DE19808197A1 - System und Verfahren zur Diagnose von Triebwerkszuständen - Google Patents
System und Verfahren zur Diagnose von TriebwerkszuständenInfo
- Publication number
- DE19808197A1 DE19808197A1 DE19808197A DE19808197A DE19808197A1 DE 19808197 A1 DE19808197 A1 DE 19808197A1 DE 19808197 A DE19808197 A DE 19808197A DE 19808197 A DE19808197 A DE 19808197A DE 19808197 A1 DE19808197 A1 DE 19808197A1
- Authority
- DE
- Germany
- Prior art keywords
- information
- neural network
- parameters
- neurons
- engine
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/903—Control
- Y10S706/905—Vehicle or aerospace
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S706/00—Data processing: artificial intelligence
- Y10S706/902—Application using ai with detail of the ai system
- Y10S706/911—Nonmedical diagnostics
- Y10S706/913—Vehicle or aerospace
Description
Die Erfindung bezieht sich auf ein System und Verfahren zur Diagnose von
Triebwerkszuständen.
Herkömmlich erfolgt die Diagnose von Triebwerkszuständen unter Verwendung
von Schwingungssignalen aufgrund von Amplitudengrenzen, die aus der allge
meinen Erfahrung abgeleitet wurden, und/oder typischer Merkmale aus Schwin
gungssignaturen, der Erfahrung aus Ereignissen während der Entwicklungsphase
bzw. der Erfahrung aus dem Zertifizierungsprozeß.
Es erfolgen in der Regel kostspielige und zeitintensive Modifikationen in der Se
rienproduktion.
Die Schwingungsdiagnose wird dabei von verschieden qualifizierten Spezialisten
teams durchgeführt, ohne gezielten Erfahrungsaustausch zwischen Betreiber und
Hersteller von Triebwerken und ohne systematische Erfassung und Auswertung
von Fehlern, Begleiterscheinungen bzw. Anzeichen und deren Ursachen.
Somit besteht bei der bisher üblichen Schwingungsdiagnose von Triebwerkszu
ständen unter anderem das Problem, daß wenigen Meßpositionen nur eine be
grenzte Menge von Informationen zur Auswertung gegenüber steht. Es gibt zwar
aus der Entwicklungsphase Fehlerkataloge; diese sind aber meistens sehr lücken
haft. Der Einfluß einer großen Anzahl von Parametern, wie beispielsweise von
Baustandards, Toleranzen, Größe und Position von Unwuchten, Temperaturaus
wirkungen, Leistungs- und Flugparametern usw., sowie Nichtlinearitäten und
Meßungenauigkeiten bleibt weitgehend unberücksichtigt.
Daher können bei dieser Art von Schwingungsdiagnose gefährliche Schwin
gungsbedingungen während des Betriebs unerkannt weiterbestehen, es können
größere Sekundärschäden durch zu späte Fehlererkennung auftreten und der
Wartungsaufwand steigt, da zumeist eine Triebwerkszerlegung erforderlich ist.
Deshalb ist es Aufgabe der vorliegenden Erfindung, ein System und Verfahren
zur Diagnose von Triebwerkszuständen zu schaffen, bei dem die Sicherheit durch
ein Erkennen gefährlicher Schwingungsbedingungen erhöht wird, größere Sekun
därschäden durch eine frühe Fehlererkennung vermieden werden, der Wartungs
aufwand durch gezielte Elimination der Schwingungsursachen verringert wird und
eine Wartung entsprechend dem aktuellen Triebwerkszustand (d. h. "On-
Condition") erfolgt.
Diese Aufgabe wird durch die in den Patentansprüchen 1 bzw. 8 aufgezeigten
Maßnahmen gelöst. In den Unteransprüchen sind vorteilhafte Ausgestaltungen und
Weiterbildungen angegeben.
In der nachfolgenden Beschreibung ist ein Ausführungsbeispiel der Erfindung in
Verbindung mit der Zeichnung beschrieben.
Es zeigen:
Fig. 1A eine schematische Darstellung des Aufbaus eines Neuronalen Mehr
schicht-Netzes zur Informationsverdichtung,
Fig. 1B eine schematische Darstellung des Aufbaus eines Neuronalen Mehr
schicht-Netzes zur Informationsverknüpfung,
Fig. 1C einen Aufbau einer Neuroneneinheit, die in den Netzen gemäß Fig. 1A
und Fig. 1B verwendet wird, und
Fig. 2 ein Blockschaltbild zur Veranschaulichung des Aufbaus des erfindungsge
mäßen Systems zur Diagnose von Triebwerkszuständen.
Der Schwerpunkt der Erfindung liegt bei einem Verfahren und einer Vorrichtung
für die Extraktion von Merkmalen aus unterschiedlichen Informationsquellen und
deren Bearbeitung. Diese Merkmale, die den Triebwerkszustand umfassend cha
rakterisieren, bilden den Kern des Systems zusammen mit einer Hintereinander
schaltung zweier Neuronaler Netze.
Zum Generieren von Schwingungsmustern (Trainingsdaten) zur Diagnose von
Triebwerkszuständen kann sowohl eine Simulation als auch eine Messung ver
wendet werden. Beide Verfahren besitzen ihre Vor- und Nachteile, die im folgen
den erläutert werden.
Bei einer Simulation ist es vorteilhaft, daß eine Analyse verschiedener vordefi
nierter Fehlerfälle und außerdem eine Kombination davon erfolgt. Die Auswer
tung kann dabei an beliebigen Positionen erfolgen, deren Menge nur von der An
zahl der Freiheitsgrade des Simulationsmodells beschränkt ist. Es können extre
me, zerstörende Fälle analysiert werden. Dabei ist es unter anderem vorteilhaft,
reine Signale ohne Rauschanteile zu verwenden. Simulationen von Triebwerks
läufen sind verhältnismäßig kostengünstig.
Nachteilig wirkt es sich jedoch bei der Simulation aus, daß sie bestimmten An
nahmen unterworfen ist, z. B. bei der Modellierung von Verbindungen und
Dämpfungseigenschaften, usw. Zu den weiteren Nachteilen der Simulation zäh
len deren begrenzte Gültigkeit, z. B. nur für ein bestimmtes Frequenzband
(normalerweise der untere Frequenzbereich), und daß manche Effekte nur mit
sehr hohem Aufwand berücksichtigt werden können. Darüber hinaus beschreiben
die Simulationsmodelle nur bestimmte Eigenschaften der Struktur mit einer hohen
Genauigkeit. Andere Eigenschaften, wie z. B. thermische Wirkungen, usw. wer
den dagegen nur global berücksichtigt.
Demgegenüber besitzt die Messung die folgenden Vorteile. Es wird die tatsächli
che, gegenwärtige Struktur verwendet, keine physikalische Idealisierung dersel
ben. Insbesondere bei den Entwicklungs- und Zertifizierungsprozessen werden
bestimmte Lastfälle analysiert, welche bestimmten Fehlern entsprechen, z. B.
Blattverlust an verschiedenen Stufen der einzelnen Komponenten des Triebwerks.
Außerdem können bei Messungen zusätzlich Betriebsparameter berücksichtigt
werden, insbesondere bei Untersuchungen im Flug werden eine Reihe von zu
sätzlichen Parametern aufgezeichnet.
Jedoch ergeben sich auch bei der Messung Probleme. Nachteilig wirkt sich die
Ungenauigkeit bzw. Streuung der Messung aus, ebenso wie Meßfehler oder Rau
scheffekte. Zusätzlich sind die Individualität der Triebwerke und die veränderli
chen Bezugsbedingungen problematisch. Die Beobachtung kann nur an wenigen
festen Positionen durchgeführt werden.
Daher ergeben sich die folgenden Erfordernisse zur Überwindung dieser Nachtei
le und Probleme:
Es muß eine extensive numerische Erzeugung von Schwingungskennungssignalen
erfolgen, welche von einer Generierung experimenteller Signaturen begleitet wer
den soll. Dazu ist eine Definition von Parametern, die beobachtet und zur Dia
gnose verwendet werden sollen, ebenso wie eine Erstellung eines Fehlerkatalogs
erforderlich. Die zu identifizierenden Fehler müssen definiert werden und eine
Analyse von Verbindungen bzw. einer Beziehung zwischen Fehlern muß stattfin
den.
