JP5539382B2 - 航空エンジン内の故障の識別 - Google Patents

Description

本発明は航空エンジンを監視する分野に関する。より詳細には、本発明は航空エンジン内の故障を識別し、障害のある構成要素を検出することに関する。

数多くの産業では、たとえば航空産業および宇宙産業では、もしあればどの物理的構成要素に障害があるかを演繹するために、エンジンの瞬時の状態を記述する測定値から航空エンジンの故障を識別することができることが重要である。それにもかかわらず、そのような時系列測定値は様々な異なる物理単位で表現され、そのような時系列測定値は任意の方法で飛行ごとに変わることがあり、それにより、そのような測定値のどんな分析および処理も複雑にする。

様々な異なる単位で表現されることがある時系列測定値の代わりに品質スコアを用いようとするいわゆる「スコアリング（ｓｃｏｒｉｎｇ）」ツールが存在する。そのようなツールは品質管理システムにつながる尤度計算に基づく。それにもかかわらず、スコアリングツールは多変量の分野たとえば航空エンジンの監視に適用するのが困難である。さらに、これらのスコアは、エンジン専門家に理解できる実際の環境に容易に変換されない相対値に対応する。

一般に産業的方法に対して統計的管理を提供するための解決策に伴う分類ツールまたは標識化ツールもある。それにもかかわらず、そのような分類ツールは、サイズが大きく、得ることが非常に困難で、非常に費用がかかり、かつ大量の計算時間を必要とする障害データベースに対して較正される必要がある。具体的には、そのような分類ツールは航空エンジンの分野に適用することが極度に困難である。これは、都合のいいことに、航空エンジンの本物の障害が、非常に数が少なく、したがって、故障の大規模データベースを構築することが非常に困難なためである。

本発明は航空エンジンの故障を識別する方法を提供し、方法は：
前記航空エンジンの動作を表す１組の標準化された指標を定義するステップと、
前記１組の標準化された指標の関数として前記エンジンの挙動を表す異常ベクトルを構築するステップと、
前記異常ベクトルにより表される異常のある事象で、前記航空エンジンの故障に関連し専門家により確立される基準を使用して決定される１組の基準ベクトルから選択される、前記異常ベクトルの方向の決定された近傍に属する方向を有する基準ベクトルのサブセットを選択するステップと、
基準ベクトルの前記サブセットに関連する故障を識別するステップとを含む。

この方法は、異常ベクトル、およびエンジン専門家にとって理解できる物理的基準系で表されるシグネチャに対応する基準ベクトルを解釈することを容易にする。さらに、構築するのに非常に費用がかかり難しい故障または障害のデータベースを信頼するのではなく、専門家から収集される知識を信頼することができる。このことが、理解でき、迅速でより安価な方法で故障を識別することができるようにする。

本発明の一特徴では、基準ベクトルの前記サブセットを選択するステップは：
前記１組の標準化された指標に属する指標の数から前記指標間の線形関係の数を引いた数に等しい次元の空間内の球体上で前記異常ベクトルの方向と前記基準ベクトルの方向の間の測地的距離を計算するステップと、
前記測地的距離を対で比較するステップと、
前記異常ベクトルに対して基準ベクトルの測地的距離の昇順で基準ベクトルを分類するステップと、
決定されたランクよりも小さい分類順序を有する最初の基準ベクトルから基準ベクトルの前記サブセットを形成するステップとを含む。

このことが、選択された基準ベクトルにより生成される部分空間に問題の次元を限定することにより、大きな次元の空間内でさえ、最も近い故障シグネチャを選択することを容易にする。

本発明の特徴によれば、前記球体は半径が１である。

本発明の別の特徴によれば、故障の識別は：
各基準ベクトルに対して、専門家により確立される基準を使用して、発生の先験的確率を定義するステップと、
各基準ベクトルに対して、発生の前記先験的確率の関数として、および前記測地的距離の関数として、発生の経験的確率を計算するステップとを含む。

