JP4149899B2 - システム上で診断を行うための方法 - Google Patents

Description

本発明はシステム上で診断を行う方法に関する。より詳しくは、本発明はガスタービンエンジンにおける性能変化を診断するための方法に関するものである。

ガスタービンの性能診断の最終目的は、エンジンモジュールの性能変化、エンジンシステムの機能不良、および計装上の問題を、エンジンのガス通路にわたって取られたパラメーター計測値の情報から正確に検知し、分離し、かつ評価することである。エンジン速度、温度、圧力、燃料流量等の識別し得る変動は、推定参照（公称）状態からエンジン運転の内在する変動を判定するのに必要な情報を提供する。

エンジン性能変化は、２つの類型、すなわちａ）漸進的（長期的）劣化、またはｂ）急速な（短期的）劣化もしくは性能回復、のいずれかを取って現れる。この観測結果はエンジン設計の本質に起因する。エンジンは頑丈で耐久力があるように設計される。それ故に、エンジンは構成部品のダメージを徐々に蓄積していく。しかしながら、嵌め合いクリアランス（fit clearances）や外側からの原因によるダメージによって、ダメージ状態は過度の磨耗やクラック伝播へ変化してしまう。そのような影響は最初は非常に小さいが、部分的不具合を招く恐れがある。

たとえば、ブリードリンケージの磨耗は、最初は、不適切な運転によってブリードこう着やデータの散乱を引き起こすが、結果として生じるリンケージの不具合は性能の段階変化を招く。同様に、クラック伝播は、ブレードの先端を破壊する巻き添え被害や、モジュール劣化の急激なランピングまたは段階変化を導く。飛行場での整備および工場での整備の性能回復によって性能の急激な改善が現れる。同様に、製造エンジン性能の一部は最初のフライトで急激に失われる。なぜなら、最初のフライトで、エンジンの磨り合わせが起こり、最初の運転クリアランスを設定するからである。

ダメージ蓄積の状態は、効率、流量、有効ノズル面積などの各パラメーターの予測された変化の項に分類できるような形で、構成部品（モジュール）性能や、ブリードや、冷却フロー、さまざまな幾何学機構などのエンジンサブシステムに悪影響をもたらす。漸進的ダメージの蓄積は、構成部品すべてに徐々に起こり、多数故障分離（ＭＦＩ）を必要とする。急速な性能劣化は、通常、単一のモジュールまたはシステムに、また、時折巻き添え被害により影響を受けた第２のモジュールに起因し、単一故障分離（ＳＦＩ）を必要とする。個々のモジュールおよびシステムが適切に修理および分離されることによって、整備行動による急激な性能の改善がもたらされる。

ガスタービンシステムの性能におけるａ）漸進的劣化の形態およびｂ）急速な劣化の形態を推定する問題を取り扱うアルゴリズムは数多く存在する。これらの方法は、ＭＦＩ（多数故障分離）およびＳＦＩ（単一故障分離）から構成される。前者は全てのエンジン構成部品（その性能変動は推定される）が徐々に劣化することを意味し、後者は限定的なもの（concession）、すなわち急速な傾向変動はたいていは単一の（または相互作用があるか巻き添えダメージを受けた場合、おそらく２つの）根本原因に起因することを意味する。

一般的に、劣化の形式はそれぞれ起こった通りに別々に診断される。信頼できるＳＦＩシステムが使用できない場合、単一の故障はしばしＭＦＩで分析される。ＳＦＩおよびＭＦＩ分析を区分けすることは必要である。なぜなら単一故障がＭＦＩアルゴリズムによって分析され、また逆に多数故障がＳＦＩ法によって分析されるとエラーが生じるからである。前者の場合、単一の背後にある原因は、結果として減衰や識別可能性の欠如を伴う複数の故障によって不鮮明にされてしまう。後者の場合、多数の構成部品における漸進的な劣化が単一の原因に誤って割り当てられてしまう。現在の診断システムは、この必要な区分けがなく、結果として、テストセルやフライトにおけるエンジン性能の信頼できる仕切りを提供できない。

製造性能、飛行性能、整備行動、および工場性能の間に仕切りを提供する方法が必要とされている。おそらく、そのような方法は、エンジンに生じた急速な性能変化および漸進的な性能変化を分割し、個々に合計するはずである。