Ebenso ist eine Extraktion von Merkmalen und eine Analyse von Verbindungen
bzw. Beziehungen zwischen Symptomen, Begleiterscheinungen bzw. Anzeichen
nötig. Parameter müssen identifiziert werden und Triebwerksmodelle entwickelt
und Verbindungen bzw. Beziehungen zwischen Fehlern und Begleiterscheinungen
bzw. Anzeichen erzeugt werden.
Weiterhin ist eine Entwicklung von umfassenden Diagnosesystemen auf der
Grundlage von Neuronalen Netzen unter Berücksichtigung von verschiedenen
physikalischen Informationen (Schwingungen, Leistungsmerkmalen, Temperatu
ren usw.) und statistischen bzw. probabilistischen Informationsquellen erforder
lich.
Die Eigenschaften der Neuronalen Netzes, wie beispielsweise der Typ bzw. der
Art, die Architektur, das Trainingsverfahren, usw. müssen definiert werden. Dar
über hinaus sollen Untersuchungen über eine mögliche Anwendung von Neurona
len Netzen in Kombination mit Fuzzy-Logik erfolgen. Schließlich werden die Si
mulationsmodelle bzw. -verfahren und die Meßtechniken über Empfindlichkeits-
und Korrelationsanalyse optimiert.
Die Hauptprobleme, die bei meßtechnischen Betrachtungen auftreten, sind die
Datenstreuung, die Identifizierung von Rauschdaten, die begrenzten Datenmen
gen für eine vollständige Analyse und die sich verändernde Bezugsbedingung für
jedes Triebwerk. Mögliche Problemlösungen sind eine Musterzuordnung, eine
Klassifizierung und eine Identifizierung der Information mittels neuronaler bzw.
neuro-fuzzy Methoden.
Erfindungsgemäß werden zur Diagnose von Triebwerkszuständen nicht, wie her
kömmlich, nur die erfaßten Schwingungssignale des Triebwerks zur Diagnose
verwendet, sondern auch andere Betriebsparameter, wie beispielsweise Höhe,
Temperatur, usw., die den Zustand des Triebwerks ebenfalls mitbeeinflussen.
Weiterhin sollen auch statistische und probabilistische Betrachtungen zusätzlich
berücksichtigt werden.
Dabei erfolgt die Diagnose des Triebwerkszustands unter Verwendung eines ler
nenden, intelligenten Systems. Dieses System wird von der Entwicklungsphase
bis zur Serienproduktion eingesetzt. Es werden zusätzliche physikalische Infor
mationen, wie Betriebsparameter, Temperaturen, Leistungsparameter, usw. zur
Diagnose verwendet. Der gegenwärtige Baustandard und die Vorgeschichte des
Triebwerks so wie die Symptome und deren verifizierte Fehlerursachen werden in
dem erfindungsgemäßen System und Verfahren systematisch aufgezeichnet und
ausgewertet.
Insbesondere wird das intelligente System unter Verwendung physikalischer Si
mulationsmodelle trainiert, wobei die physikalischen Modelle unter Verwendung
einer Korrelation mit den Messungen iterativ bzw. schrittweise verbessert wer
den. Zusätzlich wird das intelligente System mit Hilfe tatsächlicher bzw. realer
Ereignisse und Vorfälle trainiert.
Außerdem werden die Fehlerfälle aller Kunden unter Verwendung einer gemein
samen Datenbasis bzw. Datenbank von den Produzenten gesammelt und ausge
wertet.
In einem derartigen intelligenten System werden Neuronale Netze verwendet. Ein
Neuronales Netz besteht aus einer Vielzahl von Neuronen, von denen jedes eine
nichtlineare Eingangs/Ausgangskennlinie besitzt und die durch Verbindungsele
mente mit jeweils wechselseitig unabhängigen Gewichtskoeffizienten miteinander
verbunden sind. Die Gewichtskoeffizienten können durch einen Lernvorgang ver
ändert werden. Dabei wird das Ausgangssignal des Neuronalen Netzes aufgrund
einer besonderen Kombination von Eingangswerten mit einem bekannten Wert
(Lehrwert) verglichen, der zu diesen Eingangswerte korrespondiert. Aus dieser
Gegenüberstellung wird eine Modifikation der Werte der Gewichtskoeffizienten,
wie beispielsweise um den Ausgangswert vom Neuronalen Netz näher zum
Lehrwert zu bringen, abgeleitet. Dazu wird ein Lernalgorithmus bzw.
-rechenverfahren verwendet. Der Lernvorgang wird aufeinanderfolgend für eine
Anzahl von verschiedenen Lehrwerten und entsprechenden Eingangswertkombi
nationen wiederholt. Dies gilt insbesondere für das Neuronale Netz gemäß Fig.
1B, bei dessen Training z. B. die Methode der überwachten "Back Propagation"
verwendet werden kann. Weiterhin besteht auch die Möglichkeit andere Metho
den für das Training der Neuronalen Netze einzusetzen. Dabei handelt es sich
beispielsweise um nicht überwachte Verfahren (z. B. Methode der selbstorganisie
renden Karten von Kohonen), welche insbesondere für Klassifikationsaufgaben
wie im Neuronalen Netz von Fig. 1A verwendet werden.
Ein Neuronales Mehrschicht-Netz gemäß Fig. 1A und Fig. 1B ist aus aufeinan
derfolgenden Schichten von Neuronen gebildet, mit Zwischenverbindungen durch
Verbindungselemente, die zwischen den Neuronen einer Schicht und Neuronen
von vorhergehenden und nachfolgenden Schichten verbunden sind. Die Verbin
dungselemente multiplizieren die Ausgangssignale mit Gewichtskoeffizienten
Wn,i,j bzw. Wn,j,k. Während des Lernvorgangs eines Neuronalen Netzes sind diese
Gewichtskoeffizienten Wn,i,j bzw. Wn,j,k veränderlich und werden wechselseitig
unabhängig bestimmt. Die Werte der Gewichtskoeffizienten Wn,i,j, welche die
Eingangs- mit der Zwischenschicht verbinden, können als die jeweiligen Kopp
lungsstärken zwischen Neuronen der Zwischenschicht U2,j und den Neuronen der
Eingangsschicht Ul,i betrachtet werden. Wenn die Ausgangsschicht U3,k des Neu
ronalen Netzes nur aus einem einzelnen Neuron U3,l besteht, wird ein einzelner
Ausgangswert von dem letzten Neuron des Neuronalen Netzes ansprechend auf
eine bestimmte Kombination von der Eingangsschicht des Neuronalen Netzes
zugeführten Eingangssignalwerten erzeugt.
Fig. 1C zeigt ein Neuron 30, das als aus einem Eingangsabschnitt 20 und einem
Ausgangsabschnitt 40 bestehend betrachtet werden kann. Der Eingangsabschnitt
20 summiert die ihm zugeführten gewichteten Eingangssignalwerte auf, wobei
jeder dieser Eingangssignalwerte mit einem entsprechenden Gewichtskoeffizienten
Wm,i,j multipliziert wird. Das sich ergebende summierte Ausgangssignal, das
vom Eingangsabschnitt 20 des Neurons 30 erzeugt wird, wird als Xm,i bezeichnet
und dem Ausgangsabschnitt 40 des Neurons zugeführt. Der Ausgangsabschnitt 40
führt eine Verarbeitung entsprechend einer nicht-linearen Funktion Y=F(x) aus,
um das Ausgangssignal Yn,i zu erhalten, das einem oder mehreren Neuronen der
nachfolgenden Schicht zugeführt wird, nachdem es mit jeweiligen Gewichtskoef
fizienten multipliziert wurde.