このことが、最も起こりそうな故障を識別することを容易にする。

本発明の特徴によれば、前記１組の標準化された指標

は、専門家により確立される基準を使用して識別される指標

を含む。

したがって、エンジン専門家が異常シグネチャと互いに影響し合い、異常シグネチャを解釈することが常にできる。

本発明の別の特徴によれば、前記１組の標準化された指標

は、前記航空エンジンの時間をかけた挙動を表す現在および過去の瞬間での指標の関数

として構築される動的指標をさらに含む。

したがって、航空エンジンの動的挙動、および動的挙動が変わる方式を拾い上げることができる。

有利には、前記異常ベクトルは：
前記１組の指標から指標ベクトル

を形成するステップと、
μが指標ベクトルの平均であり、Σが、一般逆行列Σ^−１が計算され、同様に根Σ^−１／２が特異値への分解により計算される共分散行列である次式

を使用して前記指標ベクトル

を再度正規化することにより前記異常ベクトルｚを構築するステップとを使用して構築される。

このことが解釈をより容易にし、異常ベクトルに対して行われる計算を容易にする。

さらに、方法は：
マハラノビス（Ｍａｈａｌａｎｏｂｉｓ）距離

を使用して前記異常ベクトルのノルムを計算するステップと、
異常ベクトルの前記ノルムの統計的分布の関数として定義されるトリガしきい値に応じて前記航空エンジンの異常を検出するステップとを含む。

したがって、異常ベクトルのノルムは、χ^２により近似されることがある知られている統計的分布で検出するのが容易な異常挙動を表す全スコアに対応する。

有利には、前記１組の基準ベクトルは、異常の事象での指標のカリカチュア的な挙動に従って構築される。

したがって、基準ベクトルは容易に構築されることがあるが、専門家にとって理解できる意味を保つ。

本発明の方法はまた：
専門家により確立される基準の適用で決定グリッドを確立するステップと、
ベイズの規則（Ｂａｙｅｓｉａｎ ｒｕｌｅｓ）を使用して、発生の前記経験的確率から、および前記決定グリッドから構成要素ごとの故障確率を演繹するステップと、
前記構成要素ごとの故障確率に基づき前記故障の原因である障害のある物理的構成要素を検出するステップとを含む。

このことが、障害のある装置を見つけ出すことを容易にし、したがって、航空エンジンの保守が迅速かつ効果的に行われることができるようにする。

前記決定グリッドは、故障が観測されたことを知り構成要素に障害のある条件付確率の行列により、および各構成要素が故障する先験的確率に対応する一連の係数から形成されることがある。

したがって、決定グリッドは、専門家の知識から容易に構築されることがある。

有利には、前記決定グリッドは機械学習により裏付けられる。

このことが、より正確でより堅牢な決定グリッドが構築されることができるようにする。

本発明はまた、航空エンジン内の故障を識別するためのシステムを提供し、システムは、
前記航空エンジンの動作を表す１組の標準化された指標を定義するための手段と、
前記エンジンの挙動を表す異常ベクトルを前記１組の標準化された指標の関数として構築するための手段と、
異常が前記異常ベクトルにより明らかにされる事象で、前記航空エンジンの故障に関連し専門家により確立される基準を使用して決定される１組の基準ベクトルから選択される、前記異常ベクトルの方向の決定された近傍に属する方向を有する基準ベクトルのサブセットを選択するための手段と、
基準ベクトルの前記サブセットに関連する故障を識別するための手段とを含む。

本発明はまた、プロセッサ手段により実行されるときに上記のステップを使用して故障を識別する方法を実現するための命令を含むコンピュータプログラムを提供する。

本発明の機器および方法の別の特徴および有利な点が、添付の図面を参照して限定しない指示として与えられる以下の説明を読むことでよりよく見えてくる。

航空エンジン内の故障を識別するための、本発明のシステムおよび方法に実装されるハードウェア手段を示す。 図１の航空エンジン内の故障を識別する主要ステップを示すフローチャートである。 図１の航空エンジン内の障害のある構成要素を検出する主要ステップを示すフローチャートである。

図１は、航空エンジン１内の故障を識別するための本発明のシステムまたは方法に実装されるハードウェア手段を示す。

システムは、エンジン１およびエンジン１の環境に関係がある時系列データを測定するための複数のセンサ３ａから３ｆを含む。システムはまた、情報を処理するためのプロセッサ手段５たとえば本発明の方法を実現するように設計されるコンピュータプログラムを実行するために使用されるのに適した計算機またはコンピュータを含む。プロセッサ手段５は、従来コンピュータ内に見いだされるハードウェア手段を含む。より具体的には、これらのプロセッサ手段５は、本発明の方法のプログラムの命令シーケンスを実行する中央装置７、データおよび実行されるプログラムを記憶する中央メモリ９、データをデジタル保存して記憶するための記憶手段または媒体１１、入力周辺装置（センサ３ａから３ｆ、キーボード、マウス、・・・）、および故障を識別する結果を届けるための出力周辺装置（スクリーン１３、プリンタ１５、・・・）を含む。