従って本発明の目的は、ガスタービンエンジンに関する性能を診断するための方法を提供することである。

本発明によれば、システムの診断上で行うための方法は、複数の測定値パラメーターを受領する（受け取る）ステップであり、各々の複数の測定値は時間ｋにおける複数のパラメーターのいずれかひとつに対応する、ステップと、複数の測定値パラメーターから偏差ベクトルを形成するステップと、初期故障ベクトルから初期偏差ベクトルを計算するステップと、初期偏差ベクトルと偏差ベクトルとを用いて多数故障分離偏差ベクトルを計算するステップと、多数故障分離偏差ベクトルを用いて、事象が進行中であるかを決定するステップと、統計データ有効性チェックを行い、現在の抑制フラグおよび過去の抑制フラグを設定するステップと、現在の抑制フラグと過去の抑制フラグに従ってモジュール性能分析を行うステップとを有する。

本発明によれば、システムの診断を行う方法は、複数の測定値パラメーターを受領するステップであり、各々の複数の測定値は時間ｋにおける複数のパラメーターのいずれかひとつに対応する、ステップと、複数の測定値パラメーターから偏差ベクトルを形成するステップと、初期故障ベクトルから初期偏差ベクトルを計算するステップと、初期偏差ベクトルと偏差ベクトルとを用いて多数故障分離偏差ベクトルを計算するステップと、多数故障分離偏差ベクトルを用いて、事象が進行中であるかを決定するステップと、モジュール性能分析を行うステップとを有する。

本発明の方法論によって、自動的にＭＦＩプロセスとＳＦＩプロセスの両方が互いに協力し合って、しかも悪影響をもたらすような相互作用なく、操作できるようになる。劣化の急速な形態の原因は、早急に分離され、よってフリート操作への主要な影響を取り除くことができる。エンジンを例にとって説明されるが、本発明はそれに限定されない。むしろ、本発明は計測および数値化され得る複数の相互的に作動するサブシステムまたはモジュールからなる任意のシステムを広く包含するように指向されている。

性能診断は、エンジンシステムおよびセンサーシステムの性能が選択された参照状態とどのように異なるかを決定する。この参照状態はユーザーが指定した任意のレベルとなり得るが、製造レベルのエンジンに対する性能、エンジンの初期状態、またはオペレータの初期フリートエンジンの平均を追跡するのが慣例である。参照がなんであれ、システムを支持する主要データは、測定値差分（参照値からの）の形状をとる。たとえば、図１に示されるように、基礎測定値Δｓを計算する事前プロセスは、生ガス通路のパラメーターデータを正規化し、均等参照パラメーターを生成し、それらの百分率差分を計算する。図示したように、測定されたパラメーターデータは、データ正規化ステップ１１で事前処理されて修正されたパラメーター値Ｐ_Ｃｏｒｒを生成する。データ正規化ステップ１１はおそらく入力環境変数を受領する。入力環境変数はさらに、参照エンジンモデル１３への入力となる。参照エンジンモデル１３は、エンジンが監視されていのと同様の条件下で運転する参照エンジンについて予測された基準パラメーター測定値Ｐ_Ｂａｓｅを出力する。Ｐ_ＣｏｒｒとＰ_Ｂａｓｅとは結合されてΔ_{Ｂａｓｉｃ}を生成する。

事前プロセスは２つの目的を行う。まず、飛行機のフライトコンディションのためのデータを修正することによって、高度、マッハ数、およびＴＡＴの影響が除かれるので、未知のものがこの例では３つ減らされる。次に、修正されたデータをエンジンの非線型モデルと比較することにより、ブリードシステムの偏向の両方と、ベーンおよび冷却スケジュールと、すべての他のモデル化されたシステムとが取り除かれ、結果として生じたパラメーターデータはエンジンパワーの影響を取り除くことで線形化される。

このΔ_{Ｂａｓｉｃ}計算は、対象の測定されたガス通路パラメーターＰ（たとえば、ローター速度、内部構成部品の温度および圧力など）ごとに繰り返され、離散時間ｋにおける点偏差

の％の偏差ベクトルを形成する。この測定偏差（基準からの）は、多数の可能性のあるエンジン／センサーシステムの故障の発生の影響とともにランダムな測定ノイズ（非繰り返し性）の影響を含む。実用診断システムの成功は、このトータル偏差を異なる故障シナリオを現す成分に区分けし、これによって適切な故障分離が行えるようにする能力に多く依存している。