Im folgenden wird nun schematisch das erfindungsgemäße System und Verfahren
zur Diagnose von Triebwerkszuständen unter Bezugnahme auf Fig. 2 beschrie
ben.
Das erfindungsgemäße System und Verfahren erhält über Meßwertgeber 2 physi
kalische Informationen 10, wie z. B. Druck und Temperatur in verschiedenen
Ebenen eines Triebwerks 1 sowie auch Parameter aus der Gasverfolgung inner
halb des Triebwerks 1 und aus der Partikelanalyse in verbrauchtem Öl. Weiterhin
erhält das System Schwingungsinformationen im Zeitbereich 11 und nach Verar
beitung derselben durch eine Schwingungsanalyseeinrichtung 3 Informationen im
Frequenzbereich 12. Zusätzlich werden dem System Informationen übertragen,
welche aus statistischen und probabilistischen Betrachtungen 9 aus Daten einer
entsprechenden Datenbank 20 resultieren. Aus dieser Fülle von Informationen
werden unter Anwendung spezieller Algorithmen von einem Modul zur Merkma
lextraktion 4 Merkmale 13 extraliiert, die das Triebwerk umfassend charakterisie
ren.
Das erfindungsgemäße System bzw. Verfahren verwendet ein erstes Neuronales
Netz 5, da in der Eingangsschicht mehr Neuronen als in der Ausgangsschicht
aufweist. Die Aufgabe dieses Netzes ist, die zugeführten Merkmale 13 zu klassi
fizieren und vor allem Beziehungen und Abhängigkeiten zwischen den Merkma
len zu identifizieren. Es werden Gruppen von Merkmalen gebildet, welche durch
ausgewählte "Vertreter", die hier genannten Parameter 14, im weiteren Prozeß
berücksichtigt werden. Somit wird eine Datenverdichtung durch Beseitigung von
redundanten Informationen erreicht.
Das erste Neuronale Netz 5 wird unter Anwendung verschiedener Methoden
durch eine erste Lehreinrichtung 7 trainiert. Es wird unter anderem die Methode
der "Back Propagation" mit den Datensätzen 16 und 17 verwendet, aber auch die
Methode der "Selbstorganisierenden Karten" eingesetzt.
Weiterhin ist im erfindungsgemäßen System und Verfahren ein zweites Neurona
les Netz 6 vorgesehen. Eingangssignale des zweiten nachgeschalteten Neuronalen
Netzes 6 sind die identifizierten Parameter 14. Die Aufgabe dieses zweiten Neu
ronalen Netzes ist die Klassifikation und Erkennung von Zusammenhängen zwi
schen den Parametern 14 und bestimmten Fehlerkonstellationen 15. Dieser Vor
gang wird im Rahmen des erfindungsgemäßen Systems Diagnose genannt, da die
Fehler 15 über die Parameter 14 und diese wiederum über die Merkmale 13 mit
physikalisch interpretierbaren Eigenschaften des Treibwerks 1 kausal assoziiert
werden.
Die verschiedenen Schichten des zweiten Neuronalen Netzes 6 bestehen aus je
weils mehreren Neuronen. Die Anzahl der verdeckten Schicht wird, wie üblich
bei Klassifizierungsprozessen, relativ klein sein (1 oder 2 Schichten). Die Anzahl
der Neuronen wird jedoch in der Regel größer als die der äußeren Schichten sein.
Ausgangssignal des zweiten Neuronalen Netzes ist ein Diagnosesignal, welches
auf eine bestimmte Fehlerkonstellation 15 hinweist.
Das Training des zweiten Neuronalen Netzes durch eine zweite Lehreinrichtung 8
wird mit Hilfe der überwachten "Back Propagation"-Methode durchgeführt. Da
bei werden bekannte Fehler 19 und deren Symptome in Form von Parametern 18
eingesetzt.
Nun wird genauer darauf eingegangen, welche Eingangssignale dem Modul zur
Merkmalextraktion 4 zugeführt werden. Wie vorstehend bereits erwähnt, sind
diese Eingangsdaten Schwingungssignale im Zeit- und Frequenzbereich 11 bzw.
12 und zusätzlich physikalische 10 sowie statistisch/probabilistische 9 Beobach
tungsparameter. Im Modul zur Merkmalsextraktion werden diese Informationen
getrennt verarbeitet, es werden aber gemeinsame Kennungen für eine weitere Be
arbeitung vorgesehen.
Zunächst zu den Schwingungssignalen im Zeitbereich 11. Hierbei werden Verfah
ren und Techniken verwendet, wie sie zur Spracherkennung üblich sind. Außer
dem werden der Effektivwert (RMS = root mean Square), Hüllkurven, Modula
tionen, Absolutwerte, Leistungsanalyse, statistische Parameter
(Standardabweichungen, usw.), Verteilungsfunktionen, Wavelet-Analyse, usw.
der Schwingungssignale im Zeitbereich als Indikatoren verwendet.
Dagegen wird für die Schwingungssignale im Frequenzbereich 12 eine Darstel
lung in Form eines sogenannten Wasserfalldiagramms gewählt. Diese graphische
Informationsdarstellung wird dann mit Bildverarbeitungsverfahren behandelt und
daraus werden entsprechende Merkmale aussortiert. Somit wird eine globale Be
trachtung realisiert, da alle Bereiche des Bildes (Wasserfalldiagramm) mit der
gleichen Gewichtung verarbeitet werden. Weiterhin werden geometrische Be
trachtungen durchgeführt, um Indikatoren, wie beispielsweise den Schwerpunkt
des gesamten Bildes oder Schwerpunkte bestimmter Bildregionen, welche nach
bestimmten physikalischen Überlegungen definiert werden (z. B. subharmonsicher
oder superharmonischer Bereich), zu erzeugen. Die sogenannten "Sky-Lines" des
Wasserfallsdiagramms, betrachtet aus der Perspektive der Frequenz- bzw. der
Zeit/Drehzahlachse, liefern zusätzliche Bildmerkmale.
Außerdem wird die Information der Wasserfalldiagramme numerisch erfaßt.
Somit ergibt sich zusätzlich die Möglichkeit, Methoden aus der Matrizen- und
Vektorrechnung (verschiedene Normen, Längen, usw.), wie beispielsweise Er
mittlung von maximalen Werten, Mittelwerten, Summennormen, Euklidischen
Normen, Korrelationskoeffizienten, Regressionskoeffizienten, Standardabwei
chungen, usw. zur Gewinnung von Indikatoren einzusetzen. Weiterhin werden
aus der Entwicklung der Amplituden der zu der Betriebsdrehzahl des jeweiligen
Rotors, deren Mehrfachen und Kombinationen zugeordneten Schwingungen In
formationen extrahiert, welche die Erzeugung zusätzlicher Merkmale erlauben.
Eine andere Alternative der Bearbeitung der numerischen Information ist die An
wendung von Verfahren zur Systemidentifikation (direct estimation method usw.)
im Frequenzbereich bezogen auf einzelne Spektra (d. h. quasi-konstante Drehzahl)
und/oder auf die oben genannten Verläufe der Drehzahlharmonischen. Die Be
rücksichtigung von Übertragungsfunktionen sowie eine Verteilungsanalyse der
numerischen Daten liefern zusätzliche Indikatoren aus den Schwingungssignalen
im Frequenzbereich.
Eine vollständig andere Quelle von Merkmalen sind Beobachtungen von zusätzli
che physikalischen Parametern 10. Zu dieser Gruppe von Parametern zählen der
Ölverbrauch bei bestimmten Triebwerksläufen, Leistungsbezugszahlen wie Druck
und Temperatur in bestimmten Triebwerksebenen, Partikelanalyse im verbrauch
ten Öl und in den Triebwerksabgasen sowie die Gasweganalyse. Eine andere Al
ternative ergibt sich aus der statistischen bzw. probabilistischen Betrachtung der
Fehler 9. Mit Hilfe dieser Analyse können bestimmte Triebwerkskomponenten
oder -bauteile als besonders anfällig eingestuft werden. Diese Information wird in
Form von Merkmalen verwendet.
