение 1-ε является дополнением допустимой ошибки ε. Иначе говоря, средства 12 анализа определяют первое N₀, при котором P(KPI(N₀) ∈ I) > 1 - ε.

Например, для степени обнаружения POD находят первое N₀, которое отвечает следующему отношению:

P(POD(N₀) > 1 - β) > 1 - ε

Кроме того, для степени ложной тревоги PFA находят первое N₀, которое отвечает следующему отношению:

P(PFA(N₀) < α) > 1 - ε

1-β и α отображают требования надежности, относящиеся соответственно к POD и к PFA.

Чтобы оценить минимальное количество N₀, предпочтительно средства 12 анализа могут построить кривую вероятностной закономерности надежности P(n) при n=N_i,…N_m. Затем эту кривую экстраполируют, пока она не пересечет ось ординат на заранее определенном значении 1-ε. Эта даст на оси абсцисс оценку искомого минимального числа N₀ данных 7 наблюдения.

В варианте, чтобы определить первое N₀, позволяющее достичь поставленной задачи, можно построить кривую ошибки ε(n), отображающую дополнение 1- P(n) закономерности P(n), и экстраполировать кривую, пока она не пересечет ось ординат на значении допустимой ошибки ε.

Следует отметить, что для степени ложной тревоги PFA вероятностная закономерность надежности P(n) представляет собой среднюю величину из n булевых опытов для параметра р, характеризующего истинное значение PFA. Следовательно, его закономерность является закономерностью биномиального распределения, поделенного на n, и сходится к нормальной закономерности средней величины р и дисперсии σ_n = p(1-p)/n следующего вида:

Предпочтительно, чтобы упростить метод оценки теоретической закономерности P(n), используют предположение об изменении этой закономерности. Например, когда α меньше р, теоретическая закономерность P(n) экспоненциально стремится к нулю.

Таким образом, для степени ложной тревоги PFA теоретическую закономерность надежности P(n) можно представить как функцию аппроксимации f(n) следующего вида:

где a, b, c являются постоянными, которые можно определить при помощи регрессионного метода по совокупности значений PFA(N_i),…,PFA(N_m) степени ложной тревоги PFA. Следует отметить, что член по log(n)служит для коррекции уменьшения по функции аппроксимации f(n), что позволяет уменьшить ошибку аппроксимации и получить оценку, более соответствующую теоретической закономерности P(n).

На фиг. 3 представлен график, показывающий кривые ошибки ε(n), относящиеся к теоретической закономерности надежности P(n) в отношении PFA и к ее соответствующей функции аппроксимации f(n).

Теоретическая кривая С1 показывает тенденцию ε(n) = 1 - P(n) для параметра р=4% и для требования надежности α=5%, а пунктирная кривая С2 показывает аппроксимацию 1-f(n). Обе кривые С1 и С2 являются практически идентичными, и, следовательно, можно использовать дополнение функции аппроксимации f(n) для определения минимального количества данных наблюдения.

Например, если требуется точность 0,9 (то есть ошибка ε(n) = 0,1) при теоретической степени ложной тревоги р = 4% и при требовании α = 5%, необходимо по меньшей мере 650 измерений, как показано на графике. Иначе говоря, для степени ложной тревоги менее 5% и для вероятности или уверенности 90% необходимо собрать примерно 650 данных наблюдения.

Кроме того, точность на данных наблюдения повышается с увеличением числа данных.

Действительно, на фиг. 4 представлен график, показывающий измерения наблюдения вокруг кривой, отображающей ошибку ε(n). Эти измерения образуют зону доверия 41 вокруг кривой С1 или С2, показывающую, что в начале опытов точность является низкой, затем зона сужается по мере увеличения числа данных.

Наконец, на этапе Е5 средства 13 теста применяют показатели качества KPI на минимальном числе N₀ данных, чтобы оптимально оценить валидацию системы 3 мониторинга.

На фиг. 5 схематично показан инструмент валидации системы мониторинга агрегата авиационного двигателя согласно первому предпочтительному варианту выполнения изобретения.

Этот первый вариант выполнения относится к валидации общей системы 3 мониторинга на испытательном стенде 43 перед ее установкой на летательном аппарате.

Действительно, технические требования к системе 3 мониторинга представляют собой спецификацию потребностей, которая, в свою очередь, выражается в требованиях и задачах. Требование или задачу удовлетворяют, когда имеют возможность провести тест, позволяющий подтвердить ожидаемые характеристики. Этот тест применяют по меньшей мере на части совокупности показателей качества KPI, которые сравнивают с порогами, указанными в спецификации. Показатели KPI вычисляют при помощи сценариев валидации, адаптированных к проблемам, затронутым требованием или задачей. Сценарии опираются на данные наблюдения, обеспечивающие разумный охват потребности.

Таким образом, средства 11 обработки собирают данные 7 наблюдения, относящиеся к контролируемому агрегату и получаемые на испытательном стенде 43. В варианте данные 7 наблюдения собирают на летательных аппаратах, на которых тестируют систему 3 мониторинга.

Как было указано выше, средства 12 анализа вычисляют значение каждого показателя качества на текущем количестве данных 7 наблюдения. Затем они оценивают минимальное число данных наблюдения, начиная от которого значение показателя качества отвечает заранее определенному критерию надежности с вероятностью, превышающей заранее определенное значение. Это минимальное число данных наблюдения гарантирует достаточный охват, чтобы показатели имели смысл, и, следовательно, позволяет узнать, в какой момент можно остановить испытания на стенде 43.

Затем средства 13 теста оценивают валидацию системы 3 мониторинга, применяя показатели качества KPI к минимальному числу данных 7 наблюдения, относящихся к этому агрегату.

На фиг. 6 схематично показан инструмент валидации системы мониторинга агрегата авиационного двигателя согласно второму предпочтительному варианту выполнения изобретения.

Этот второй вариант выполнения относится к валидации и к регулировке системы 3 мониторинга после ее установки на серийном двигателе 5 летательного аппарата 45 с применением по меньшей мере части совокупности показателей качества к минимальному количеству данных наблюдения, собранных в полете.

Система 3 мониторинга уже предварительно калибрована по набору измерений наблюдения, произведенных на испытательном стенде 41 согласно первому варианту выполнения, или на летательных аппаратах, принадлежащих компаниям, согласившимся участвовать в разработке систем мониторинга.

Следует отметить, что летательный аппарат 43, на котором установлена система 3 мониторинга, будет выполнять задачи, для которых он предназначен, а также будет иметь право на операции обслуживания, характерные для логики компании-владельца. Таким образом, валидация учитывает специфику эксплуатации двигателя, на которой установлена система.

Как было указано выше, средства 12 обработки собирают данные 7 наблюдения, относящиеся к контролируемому агрегату, на находящемся в эксплуатации двигателе. Средства 12 анализа оценивают минимальное число данных наблюдения, начиная от которого значение показателя качества достигает заранее определенного критерия надежности с вероятностью, превышающей заранее определенное значение. Это позволяет узнать, в какой момент можно остановить тест валидации, а также когда его возобновить, если операции, осуществляемые на летательном аппарате, меняются или если в результате операций обслуживания меняется конфигурация двигателя.