図２は、航空エンジン１内の故障を識別するためにプロセッサ手段５により実現される本発明による主要ステップを示す。

ステップＥ１では、プロセッサ手段５は、航空エンジン１および航空エンジン１の環境からセンサ３ａから３ｆにより取得される時系列測定値を収集しデジタル化するために時間をかけて動作するように構成される。

ステップＥ２では、プロセッサ手段５は、標準化された識別子を定義するように構成される。

時系列測定値に基づき、エンジン１の要素に特有な指標ｙ_１，・・・，ｙ_ｊ，・・・，ｙ_ｍを計算することができる。たとえば、一つの指標が、エンジンのそれぞれの始動後にエンジンシャフトが最大加速度に到達するために必要とされる遅延に対応することがあり、別の指標が、エンジンからの排気ガスの温度勾配などのことがある。

指標は、エンジン１の特定の要素を示す物理的要素に特有でも、エンジン１の１組の要素全体に対する特定のタスクを示す論理的要素に特有でもよいことが観測されるべきである。

これらの指標ｙ_１，・・・，ｙ_ｊ，・・・，ｙ_ｍは、たとえばエンジン専門家により作成され障害モード影響クリティカリティ解析（ＦＭＥＣＡ）として知られる書類に基づき専門家により提供される基準を使用して計算されることがある。その書類は故障、関係のある装置の部分、原因、結果、および上記の測定値から計算され現象が識別されることができるようにする指標を列挙し、観測値のそれぞれが、観測される影響の説明に関連付けられる。

その後、指標ｙ_１，・・・，ｙ_ｊ，・・・，ｙ_ｍは、たとえば従来の技法の正規化を使用して、平均の関数として、および前にデジタル化されたデータ系列に基づき先験的に計算される標準偏差の関数として、標準化されることができる。

変形例では、外部状況に依存しない、指標自体の間の確率的相互依存関係も考慮する標準化された指標

を定義することができる。

飛行中に収集される各測定値は、特定の外部または内部の条件で得られる。これらの条件は、指標がどのように解釈されるべきかに対して影響を及ぼすことがあるが、それ自体が測定され、外因的データとして記録されることがある。外部条件は、外部の温度および圧力、飛行機の飛行姿勢および相対速度、飛行が行われている場所（海、砂漠、陸地などの上）、天候条件（雨、雪、着氷など）、相対湿度などを含むことがある。内部条件はエンジンの特定の使用（シャフト速度、排気ガス温度、燃料のタイプなど）に関係があることがある。外因的データの一例として、エンジン始動直前の油温が、二つのタイプの始動（コールドスタートまたはホットスタート）を区別する状況データと考えられることがある。

したがって、センサ３ａから３ｆにより行われる時系列測定から、指標ｙ_１，・・・，ｙ_ｊ，・・・，ｙ_ｍに対して作用する外部状況を表す１組の外因的データＸ＝（ｘ_１，・・・，ｘ_ｈ）を識別することができる。この識別は、指標に関連する状況データを列挙することができるようにする依存性分析を行う専門家の基準を使用して行われることがある。

その後、各指標に対して、観測結果の回帰が、別の指標、状況データ、専門家の分析により得られる表現、およびたとえばノードを有するモデルの形で実現される別の関数により生成される空間上に構築される。構築され観測結果が投影される空間は、最初の指標の数よりもはるかに大きな次元からなる。

換言すれば、それぞれの所与の指標ｙ_ｊに対して、投影空間Ｅ^（ｊ）＝σ（Ｙ^（ｊ），Ｘ）が構築される。この投影空間は、１組の外因的データＸ＝（ｘ_１，・・・，ｘ_ｈ）により、および所与の指標ｙ_ｊ以外の最初の指標のすべてを含む指標のサブセットＹ^（ｊ）＝（ｙ_１，・・・，ｙ_ｊ−１，ｙ_ｊ＋１，・・・ｙ_ｍ）の解析的変換により生成される。解析的変換は指標間の物理的関係を表現したものであり、解析的変換は専門家により定義されることがある。これらの解析的変換はまた、恒等変換、および線形変換もしくは非線形変換、または異なる指標間の相互関係に関する情報を提供する関数を含むことがある。その後、それぞれの所与の指標ｙ_ｊに対して、対応する推定量