Die Merkmale 13 resultierend aus dem entsprechenden Modul zur Merkmalex
traktion 4 sind dann die Eingangsdaten der Eingangsschicht des ersten Neurona
len Netzes 5. Die Aufgabe dieses Netzes ist die Komprimierung der durchaus
umfangreichen Eingangsinformationen und die Generierung von weitgehend un
abhängigen Parametern 14.
Dem zweiten Neuronalen Netz 6 werden die vom ersten Neuronalen Netz 5 aus
gegebenen Parameter 14 zugeführt und dieses gibt daraufhin ein entsprechendes
Diagnosesignal (Fehlersignal) 15 aus.
Somit kann durch die Verwendung der zwei Neuronalen Netze mit dem erfin
dungsgemäßen System bzw. Verfahren eine zuverlässige Diagnose des Trieb
werkszustands erreicht werden.
Anstelle der beiden Neuronalen Netze könnten auch Neuronale Netze in Verbin
dung mit Fuzzy-Logik oder reine Fuzzy-Logik-Schaltungen verwendet
werden.
Claims (17)
1. System zur Diagnose von Triebwerkszuständen, mit:
einer Einrichtung zur Zuführung statistisch/probabilistischer Informa tionen (9) über die Fehlerquote einzelner Triebwerkskomponenten resultierend aus einer Bewertung einer entsprechenden Datenbank (20) und/oder
einer Vielzahl von Meßwertgebern (2) zur Erfassung physikalischer Informationen (10), wie beispielsweise Drücke und Temperaturen in verschie denen Triebwerksebenen und außerdem Parameter aus einer Partikelanalyse in verbrauchtem Öl und in Triebwerksabgasen sowie Parameter aus einer Gas weganalyse, und
einer Vielzahl von Meßwertgebern (2) zur Erfassung von Schwingungs informationen im Zeitbereich (11) von einem Triebwerk (1),
einer Schwingungsanalyseeinrichtung (3) zur Erzeugung von Schwin gungsinformationen im Frequenzbereich (12) aus den Schwingungsinformatio nen im Zeitbereich (11),
einem Modul zur Merkmalextraktion (4) zur Verarbeitung der physika lischen Informationen (10) und/oder der statistisch/probabilistischen Informa tionen (9) und der Schwingungsinformationen im Zeit- und Frequenzbereich (11, 12) und zur Extraktion einer Reihe von Merkmalen (13), die den Trieb werkszustand umfassend beschreiben,
einem ersten Neuronalen Netz (5), an das die Merkmale (13) angelegt sind, zur Klassifizierung der Merkmale (13), zur Identifizierung von Beziehun gen und Abhängigkeiten zwischen Merkmalen und zur dementsprechenden Durchführung einer Informationsverdichtung und zur Ausgabe von Parametern (14), wobei das erste Neuronale Netz (5) eine Eingangsschicht, eine oder meh rere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wo bei die Eingangsschicht mehr Neuronen als die Zwischenschicht(en) und diese wiederum mehr Neuronen als die Ausgangsschicht aufweist und die Neuronen einer Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichtskoeffizienten verbunden sind,
einer ersten Lehreinrichtung (7) zur Zuführung von Lerneingangssigna len (16) zum ersten Neuronalen Netz (5) und zum Vergleich des daraufhin vom ersten Neuronalen Netz (5) ausgegebenen Ausgangssignals (14) mit einem Lehreingangssignal (17) und zur Änderung von variablen Gewichtskoeffizienten des ersten Neuronalen Netzes (5) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangs signal (17) und dem Ausgangssignal (14) oder zur Realisierung eines nicht überwachten Trainings des ersten Neuronalen Netzes (5) mit Hilfe der Lerneingangssignale (16) allein,
einem zweiten Neuronalen Netz (6), an das die durch das ersten Neu ronale Netz (5) ausgegebenen Parameter (14) angelegt sind, zur Klassifizierung der Parameter (14), zur Erkennung von Zusammenhängen zwischen den Para metern (14) und bestimmten Fehlerkonstellationen, zur dementsprechenden Durchführung einer Informationsverknüpfung und zur Ausgabe eines Diagno sesignals (15), wobei das zweite Neuronale Netz (6) eine Eingangsschicht, ei ne oder mehrere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Eingangs- und die Ausgangsschicht weniger Neuronen als die Zwischenschicht(en) aufweisen, und die Neuronen einer Schicht mit den Neuronen der ihr nachfolgenden Schicht über eine Vielzahl von Verbindungse lementen mit variablen Gewichtskoeffizienten verbunden sind, und
einer zweiten Lehreinrichtung (8) zur Zuführung von Lerneingangs signalen (18) zum zweiten Neuronalen Netz (6) und zum Vergleich des dar aufhin vom zweiten Neuronalen Netz (6) erhaltenen Ausgangssignals (15) mit einem Lehreingangssignal (19) und zur Änderung von variablen Gewichts koeffizienten des zweiten Neuronalen Netzes (6) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangssignal (19) und dem Ausgangssignal (15).
einer Einrichtung zur Zuführung statistisch/probabilistischer Informa tionen (9) über die Fehlerquote einzelner Triebwerkskomponenten resultierend aus einer Bewertung einer entsprechenden Datenbank (20) und/oder
einer Vielzahl von Meßwertgebern (2) zur Erfassung physikalischer Informationen (10), wie beispielsweise Drücke und Temperaturen in verschie denen Triebwerksebenen und außerdem Parameter aus einer Partikelanalyse in verbrauchtem Öl und in Triebwerksabgasen sowie Parameter aus einer Gas weganalyse, und
einer Vielzahl von Meßwertgebern (2) zur Erfassung von Schwingungs informationen im Zeitbereich (11) von einem Triebwerk (1),
einer Schwingungsanalyseeinrichtung (3) zur Erzeugung von Schwin gungsinformationen im Frequenzbereich (12) aus den Schwingungsinformatio nen im Zeitbereich (11),
einem Modul zur Merkmalextraktion (4) zur Verarbeitung der physika lischen Informationen (10) und/oder der statistisch/probabilistischen Informa tionen (9) und der Schwingungsinformationen im Zeit- und Frequenzbereich (11, 12) und zur Extraktion einer Reihe von Merkmalen (13), die den Trieb werkszustand umfassend beschreiben,
einem ersten Neuronalen Netz (5), an das die Merkmale (13) angelegt sind, zur Klassifizierung der Merkmale (13), zur Identifizierung von Beziehun gen und Abhängigkeiten zwischen Merkmalen und zur dementsprechenden Durchführung einer Informationsverdichtung und zur Ausgabe von Parametern (14), wobei das erste Neuronale Netz (5) eine Eingangsschicht, eine oder meh rere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wo bei die Eingangsschicht mehr Neuronen als die Zwischenschicht(en) und diese wiederum mehr Neuronen als die Ausgangsschicht aufweist und die Neuronen einer Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichtskoeffizienten verbunden sind,
einer ersten Lehreinrichtung (7) zur Zuführung von Lerneingangssigna len (16) zum ersten Neuronalen Netz (5) und zum Vergleich des daraufhin vom ersten Neuronalen Netz (5) ausgegebenen Ausgangssignals (14) mit einem Lehreingangssignal (17) und zur Änderung von variablen Gewichtskoeffizienten des ersten Neuronalen Netzes (5) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangs signal (17) und dem Ausgangssignal (14) oder zur Realisierung eines nicht überwachten Trainings des ersten Neuronalen Netzes (5) mit Hilfe der Lerneingangssignale (16) allein,
einem zweiten Neuronalen Netz (6), an das die durch das ersten Neu ronale Netz (5) ausgegebenen Parameter (14) angelegt sind, zur Klassifizierung der Parameter (14), zur Erkennung von Zusammenhängen zwischen den Para metern (14) und bestimmten Fehlerkonstellationen, zur dementsprechenden Durchführung einer Informationsverknüpfung und zur Ausgabe eines Diagno sesignals (15), wobei das zweite Neuronale Netz (6) eine Eingangsschicht, ei ne oder mehrere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Eingangs- und die Ausgangsschicht weniger Neuronen als die Zwischenschicht(en) aufweisen, und die Neuronen einer Schicht mit den Neuronen der ihr nachfolgenden Schicht über eine Vielzahl von Verbindungse lementen mit variablen Gewichtskoeffizienten verbunden sind, und
einer zweiten Lehreinrichtung (8) zur Zuführung von Lerneingangs signalen (18) zum zweiten Neuronalen Netz (6) und zum Vergleich des dar aufhin vom zweiten Neuronalen Netz (6) erhaltenen Ausgangssignals (15) mit einem Lehreingangssignal (19) und zur Änderung von variablen Gewichts koeffizienten des zweiten Neuronalen Netzes (6) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangssignal (19) und dem Ausgangssignal (15).