上述したように、通常、考えられる異なる２つの故障メカニズムがある、つまり、漸進的劣化と急速劣化である。前者は、時間とともに構成部品が劣化する通常のプロセスと関係し、測定偏差のゆっくりと増加および／または減少する（平均）変化を作り出す。一方、後者は、測定偏差の急速な（偶発的）傾向変動を作り出すシステム故障事象の結果である。図２を参照すれば、任意の測定偏差についてのこの概念が示されている。

急速劣化期間２３は漸進的劣化期間２１の間に介在する。急速劣化期間２３はエンジンの単一または二重の構成部品の不具合に関係する。特定の時間ｋにおけるトータル偏差

の分解は、エンジンの据付から始まり、時間ｉおよび時間ｊにおける急速劣化期間２３と漸進的劣化期間２１とを通って引き続く故障履歴に依存していることに注目すべきである。

これは、評価されたこの故障履歴である。このような評価を行うには、次の２つの一般的評価が行われる。まず、検討中のすべての構成部品について漸進的劣化が存在し、該漸進的劣化は一般的に、各々の測定値のためのセンサーとともにガスタービンの主要モジュール（たとえば、ファン、低圧コンプレッサー（ＬＰＣ）、高圧コンプレッサー（ＨＰＣ）、高圧タービン（ＨＰＴ）、低圧タービン（ＬＰＴ））すべてにおいてゆっくりとした性能変動によって特徴付けられると評価される。こういった故障分離の分析方法論は、多数故障分離（ＭＦＩ）である。次に、急速劣化は、単一（おそらく多くても２つ）の構成部品の不具合（全体的または部分的）の結果として、起こる。こういった偶発的事象故障分離の分析方法論は、単一故障分離（ＳＦＩ）である。

時間ｋにおける全体的分離の方策には、１）故障メカニズム（ゆっくりまたは急速）が起こっていると認識すること、２）時間ｋ以前に故障メカニズムの経過履歴を知ること、３）時間ｋ以前の評価された故障分離の蓄積された記録を有し、４）現在のトータル測定偏差を適切な成分に区分けし、５）適切な分析方法論を適用し時間ｋにおける故障を分離する。

この方策を成し遂げるために極めて必要なことは、次のように、基礎測定値ΔベクトルＺ_ｋ ^{Ｂａｓｉｃ}をいくつかの成分に区分けすることである。

図３を参照すれば、図２に上記の量の注釈を付けて分かりやすく示している。一般的に、離散時間ｉにおいて急速な劣化事象がある場合、ΔΔ_ｉは、事象の発起からの測定値Δベクトルにおける変化を示す。

これらの各（Ｚ）ベクトルは、ｍ×１測定値差分の配列である。たとえば、トータル測定値ベクトルは、

を含むと思われる。

各々の測定値Δベクトル成分に対応するものは、次のようなエンジンシステムおよびセンサー故障のベクトルである。

これらの各（ｘ）ベクトルは、ｎ×１測定値差分の配列である。たとえば、次のようである。

トータル測定値Δベクトルがその成分の合計である、すなわち

であると同様に、トータル故障ベクトルはその要素の合計である、すなわち

である。

これらの要素の各々は、測定値Δと他の利用可能な情報に基づいて推定される。これらの量の推定に役立つ技法は多く開発されており、これらの方法は間近の特定の故障推定を専門としたものである。そのような方法論としては、統計的検査法や応用ニューラルネットワークが挙げられるが、これらに限定されない。方法を特定することなく、表１に示されたようにこれらのプロセスについて包括的に触れる。

一次推定ルーチンに従って、データの有効性チェックやトータル測定値Δ入力における傾向検出を行うためのモジュールが必要になる。再度これらのタスクを行うさまざまな方法論が存在するが、特定のアプローチを参照することなく、表２に示されたようにこれらのプロセスについて包括的に触れる。

全体的プロセスはモジュール性能分析（ＭＰＡ）と称され、図４および５を参照して説明される。

まず、初期化ステップ３１で、初期化が必要か否かを決定する。初期化が必要な場合、初期化ステップ３２が行われて初期故障状態

を計算する。この初期故障状態

は、データベース３３に保存される。初期化が必要ない場合、初期Ｚ計算ステップ３４が行われ、これによってデータベース３３から受け取られた入力である

を用いて

が計算されて出力される。次に、ＭＦＩのＺ計算ステップ３５が行われ、これによってデータベース３３から入力と初期Ｚ計算ステップ３４から出力とを受け取って

が計算されて出力される。事象決定ステップ３７で、事象が起こっているか否かを決定する。

事象が進行中でないと決定された場合は、ＳＤＶステップ３６が行われる。統計データ有効性チェックが行われて、現在の測定値が異常値であるか否かを決定し、次のロジックに従って現在のおよび過去の抑制フラグを設定する。