が、所与の指標ｙ_ｊを投影空間Ｅ^（ｊ）＝σ（Ｙ^（ｊ），Ｘ）上に投影する回帰法を使用することにより計算され、それにより、１組の推定量

を形成する。

最後に、各推定量

は、エンジン１の動作を表す標準化された指標

を形成するために、対応する指標ｙ_ｊに対する基準値、およびそれぞれの所与の推定量

と対応する指標ｙ_ｊの間の剰余または差の関数として正規化されることがある。

上記の方法または任意の別の方法を使用して構築されるこれらの標準化された指標

に基づき、目的は、異常を診断し、次に、特定の故障、および場合により関係がある物理的構成要素を演繹することである。

それにもかかわらず、異常を診断する前に、専門家により識別されるような指標

に加えて、エンジンの動的挙動、したがって、エンジンの挙動がどのように変わっているかも取り上げるために、直前の過去に関係がある指標（傾向、曲率、加速度、形状、・・・）を加えることができる。

指標の連続観測が指標に関する動的情報を提供することがある。標準化された指標は比較されるのに適している（このことは最初の指標については当てはまらない）ことを考慮すると、専門家により識別されるような標準化された指標が動的方法で組み合わせられることができる。

したがって、航空エンジン１の時間と共に変化する挙動を表し、かつ専門家により識別されるような指標

も、標準化された指標が現在であるときおよび過去にあったときに、専門家により識別されるような識別子

の関数

として構築されるような動的識別子も含む、１組の標準化された識別子

を定義することができる。

ステップＥ３は、エンジン１の挙動を表す異常シグネチャを構築することに関する。より具体的には、プロセッサ手段５は１組の標準化された指標

の関数として異常ベクトル（または異常シグネチャ）を構築するように構成される。

異常ベクトルの構築は、最初に１組の標準化された指標

から次元ｎの指標ベクトル

を構成することにより行われることがある。その後、指標ベクトル

を再度正規化することにより標準化された異常ベクトルｚを構築することができる。

最小二乗最小化法を使用して得られる剰余により計算される標準化された指標に対して、指標ベクトル

は多変量ガウス分布で合理的に正規化されることがあることが観測されるべきである。

より具体的には、標準化された指標ベクトル

の平均μが、ベクトルが中心に置かれるように減算され、共分散行列Σが計算され、次にＵ^ＴＵ＝Ｉおよび

で特異値Σ＝ＵＳＵ^Ｔに分解することにより計算されるΣの一般逆行列の根を使用して、次式：

を使用して共分散行列Σにより指標ベクトル

を直線に直すことにより、異常ベクトルが形成される。したがって、標準化された異常ベクトルｚは、ほぼゼロと考えられる特異値により識別されるような次元ｋ≧０のΣのコアの補数に対して正常なガウス分布にほぼ従うことがある。

ステップＥ４が異常試験である。プロセッサ手段５は、異常シグネチャまたは異常ベクトルが異常を現すかどうか診断するように構成される。

正常なシグネチャはかなり平坦であるが、異常は大きな変動により表され、容易に解釈できる。

したがって、異常が、たとえば次式：

を使用して表現されるマハラノビス距離を使用して異常ベクトルのノルムを計算することにより検出されることがあり、式中、μは標準化された指標ベクトル

の平均であり、Σは共分散行列である。

有利には、マハラノビス距離の統計的分布は知られており、χ^２（ｎ−ｋ）により近似されることがある。さらに、平均値に対する３σおよび６σのレベル（ここでσは標準偏差である）は、解析的計算により直接得られることがある。その結果、異常ベクトルのノルムの統計的分布の関数として定義されるトリガしきい値に基づき航空エンジンの異常を検出することは容易である。