2. System nach Anspruch 1, wobei
das Modul zur Merkmalextraktion (4) physikalische Parameter (10),
wie Ölverbrauch bei bestimmten Triebwerksläufen, Leistungsbezugszahlen wie
Druck und Temperatur in bestimmten Triebwerksebene, Parameter aus einer
Partikelanalyse in verbrauchtem Öl und in Triebwerksabgasen sowie Parameter
aus einer Gasweganalyse, verwendet.
3. System nach Anspruch 1, wobei
das Modul zur Merkmalextraktion (4) Verfahren verwendet, wie sie
zur Spracherkennung üblich sind, und Effektivwerte, Eigenschaften der Hüll
kurven, Modulationen, Absolutwerte, Leistungsanalysen, statistische Parame
ter, Verteilungsfunktionen, Wavelet-Analyse usw. der Schwingungsinformatio
nen im Zeitbereich (11) als Merkmale extrahiert.
4. System nach Anspruch 1, wobei
die Schwingungsanalyseeinrichtung (3) die Schwingungssignale im
Zeitbereich behandelt und daraus entsprechende Schwingungsinformationen im
Frequenzbereich (12) ermittelt.
5. System nach einem der Ansprüche 1 oder 4, wobei
das Modul zur Merkmalextraktion (4) eine Informationsdarstellung in
Form eines sogenannten Wasserfalldiagramms verwendet, diese Informations
darstellung mit Bildbearbeitungsverfahren behandelt und daraus entsprechende
Merkmale aus den Schwingungsinformationen im Frequenzbereich (12) ermit
telt.
6. System nach einem der Ansprüche 1 oder 4, wobei
das Modul zur Merkmalextraktion (4) außerdem geometrische Betrach
tungen des gesamten Bilds oder bestimmter Bildregionen durchführt und/oder
das Modul zur Merkmalextraktion (4) außerdem sogenannten "Sky-
Lines" des Wasserfalldiagramms aus der Perspektive der Frequenz- bzw. der
Zeit/Drehzahlachse betrachtet.
7. System nach Anspruch 1 oder 4, wobei
das Modul zur Merkmalextraktion (4) die Schwingungsinformation der Wasserfalldiagramme außerdem numerisch erfaßt und
Methoden aus der Matrizen- und Vektorrechnung oder Verfahren zur Systemidentifikation im Frequenzbereich zur Gewinnung von Merkmalen aus den Schwingungsinformationen im Frequenzbereich (12) und/oder Übertra gungsfunktionen sowie eine Verteilungsanalyse der numerischen Daten ein setzt.
das Modul zur Merkmalextraktion (4) die Schwingungsinformation der Wasserfalldiagramme außerdem numerisch erfaßt und
Methoden aus der Matrizen- und Vektorrechnung oder Verfahren zur Systemidentifikation im Frequenzbereich zur Gewinnung von Merkmalen aus den Schwingungsinformationen im Frequenzbereich (12) und/oder Übertra gungsfunktionen sowie eine Verteilungsanalyse der numerischen Daten ein setzt.
8. System nach einem der Ansprüche 1 bis 7, wobei
anstelle der ersten und zweiten Neuronalen Netze (5, 6) Neuronale
Netze in Verbindung mit Fuzzy-Logik oder reine Fuzzy-Logik-Schaltungen
vorgesehen sind.
9. Verfahren zur Diagnose von Triebwerkszuständen, mit den Schritten:
Zuführen statistisch/probabilistischer Informationen (9) über die Feh lerquote einzelner Triebwerkskomponenten resultierend aus einer Bewertung einer entsprechenden Datenbank (20) und/oder
Erfassen physikalischer Informationen (10), wie beispielsweise Drücke und Temperaturen in verschiedenen Triebwerksebenen, durch eine Vielzahl von Meßwertgebern (2), außerdem Parameter aus einer Partikelanalyse in ver brauchtem Öl und in Triebwerksabgasen sowie Parameter aus einer Gaswega nalyse, und/oder
Erfassen von Schwingungsinformationen im Zeitbereich (11) von einem Triebwerk (1) durch eine Vielzahl von Meßwertgebern (2),
Erzeugen von Schwingungsinformationen im Frequenzbereich (12) aus den Schwingungsinformationen im Zeitbereich (11) durch eine Schwingungsa nalyseeinrichtung (3),
Verarbeiten der physikalischen Informationen (10) und/oder der stati stisch/probabilistischen Informationen (9) und/oder der Schwingungsinforma tionen im Zeit- und Frequenzbereich (11, 12) und Extrahieren einer Reihe von Merkmalen (13), die den Triebwerkszustand umfassend beschreiben, durch ein Modul zur Merkmalextraktion (4),
Klassifizieren der Merkmale (13), Identifizieren von Beziehungen und Abhängigkeiten zwischen Merkmalen und dementsprechend Durchführen einer Informationsverdichtung und Ausgeben von Parametern (14) durch ein erstes Neuronales Netz (5), an das die Merkmale (13) angelegt werden, wobei das erste Neuronale Netz (5) eine Eingangsschicht, eine oder mehrere Zwischen schichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Ein gangsschicht mehr Neuronen als die Zwischenschicht(en) und diese wiederum mehr Neuronen als die Ausgangsschicht aufweist und die Neuronen einer Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichts koeffizienten verbunden sind,
Zuführen von Lerneingangssignalen (16) zum ersten Neuronalen Netz (5) und Vergleichen des daraufhin vom ersten Neuronalen Netz (5) ausgegebe nen Ausgangssignals (14) mit einem Lehreingangssignal (17) und Ändern von variablen Gewichtskoeffizienten des ersten Neuronalen Netzes (5) mittels An wendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangssignal (17) und dem Ausgangssignal (14) oder zur Realisierung eines nicht überwachten Trainings des ersten Neuronalen Netzes (5) mit Hilfe der Lerneingangssignale (16) allein durch eine erste Lehreinrich tung (7),
Klassifizieren der Parameter (14), Erkennen von Zusammenhängen zwischen den Parametern (14) und bestimmten Fehlerkonstellationen, dement sprechendes Durchführen einer Informationsverknüpfung und Ausgeben eines Diagnosesignals (15) durch ein zweites Neuronalen Netz (6), an das die durch das ersten Neuronale Netz (5) ausgegebenen Parameter (14) angelegt werden, wobei das zweite Neuronale Netz (6) eine Eingangsschicht, eine oder mehrere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Eingangs- und die Ausgangsschicht weniger Neuronen als die Zwischen schicht(en) aufweisen, und die Neuronen einer Schicht mit den Neuronen der ihr nachfolgenden Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichtskoeffizienten verbunden sind, und
Zuführen von Lerneingangssignalen (18) zum zweiten Neuronalen Netz (6) und Vergleichen des daraufhin vom zweiten Neuronalen Netz (6) erhalte nen Ausgangssignals (15) mit einem Lehreingangssignal (19) und Ändern von variablen Gewichtskoeffizienten des zweiten Neuronalen Netzes (6) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differen zen zwischen dem Lehreingangssignal (19) und dem Ausgangssignal (15) durch eine zweite Lehreinrichtung (8).