次に、抑制ＭＰＡステップ３８で、示されたようにＭＰＡが行われ、これによってＳＤＶステップ３６で設定されたフラグに基づいてＭＰＡは実行されるか抑制される。

図５を参照すれば、本発明のＭＰＡの論理流れ図が詳細に示されている。入力

（ｋは抑制ＭＰＡステップ３８の出力に従って選択されたもの）として受け取り、傾向検出ステップ４１は次のロジックで実行される。

傾向または故障が検出された場合または進行中である場合、単一故障分離ステップ４２が行われ、これによって

が計算され、

および

が更新されたあと、最終推定構築ステップ４３で

と結合される。故障または傾向が検出されなかった場合、多数故障分離ステップが行われ、これによって

が計算され、

が更新されたあと、最終推定構築ステップ４３で

と結合されてトータル故障ベクトルを形成する。

以上の通り、本発明によれば、ガスタービンエンジンの性能診断を行う方法が提供されることは明らかである。なお、上記では本発明をその特定の実施例に関して説明したが、以上の説明から当業者にはその他の代替、改良、および変形は自明である。よって、添付の特許請求の範囲の広い範囲はこれらの代替、改良および変形を包含するように意図されている。

本発明のパラメーターデータの正規化の論理図である。 本発明のトータル偏差ベクトルの構成の説明図である。 本発明のトータル偏差ベクトルの構成を示し、重要な追加変数の偏差を注釈した説明図である。 本発明の事前モジュール性能分析（ＭＰＡ）の各ステップを示す論理図である。 本発明のモジュール性能分析の各ステップを示す論理図である。

符号の説明

１１ データ正規化ステップ
１３ 参照エンジンモデル
２１ 漸進的劣化期間
２３ 急速劣化期間

Claims (6)

1. システム上で診断を行うための方法であって、
   時間ｋにおける複数のパラメーターのいずれかひとつにそれぞれ対応する複数の測定値パラメーターを受領するステップ（図１：ステップ１１）と、
   前記複数の測定値パラメーターから偏差ベクトルを形成するステップ（図１）と、
   初期故障ベクトルから初期偏差ベクトルを計算するステップ（図４：ステップ３４）と、
   前記初期偏差ベクトルと前記偏差ベクトルとを用いて多数故障分離偏差ベクトルを計算するステップ（図４：ステップ３５）と、
   急速な性能劣化である事象が進行中であるかを決定するステップ（図４：ステップ３７）と、
   前記事象が進行中でない場合は、統計データ有効性チェックを行い現在の抑制フラグおよび過去の抑制フラグを設定する（図４：ステップ３６）と共に前記現在の抑制フラグと前記過去の抑制フラグに従ってモジュール性能分析を行うステップ（図４：ステップ３８）と、
   前記事象が進行中である場合は、時間ｋにおけるモジュール性能分析を行うステップ（図４）とを有してなり、
   モジュール性能分析を行う前記ステップが、
   前記多数故障分離偏差ベクトルを用いて、急速な傾向状態を決定する傾向検出を行うステップ（図５：ステップ４１）と、
   前記傾向検出に基づいて事象分離推定および多数故障分離推定の一方を実施する分離推定を行うステップ（図５：ステップ４２，４４）と、
   前記分離推定に基づいてトータル故障ベクトルを構築するステップ（図５：ステップ４３）とを有してなる、ことを特徴とする方法。
2. 前記複数の測定値パラメーターを受領する前記ステップが、百分率偏差を受領するステップを有してなる、ことを特徴とする請求項１記載の方法。
3. 前記複数の測定値パラメーターを処理して複数の条件を修正するステップをさらに有してなる、ことを特徴とする請求項１記載の方法。
4. 前記複数の測定値パラメーターを処理して複数の条件を修正する前記ステップが、前記複数の測定値パラメーターを処理し、マッハ数、高度、パワーレベルからなるグループから選択される複数の条件を修正するステップを有してなる、ことを特徴とする請求項３記載の方法。
5. 前記複数の測定値パラメーターを受領する前記ステップが、複数のエンジンパラメーターを受領するステップを有してなる、ことを特徴とする請求項１記載の方法。
6. 前記複数のエンジンパラメーターを受領する前記ステップが、複数の流量パラメーターを受領するステップを有してなる、ことを特徴とする請求項５記載の方法。

Images