したがって、異常ベクトルのノルムは、異常な挙動を表し、検出が容易な包括的スコアと考えられることがある。

異常の事象では、異常ベクトルの２次元投影を行うことにより障害のタイプを可視化することもできる。

ステップＥ４での検査の終わりに、方法は、異常ベクトルが異常を現す事象の際だけ次のステップＥ５に当然移る。

ステップＥ５は、航空エンジンの列挙された故障に対応する基準シグネチャを選択することに関する。

より具体的には、異常ベクトルにより異常が明らかにされる事象では、プロセッサ手段５は、異常ベクトルの方向の決定された近傍に属する方向を有する基準シグネチャまたは基準ベクトルのサブセットを選択するように構成される。基準ベクトルのサブセットは、航空エンジンの故障に関連し専門家により確立される基準を使用して決定される所定の１組の基準ベクトル（またはシグネチャ）から選択される。

１組の基準ベクトルは、異常の事象での指標のカリカチュア的な挙動に従って構築されることがある。

ＦＭＥＣＡを考え出すとき、専門家はすべての種類の可能な故障を列挙することがあり、各故障は発生の先験的確率を割り当てられ、十分な要素が異常の事象での指標のカリカチュア的な挙動を定義するために提供される。カリカチュア的な挙動は、一般に、「この値は非常に高い」、「この別の値は非常にゆっくりと増加している」、「最後の値が高いときそれは小さいことがある」などの短文で略式に記述される。

カリカチュア的な挙動は、知られている故障が構築されているリストに導くスコアの形で知られている方法で変換されることがある。さらに、標準的な状況の仮定の下で、このリストは、分類された故障の例が構築されることができるようにする。これらの例は、各行に標準化された基準ベクトルを含む標準化された行列を構築するために正規化されたベクトルの形となることがある。その結果、ＦＭＥＣＡは、エンジン専門家にとって現実的で理解できる基準系で列挙された故障をカリカチュア的な方法で記述する基準ベクトルを定義するのに役立つ。さらに、ＦＭＥＣＡは、各基準ベクトルに関連する発生の先験的確率を定義することを可能にする。

故障の定義がカリカチュア的であることを考慮すると、基準ベクトルの方向だけが考慮されることができることが観測されるべきである。したがって、基準ベクトルのサブセットは、１組の標準化された指標

内の指標の数からこれらの指標間の線形関係の数ｋを引いた数に等しい次元ｎ−ｋのベクトル空間内の（ｎ−ｋ−１）球体上の基準ベクトルと異常ベクトルを比較することにより分類されるまたは選択されることがある。

これは、球体上への異常ベクトルの投影と基準ベクトルの投影の間の測地的距離を計算することにより行われることがある。ベクトル間の距離を計算することは、５よりも大きな次元の空間内で意味を持つようになる。

より具体的には、測地的距離は、球体上の異常ベクトルの方向と基準ベクトルの方向の間で計算される。したがって、異常ベクトルの方向は半径１の球体上の測地的距離を計算することにより基準ベクトルの方向と比較されることがある。

異常ベクトルｚと標準化された基準ベクトルｔ（標準「テンプレート」）の間の測地的距離θ^２は次式

を使用して、正規化されたスカラ積として近似されることがある。

当然、高次元の空間内の分布パラメータとして距離の概念を使用しないことが可能である。

それにもかかわらず、たとえば基準ベクトルの測地的距離の昇順で基準ベクトルを分類することができるようにするこれらの測地的距離を対で異常ベクトルに対して比較することが可能である。そのとき、決定されたランクよりも低い分類順序の最初の基準ベクトルから基準ベクトルのサブセットを形成することができる。たとえば、最初の３つ、４つ、または５つの基準ベクトルを選択して、より起こりそうな故障を表す数少ない基準ベクトルのサブセットを形成することができる。

ステップＥ６では、プロセッサ手段５は、基準ベクトルの以前に選択されたサブセットに関連する故障を識別するように構成される。

より具体的には、測地的距離はより起こり得る故障を識別するために使用される。異常ベクトルに最も近い主要な基準ベクトルを選択することが常に可能なので、より小さな次元の対応する副球体に対して確率モデルを限定すること、および測地的距離を使用して発生の経験的局所的確率を計算することが可能である。これを行うためには、球体上の混合ガウス分布のモデルが使用される。ガウス分布の半径は、専門家により確立される先験的基準に依存する。