Zuführen statistisch/probabilistischer Informationen (9) über die Feh lerquote einzelner Triebwerkskomponenten resultierend aus einer Bewertung einer entsprechenden Datenbank (20) und/oder
Erfassen physikalischer Informationen (10), wie beispielsweise Drücke und Temperaturen in verschiedenen Triebwerksebenen, durch eine Vielzahl von Meßwertgebern (2), außerdem Parameter aus einer Partikelanalyse in ver brauchtem Öl und in Triebwerksabgasen sowie Parameter aus einer Gaswega nalyse, und/oder
Erfassen von Schwingungsinformationen im Zeitbereich (11) von einem Triebwerk (1) durch eine Vielzahl von Meßwertgebern (2),
Erzeugen von Schwingungsinformationen im Frequenzbereich (12) aus den Schwingungsinformationen im Zeitbereich (11) durch eine Schwingungsa nalyseeinrichtung (3),
Verarbeiten der physikalischen Informationen (10) und/oder der stati stisch/probabilistischen Informationen (9) und/oder der Schwingungsinforma tionen im Zeit- und Frequenzbereich (11, 12) und Extrahieren einer Reihe von Merkmalen (13), die den Triebwerkszustand umfassend beschreiben, durch ein Modul zur Merkmalextraktion (4),
Klassifizieren der Merkmale (13), Identifizieren von Beziehungen und Abhängigkeiten zwischen Merkmalen und dementsprechend Durchführen einer Informationsverdichtung und Ausgeben von Parametern (14) durch ein erstes Neuronales Netz (5), an das die Merkmale (13) angelegt werden, wobei das erste Neuronale Netz (5) eine Eingangsschicht, eine oder mehrere Zwischen schichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Ein gangsschicht mehr Neuronen als die Zwischenschicht(en) und diese wiederum mehr Neuronen als die Ausgangsschicht aufweist und die Neuronen einer Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichts koeffizienten verbunden sind,
Zuführen von Lerneingangssignalen (16) zum ersten Neuronalen Netz (5) und Vergleichen des daraufhin vom ersten Neuronalen Netz (5) ausgegebe nen Ausgangssignals (14) mit einem Lehreingangssignal (17) und Ändern von variablen Gewichtskoeffizienten des ersten Neuronalen Netzes (5) mittels An wendung eines vorbestimmten Lernalgorithmus entsprechend den Differenzen zwischen dem Lehreingangssignal (17) und dem Ausgangssignal (14) oder zur Realisierung eines nicht überwachten Trainings des ersten Neuronalen Netzes (5) mit Hilfe der Lerneingangssignale (16) allein durch eine erste Lehreinrich tung (7),
Klassifizieren der Parameter (14), Erkennen von Zusammenhängen zwischen den Parametern (14) und bestimmten Fehlerkonstellationen, dement sprechendes Durchführen einer Informationsverknüpfung und Ausgeben eines Diagnosesignals (15) durch ein zweites Neuronalen Netz (6), an das die durch das ersten Neuronale Netz (5) ausgegebenen Parameter (14) angelegt werden, wobei das zweite Neuronale Netz (6) eine Eingangsschicht, eine oder mehrere Zwischenschichten und eine Ausgangsschicht aus Neuronen aufweist, wobei die Eingangs- und die Ausgangsschicht weniger Neuronen als die Zwischen schicht(en) aufweisen, und die Neuronen einer Schicht mit den Neuronen der ihr nachfolgenden Schicht über eine Vielzahl von Verbindungselementen mit variablen Gewichtskoeffizienten verbunden sind, und
Zuführen von Lerneingangssignalen (18) zum zweiten Neuronalen Netz (6) und Vergleichen des daraufhin vom zweiten Neuronalen Netz (6) erhalte nen Ausgangssignals (15) mit einem Lehreingangssignal (19) und Ändern von variablen Gewichtskoeffizienten des zweiten Neuronalen Netzes (6) mittels Anwendung eines vorbestimmten Lernalgorithmus entsprechend den Differen zen zwischen dem Lehreingangssignal (19) und dem Ausgangssignal (15) durch eine zweite Lehreinrichtung (8).
10. Verfahren nach Anspruch 9, wobei
die erfaßten physikalischen Parameter (10) einen Ölverbrauch bei be
stimmten Triebwerksläufen, Leistungsbezugszahlen wie Druck und Temperatur
in bestimmten Triebwerksebene, Parameter aus einer Partikelanalyse in ver
brauchtem Öl und in Triebwerksabgasen sowie Parameter aus einer Gaswega
nalyse enthalten.
11. Verfahren nach Anspruch 9, wobei
bei der Merkmaleextraktion anhand der statistischen/probabilistischen
Informationen (9) bestimmte Triebwerkskomponenten oder -bauteile bei
spielsweise als besonders anfällig eingestuft werden und diese Informationen in
Form von Merkmalen (13) ausgegeben werden.
12. Verfahren nach Anspruch 9, wobei
bei dem Verarbeiten der Informationen und Extrahieren von Merkma
len Verfahren verwendet, wie sie zur Spracherkennung üblich sind, und Effek
tivwerte, Eigenschaften der Hüllkurven, Modulationen, Absolutwerte, Lei
stungsanalysen, statistische Parameter, Verteilungsfunktionen, Wavelet-
Analyse usw. der Schwingungsinformationen im Zeitbereich (11) als Merkmale
extrahiert werden.
13. Verfahren nach Anspruch 9, wobei
die Schwingungsinformation im Zeitbereich (11) mit einer Schwingungsanalyseeinrichtung
(3) bearbeitet wird und daraus entsprechende
Schwingungsinformationen im Frequenzbereich (12) ermittelt werden.
14. Verfahren nach einem der Ansprüche 9 oder 13, wobei
beim Verarbeiten von Schwingungsinformationen im Frequenzbereich
(12) eine Informationsdarstellung in Form eines sogenannten Wasserfalldia
gramms verwendet wird, diese Informationsdarstellung mit Bildbearbeitungs
verfahren behandelt wird und daraus entsprechende Merkmale aus den
Schwingungsinformationen im Frequenzbereich (12) ermittelt werden.
15. Verfahren nach einem der Ansprüche 9 oder 13, wobei
beim Verarbeiten von Schwingungsinformationen im Frequenzbereich (12) außerdem geometrische Betrachtungen des gesamten Bilds oder bestimm ter Bildregionen durchführt werden und/oder
beim Bearbeiten von Schwingungsinformationen im Frequenzbereich (12) außerdem sogenannten "Sky-Lines" des Wasserfalldiagramms aus der Perspektive der Frequenz- bzw. der Zeit/Drehzahlachse betrachtet und daraus entsprechenden Merkmale extrahiert werden.
beim Verarbeiten von Schwingungsinformationen im Frequenzbereich (12) außerdem geometrische Betrachtungen des gesamten Bilds oder bestimm ter Bildregionen durchführt werden und/oder
beim Bearbeiten von Schwingungsinformationen im Frequenzbereich (12) außerdem sogenannten "Sky-Lines" des Wasserfalldiagramms aus der Perspektive der Frequenz- bzw. der Zeit/Drehzahlachse betrachtet und daraus entsprechenden Merkmale extrahiert werden.
16. Verfahren nach einem der Ansprüche 9 oder 13, wobei
beim Bearbeiten von Schwingungsinformationen im Frequenzbereich (12) die Information der Wasserfalldiagramme außerdem numerisch erfaßt werden und
Methoden aus der Matrizen- und Vektorrechnung oder Verfahren zur Systemidentifikation im Frequenzbereich zur Gewinnung von Schwingungsin formationen im Frequenzbereich (12) und/oder Übertragungsfunktionen sowie eine Verteilungsanalyse der numerischen Daten einsetzt werden.
beim Bearbeiten von Schwingungsinformationen im Frequenzbereich (12) die Information der Wasserfalldiagramme außerdem numerisch erfaßt werden und
Methoden aus der Matrizen- und Vektorrechnung oder Verfahren zur Systemidentifikation im Frequenzbereich zur Gewinnung von Schwingungsin formationen im Frequenzbereich (12) und/oder Übertragungsfunktionen sowie eine Verteilungsanalyse der numerischen Daten einsetzt werden.