したがって、各基準ベクトルに対して、ＦＭＥＣＡを考え出し、かつ基準ベクトルのサブセットを分類するために測地的距離が使用されるとき、専門家により定義されるような、各障害ｆが発生する先験的確率の関数として障害ｆが発生する経験的確率Ｐ（ｆ）を計算することができる。

発生の経験的確率Ｐ（ｆ）は、次式：

を使用して、各基準ベクトルｔに対して専門家により定義される重み付け係数λ_ｔをパラメータとして有する確率モデルを使用して計算されることがあり、式中、θ_ｔは異常ベクトルｚと基準ベクトルｔの間の測地的距離であり、

は基準ベクトルｔに関連する発生の先験的確率を使用して計算される。

したがって、異常ベクトルのノルムｄ^２は異常のレベルを与え、測地的距離θ^２はより起こりそうな故障を識別するのに役立つ。これは、専門家から収集される知識を信頼することにより行われ、故障データベースを信頼することにより行われるわけではない。

図３は航空エンジン１内の障害のある構成要素を検出するためにプロセッサ手段５により実現される主要なステップを示す。

故障のそれぞれに対して発生の確率を計算することにより故障を識別した後に、確率を使用して、障害のある構成要素を検出することができる。これを行うために、専門家により定義され、明確な故障が観測されるときに分析中の各物理的構成要素に対して障害がある確率を与える決定グリッドが利用される。

したがって、ステップＥ７では、プロセッサ手段５は専門家により確立される基準に基づき決定グリッドを確立するように構成される。決定グリッドは、故障ｆが観測されたこと、および一連の係数が各構成要素ｃの故障の先験的確率に対応することを考慮すると、構成要素ｃに障害がある条件付確率ｑ_ｆ，ｃ＝Ｐ（ｃ／ｆ）の行列Ｑ＝（ｑ_ｆ，ｃ）により形成されることがある。行列Ｑ＝（ｑ_ｆ，ｃ）は対称な正の行列である。

さらに、決定グリッドが機械学習を開始することにより裏付けられ得ることが観測されることがある。そのような学習の主要な役割は、専門家により提供される情報を検証するためだけのものであり、それにより、データベースを構築するどんな必要性も回避する。

ステップＥ８では、プロセッサ手段５は、ベイズの規則を使用して、発生の経験的確率Ｐ（ｆ）に基づき、および決定グリッドＱ＝（ｑ_ｆ，ｃ）に基づき、各構成要素ｃに対する構成要素ごとの故障確率Ｐ（ｃ）を演繹するように構成される。

したがって、各構成要素ｃに対して、次式：

により与えられる故障の確率Ｐ（ｃ）を推定することができ、式中、β_ｃは障害のある構成要素の先験的発生に対応する正規化係数である。さらに、式の結果は０から１の間に切り捨てられる。

最後に、ステップＥ９では、プロセッサ手段５は、前のステップで計算された構成要素ごとの故障確率を使用することにより、故障の原因である障害のある物理的構成要素を検出するように構成される。

異常が検出されるとき、故障が発生する経験的確率Ｐ（ｆ）を計算するステップＥ６は、各故障の確率をテーブルまたは画像で図形により表すことが容易になることが観測されるべきである。さらに、ステップＥ９で障害のある構成要素を検出することは、各故障が構成要素の実際の名前により置換される別の画像を構築することができるようにする。次に、これらの画像は、専門家により容易に調べられることがある。

したがって、本発明は第一に、オープンで、エンジン専門家による解釈に適した方法を使用することにより、異常を診断し、次にその異常に関連する故障を分類するのに役立つ。

さらに、故障の分類から異常の検出を切り離すことが、列挙されていない新しいタイプの故障が専門家により検出されることができるようにし、新しいタイプの故障が分析されることができるようにし、次に新しいタイプの故障が、今度は可能性がある故障のリストの中に含まれることができるようにする。

さらに、好ましい実施形態では、本発明の方法の様々なステップがプログラムコード命令を用いて実行される。

その結果、本発明はまた、コンピュータプログラム製品、プロセッサ手段またはコンピュータシステム内に実装されることができるプログラム、上記で説明されるような本発明の方法を実現するように適合されるコード命令を含むプログラムを提供する。

プログラムは任意のプログラミング言語を使用してもよく、ソースコード、オブジェクトコード、またはソースコードとオブジェクトコードの間の中間のコードの形態、たとえば部分的にコンパイルされた形態または任意の所望の形態でもよい。