17. Verfahren nach einem der Ansprüche 8 bis 16, wobei
das Klassifizieren, Identifizieren, Informationsverdichten und Ausgeben
von Parametern (14) und das Klassifizieren, Erkennen von Zusammenhängen,
Informationsverknüpfen und Ausgeben eines Diagnosesignals (15) anstelle
durch die ersten und zweiten Neuronalen Netze (5, 6) durch Neuronale Netze
in Verbindung mit Fuzzy-Logik oder reine Fuzzy-Logik-Schaltungen durchge
führt wird.
Priority Applications (6)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19808197A DE19808197C2 (de) | 1998-02-27 | 1998-02-27 | System und Verfahren zur Diagnose von Triebwerkszuständen |
DE59911635T DE59911635D1 (de) | 1998-02-27 | 1999-02-24 | System und verfahren zur diagnose von triebwerkszuständen |
ES99914427T ES2237096T3 (es) | 1998-02-27 | 1999-02-24 | Sistema y procedimiento para el diagnostico de las condiciones de un grupo motoporpulsor. |
PCT/DE1999/000491 WO1999044106A1 (de) | 1998-02-27 | 1999-02-24 | System und verfahren zur diagnose von triebwerkszuständen |
US09/403,878 US6574613B1 (en) | 1998-02-27 | 1999-02-24 | System and method for diagnosing jet engine conditions |
EP99914427A EP0988583B1 (de) | 1998-02-27 | 1999-02-24 | System und verfahren zur diagnose von triebwerkszuständen |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE19808197A DE19808197C2 (de) | 1998-02-27 | 1998-02-27 | System und Verfahren zur Diagnose von Triebwerkszuständen |
Publications (2)
Publication Number | Publication Date |
---|---|
DE19808197A1 true DE19808197A1 (de) | 1999-09-09 |
DE19808197C2 DE19808197C2 (de) | 2001-08-09 |
Family
ID=7859038
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE19808197A Expired - Fee Related DE19808197C2 (de) | 1998-02-27 | 1998-02-27 | System und Verfahren zur Diagnose von Triebwerkszuständen |
DE59911635T Expired - Lifetime DE59911635D1 (de) | 1998-02-27 | 1999-02-24 | System und verfahren zur diagnose von triebwerkszuständen |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE59911635T Expired - Lifetime DE59911635D1 (de) | 1998-02-27 | 1999-02-24 | System und verfahren zur diagnose von triebwerkszuständen |
Country Status (5)
Country | Link |
---|---|
US (1) | US6574613B1 (de) |
EP (1) | EP0988583B1 (de) |
DE (2) | DE19808197C2 (de) |
ES (1) | ES2237096T3 (de) |
WO (1) | WO1999044106A1 (de) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19949637A1 (de) * | 1999-10-14 | 2001-04-19 | Dietrich Kuehner | Verfahren und Vorrichtungen zur Geräuscherkennung und -trennung sowie Lärmüberwachung und -prognose |
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
WO2003085366A1 (fr) * | 2002-03-18 | 2003-10-16 | Eurocopter | Procede et dispositif pour detecter les defauts d'au moins un rotor d'un aeronef a voilure tournante |
EP1363005A3 (de) * | 2002-05-15 | 2008-03-19 | Caterpillar Inc. | Motorsteuerungsverfahren unter Verwendung von einem kaskadierten neuronalen Netzwerk |
EP3936861A1 (de) * | 2020-07-10 | 2022-01-12 | Infineon Technologies AG | Gasmessvorrichtung zum messen eines oder mehrerer gase in einem gasgemisch |
US11971397B2 (en) | 2020-07-10 | 2024-04-30 | Infineon Technologies Ag | Gas sensing device for sensing one or more gases in a mixture of gases |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6728658B1 (en) * | 2001-05-24 | 2004-04-27 | Simmonds Precision Products, Inc. | Method and apparatus for determining the health of a component using condition indicators |
FR2831666B1 (fr) * | 2001-10-25 | 2004-03-12 | Air Liquide | Capteur logiciel nox en sortie des cheminees des fours utilisant l'air enrichi en oxygene ou de l'oxygene pur comme comburant |
DE10153576B4 (de) * | 2001-10-29 | 2004-04-15 | Ima Materialforschung Und Anwendungstechnik Gmbh | Verfahren zur Unwuchtermittlung an starren Rotoren im Betriebszustand |
US7164794B2 (en) * | 2002-08-22 | 2007-01-16 | Winbond Electronics Corp. | Unconstrained handwriting recognition |
EP1706718A2 (de) * | 2004-01-14 | 2006-10-04 | ABB Inc. | Verfahren und vorrichtung zur diagnostizierung mechanischer probleme in maschinen |
DE102004006848A1 (de) * | 2004-02-12 | 2005-09-01 | Deere & Company, Moline | Verfahren und Überwachungssystem zur Überwachung des Zustands von Arbeitsmaschinen |
US7136779B2 (en) * | 2004-05-28 | 2006-11-14 | Daimlerchrysler Ag | Method for simplified real-time diagnoses using adaptive modeling |
US7769507B2 (en) * | 2004-08-26 | 2010-08-03 | United Technologies Corporation | System for gas turbine health monitoring data fusion |
DE102004054271A1 (de) * | 2004-11-09 | 2006-05-11 | Fev Motorentechnik Gmbh | Vorhersageverfahren für Betriebszustände einer Verbrennungskraftmaschine |
AT10073U9 (de) * | 2008-01-14 | 2009-02-15 | Avl List Gmbh | Verfahren und vorrichtung zur analyse und bewertung von messdaten eines messsystems |
FR2958911B1 (fr) * | 2010-04-19 | 2012-04-27 | Snecma | Procede et systeme de surveillance du niveau d'huile contenue dans un reservoir d'un moteur d'aeronef |
US10032659B2 (en) | 2012-12-28 | 2018-07-24 | Sunedison Semiconductor Limited (Uen201334164H) | Methods and systems for preventing unsafe operations |
US10235994B2 (en) * | 2016-03-04 | 2019-03-19 | Microsoft Technology Licensing, Llc | Modular deep learning model |
CN107458383B (zh) * | 2016-06-03 | 2020-07-10 | 法拉第未来公司 | 使用音频信号的车辆故障自动检测 |
EP3327419B1 (de) * | 2016-11-29 | 2020-09-09 | STS Intellimon Limited | Motordiagnosevorrichtung und -verfahren |
US11263590B2 (en) * | 2018-02-09 | 2022-03-01 | International Business Machines Corporation | Cognitive assessment of permit approval |
CN108594660B (zh) * | 2018-05-07 | 2021-04-30 | 华侨大学 | 一种时不变结构的工作模态参数识别方法和系统 |
CN109871614B (zh) * | 2019-02-19 | 2022-11-29 | 北京工业大学 | 基于bp神经网络的气动式微滴喷射状态预测的方法 |
CN111948531A (zh) * | 2020-09-14 | 2020-11-17 | 山东电工电气集团有限公司 | 基于多参量提取的有载分接开关带电检测方法 |
CN112446098B (zh) * | 2020-12-03 | 2023-08-25 | 武汉第二船舶设计研究所(中国船舶重工集团公司第七一九研究所) | 海洋装备中推进器的极限性能模拟方法 |
CN115839848B (zh) * | 2023-02-22 | 2023-05-05 | 中国船舶集团有限公司第七一九研究所 | 一种用于船舶诊断的数据采集及管理方法 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4215404A (en) * | 1977-09-29 | 1980-07-29 | Alt Viktor V | Automatic device for diagnostic checkup of vehicles |
JP2717665B2 (ja) * | 1988-05-31 | 1998-02-18 | 株式会社豊田中央研究所 | 内燃機関の燃焼予測判別装置 |
JPH0692914B2 (ja) * | 1989-04-14 | 1994-11-16 | 株式会社日立製作所 | 機器/設備の状態診断システム |
US5041976A (en) * | 1989-05-18 | 1991-08-20 | Ford Motor Company | Diagnostic system using pattern recognition for electronic automotive control systems |
JPH0711256B2 (ja) * | 1989-09-06 | 1995-02-08 | 本田技研工業株式会社 | 内燃エンジンの制御装置 |
USH1006H (en) * | 1990-03-27 | 1991-12-03 | The United States Of America As Represented By The Secretary Of The Air Force | Multilevel classifier structure for gas turbine engines |