本発明はまた、コンピュータにより読み出すことができ、かつ上記で言及されるようなコンピュータプログラム命令を含むデータ媒体を提供する。

データ媒体は、プログラムを記憶することができる任意の実体または機器でもよい。たとえば、媒体は、記憶手段たとえば読み出し専用メモリ（ＲＯＭ）、たとえばコンパクトディスク（ＣＤ）ＲＯＭ、または超小型電子回路ＲＯＭ、または別の記録手段を含むことがある。

さらに、データ媒体は、無線または別の手段により、電気ケーブルまたは光ケーブルを介して運ばれることがある伝送できる媒体たとえば電気信号または光信号でもよい。

あるいは、データ媒体は、該当する方法を実行するように適合される、または該当する方法の実行で使用されるように適合される、プログラムが組み入れられる集積回路でもよい。

Claims (14)

1. 航空エンジン（１）内の故障を識別する方法であって、方法が、
   センサ（３ａから３ｆ）を使用して、前記航空機エンジン（１）および前記航空エンジン（１）の環境から時系列測定値を収集するステップと、
   プロセッサ手段（５）を使用して、前記時系列測定値から前記航空エンジン（１）の要素に特有の指標を計算するステップと、
   プロセッサ手段（５）を使用して、前記特有の指標から前記航空エンジン（１）の動作を表す１組の標準化された指標を定義するステップと、
   プロセッサ手段（５）を使用して、前記エンジン（１）の挙動を表す異常ベクトルを前記１組の標準化された指標の関数として構築するステップと、
   前記異常ベクトルにより異常が明らかにされる事象で、プロセッサ手段（５）を使用して、前記航空エンジン（１）の故障に関連し専門家により確立される基準を使用して決定される１組の基準ベクトルから選択される、前記異常ベクトルの方向の決定された近傍に属する方向を有する基準ベクトルのサブセットを選択するステップであって、前記１組の基準ベクトルが、異常の事象での指標のカリカチュア的な挙動に従って構築されるステップと、
   プロセッサ手段（５）を使用して、基準ベクトルの前記サブセットに関連する故障を識別するステップと
   を含むことと、
   基準ベクトルの前記サブセットを選択するステップが、
   プロセッサ手段（５）を使用して、前記１組の標準化された指標内の指標の数から指標間の線形関係の数を引いた数に等しい次元の空間内の球体上への前記異常ベクトルの投影と前記基準ベクトルの投影の間の測地的距離を計算するステップと、
   プロセッサ手段（５）を使用して、前記測地的距離を対で比較するステップと、
   プロセッサ手段（５）を使用して、前記異常ベクトルに対して、基準ベクトルの測地的距離の昇順で基準ベクトルを分類するステップと、
   プロセッサ手段（５）を使用して、決定されたランクよりも小さい分類順序を有する最初の基準ベクトルから基準ベクトルの前記サブセットを形成するステップと
   を含むことを特徴とする、方法。
2. 前記球体の半径が１であることを特徴とする、請求項１に記載の方法。
3. プロセッサ手段（５）を使用して、各基準ベクトルに対して、専門家により確立される基準に基づき発生の先験的確率を定義するステップと、
   プロセッサ手段（５）を使用して、各基準ベクトルに対して、発生の前記先験的確率の関数として、および前記測地的距離の関数として発生の経験的確率を計算するステップと
   を含むことを特徴とする、請求項１または２に記載の方法。
4. 前記１組の標準化された指標
   

   

   が、専門家により確立される基準を使用してプロセッサ手段（５）により識別される指標
   

   

   を含むことを特徴とする、請求項１から３のいずれか一項に記載の方法。
5. 前記１組の標準化された指標
   

   

   が、現在および過去の瞬間での指標の関数
   

   

   としてプロセッサ手段（５）により構築され、かつ時間をかけた前記航空エンジンの挙動を表す動的指標をさらに含むことを特徴とする、請求項４に記載の方法。
6. 前記異常ベクトルを構築するステップが、
   プロセッサ手段（５）を使用して、前記１組の指標から指標ベクトル
   

   

   を形成するステップと、
   プロセッサ手段（５）を使用して、μが指標ベクトルの平均であり、Σ^−１／２が共分散行列Σの一般逆行列信号Σ^−１の根である次式
   

   

   を使用して、前記指標ベクトル
   

   

   を再度正規化することにより前記異常ベクトルｚを構築するステップと
   を含むことを特徴とする、請求項１から５のいずれか一項に記載の方法。
7. プロセッサ手段（５）を使用して、マハラノビス距離
   

   

   を使用して前記異常ベクトルのノルムを計算するステップと、
   プロセッサ手段（５）を使用して、異常ベクトルの前記ノルムの統計的分布の関数として定義されるトリガしきい値を使用して前記航空エンジンの異常を検出するステップと
   を含むことを特徴とする、請求項６に記載の方法。
8. プロセッサ手段（５）を使用して、専門家により確立される基準の適用で決定グリッドを確立するステップと、
   プロセッサ手段（５）を使用して、ベイズの規則を適用して、発生の前記経験的確率から、および前記決定グリッドから故障の構成要素ごとの確率を演繹するステップと、
   プロセッサ手段（５）を使用して、前記構成要素ごとの故障の確率の適用で前記故障の原因である障害のある構成要素を検出するステップと
   をさらに含むことを特徴とする、請求項３に記載の方法。
9. 前記決定グリッドが、故障が観測されたことを知り構成要素に障害がある条件付確率の行列、および各構成要素の故障の先験的確率に対応する一連の係数から形成されることを特徴とする、請求項８に記載の方法。
10. 前記決定グリッドが機械学習により裏付けられることを特徴とする、請求項８または９に記載の方法。
11. 航空エンジン（１）内の故障を識別するためのシステムであって、システムが、
    前記航空エンジン（１）および前記航空エンジン（１）の環境から時系列測定値を収集するためのセンサ（３ａから３ｆ）と、
    前記時系列測定値から前記航空エンジン（１）の要素に特有な指標を計算するための手段（５）と、
    前記特有の指標を使用して、前記航空エンジン（１）の動作を表す１組の標準化された指標を定義するための手段（５）と、
    前記エンジン（１）の挙動を表す異常ベクトルを前記１組の標準化された指標の関数として構築するための手段（５）と、
    前記異常ベクトルにより異常が明らかにされる事象で、前記航空エンジンの故障に関連し専門家により確立される基準を使用して決定される１組の基準ベクトルから選択される、前記異常ベクトルの方向の決定された近傍に属する方向を有する基準ベクトルのサブセットを選択するための手段（５）であって、前記１組の基準ベクトルが、異常の事象での指標のカリカチュア的な挙動に従って構築される手段（５）と、
    基準ベクトルの前記サブセットに関連する故障を識別するための手段（５）と
    を含むことと、
    基準ベクトルのサブセットを選択するための手段が、
    前記１組の標準化された指標に属する指標の数から前記指標間の線形関係の数を引いた数に等しい次元の空間内の球体上への前記異常ベクトルの投影と前記基準ベクトルの投影の間の測地的距離を計算するための手段（５）と、
    前記測地的距離を対で比較するための手段（５）と、
    前記異常ベクトルに対して基準ベクトルの測地的距離の昇順に基準ベクトルを分類するための手段（５）と、
    決定されるランクよりも小さな分類順序を有する最初の基準ベクトルから基準ベクトルの前記サブセットを形成するための手段（５）と
    を含むことを特徴とする、システム。
12. 各基準ベクトルに対して、専門家により確立される基準の適用で発生の先験的確率を定義するための手段（５）と、
    各基準ベクトルに対して、発生の前記先験的確率の関数として、および前記測地的距離の関数として発生の経験的確率を計算するための手段（５）と
    を含むことを特徴とする、請求項１１に記載のシステム。
13. 専門家により確立される基準の適用で決定グリッドを確立するための手段（５）と、
    ベイズの規則を使用して、発生の前記経験的確率から、および前記決定グリッドから構成要素ごとの故障確率を演繹するための手段（５）と、
    前記構成要素ごとの故障確率に従って前記故障の原因である障害のある物理的構成要素を検出するための手段（５）と
    をさらに含むことを特徴とする、請求項１１に記載のシステム。
14. プロセッサ手段により実行されるとき、請求項１から１０に記載の、故障を識別する方法を実現するための命令を含む、コンピュータプログラム。

Images