US5869752A (en) * | 1990-12-10 | 1999-02-09 | Sensortech L.L.C. | Engine degradation detector |
US6175787B1 (en) * | 1995-06-07 | 2001-01-16 | Automotive Technologies International Inc. | On board vehicle diagnostic module using pattern recognition |
DE4124501C2 (de) * | 1991-07-24 | 1994-09-15 | Dieter Prof Dr Ing Barschdorff | Neuronales Netz mit automatischer Installation von Zwischenneuronen |
US5313407A (en) * | 1992-06-03 | 1994-05-17 | Ford Motor Company | Integrated active vibration cancellation and machine diagnostic system |
US5361628A (en) * | 1993-08-02 | 1994-11-08 | Ford Motor Company | System and method for processing test measurements collected from an internal combustion engine for diagnostic purposes |
DE4421950C2 (de) * | 1993-12-09 | 1998-06-04 | Peter Mueller | Einrichtung zum Diagnostizieren und Regeln eines Verbrennungs- oder Elektromotors |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
US5566273A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Supervised training of a neural network |
US5821412A (en) * | 1994-08-09 | 1998-10-13 | Ford Global Technologies, Inc. | Apparatus and method for processing engine measurements |
DE19617620A1 (de) * | 1996-05-02 | 1997-11-13 | Traub Drehmaschinen Gmbh | Diagnoseeinrichtung |
US5732382A (en) * | 1996-11-06 | 1998-03-24 | Ford Global Technologies, Inc. | Method for identifying misfire events of an internal combustion engine |
DE29700028U1 (de) | 1997-01-02 | 1997-03-20 | Siemens Ag | Selbstdiagnostizierendes Gerät mit Fuzzy-Neuro-Logik-Diagnoseeinrichtung |
-
1998
- 1998-02-27 DE DE19808197A patent/DE19808197C2/de not_active Expired - Fee Related
-
1999
- 1999-02-24 US US09/403,878 patent/US6574613B1/en not_active Expired - Fee Related
- 1999-02-24 WO PCT/DE1999/000491 patent/WO1999044106A1/de active IP Right Grant
- 1999-02-24 EP EP99914427A patent/EP0988583B1/de not_active Expired - Lifetime
- 1999-02-24 DE DE59911635T patent/DE59911635D1/de not_active Expired - Lifetime
- 1999-02-24 ES ES99914427T patent/ES2237096T3/es not_active Expired - Lifetime
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19942144A1 (de) * | 1999-09-03 | 2001-06-07 | Schroeder Dierk | Verfahren zur adaptiven Schwingungsdämpfung mittels neuronaler Netze |
DE19949637A1 (de) * | 1999-10-14 | 2001-04-19 | Dietrich Kuehner | Verfahren und Vorrichtungen zur Geräuscherkennung und -trennung sowie Lärmüberwachung und -prognose |
WO2003085366A1 (fr) * | 2002-03-18 | 2003-10-16 | Eurocopter | Procede et dispositif pour detecter les defauts d'au moins un rotor d'un aeronef a voilure tournante |
US7085655B2 (en) | 2002-03-18 | 2006-08-01 | Eurocopter | Method and device for detecting defects of at least one rotary wing aircraft rotor |
EP1363005A3 (de) * | 2002-05-15 | 2008-03-19 | Caterpillar Inc. | Motorsteuerungsverfahren unter Verwendung von einem kaskadierten neuronalen Netzwerk |
EP3936861A1 (de) * | 2020-07-10 | 2022-01-12 | Infineon Technologies AG | Gasmessvorrichtung zum messen eines oder mehrerer gase in einem gasgemisch |
US11971397B2 (en) | 2020-07-10 | 2024-04-30 | Infineon Technologies Ag | Gas sensing device for sensing one or more gases in a mixture of gases |
Also Published As
Publication number | Publication date |
---|---|
DE59911635D1 (de) | 2005-03-24 |
ES2237096T3 (es) | 2005-07-16 |
DE19808197C2 (de) | 2001-08-09 |
WO1999044106A1 (de) | 1999-09-02 |
EP0988583A1 (de) | 2000-03-29 |
EP0988583B1 (de) | 2005-02-16 |
US6574613B1 (en) | 2003-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE19808197C2 (de) | System und Verfahren zur Diagnose von Triebwerkszuständen | |
EP0789861B1 (de) | Verfahren zur analyse von prozessdaten einer technischen anlage | |
DE4436658B4 (de) | Vorrichtung und Verfahren zur Störungsuntersuchung | |
DE102006008482B4 (de) | Eingangsvektorbildungsverfahren bei neuronalen Netzwerken zur Auto-Identifikation einer partiellen Entladungsquelle | |
AT511577A2 (de) | Maschinell umgesetztes verfahren zum erhalten von daten aus einem nicht linearen dynamischen echtsystem während eines testlaufs | |
DE102006016311B4 (de) | Verfahren und Vorrichtung zum Erhalten einer verbesserten Genauigkeit und eines verbesserten Bereichs für Luftdatenparameter, die von unabhängigen Messungen voneinander abhängiger Drücke abgeleitet werden | |
CH698898A2 (de) | System und Verfahren zur verbesserten Zustandsüberwachung eines Anlagensystems. | |
EP0768584B1 (de) | Verfahren zur Überwachung einer Maschine oder Anlage | |
DE102019217613A1 (de) | Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür | |
CN107909118A (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
DE102019114378A1 (de) | Verfahren und system zur vorhersage des systemstatus | |
DE4310279A1 (de) | Signalverarbeitungsvorrichtung zur Auswertung von Prüfdaten | |
WO2005081076A2 (de) | Verfahren, zur prognose eines brennkammerzustandes unter verwendung eines rekurrenten, neuronalen netzes | |
DE10201018B4 (de) | Neuronales Netz, Opimierungsverfahren zur Einstellung der Verbindungsgewichte eines neuronalen Netzes sowie Analyseverfahren zur Überwachung eines Optimierungsverfahrens | |
DE112020006810T5 (de) | Betriebszustands-klassifikationssystem und betriebszustands-klassifikationsverfahren | |
WO2003029978A2 (de) | Verfahren und system zur bearbeitung von fehlerhypothesen | |
DE19703964C1 (de) | Verfahren zur Transformation einer zur Nachbildung eines technischen Prozesses dienenden Fuzzy-Logik in ein neuronales Netz | |
DE102019206859A1 (de) | Produkttestverfahren, Produkttestvorrichtung und Produkttestsystem zum Test elektronischer Baugruppen | |
DE102018221684A1 (de) | Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung | |
WO2023041459A1 (de) | Computerimplementierte verfahren und system zur anomalieerkennung und verfahren zur anomalieerkennung in einer akustischen endprüfung eines getriebes | |
DE102022203475A1 (de) | System zum Erzeugen einer von einem Menschen wahrnehmbaren Erklärungsausgabe für eine von einem Anomalieerkennungsmodul vorhergesagte Anomalie auf hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses, Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung in hochfrequenten Sensordaten oder davon abgeleiteten Größen eines industriellen Fertigungsprozesses und Verfahren und Computerprogramm zur Überwachung einer auf künstlicher Intelligenz basierenden Anomalieerkennung bei einer End-of-Line Akustikprüfung eines Getriebes | |
DE10222072A1 (de) | Diagnoseverfahren für dynamische Systeme | |
EP3929554A1 (de) | Verbesserte fehlererkennung bei maschinen mittels ki | |
EP3657283A1 (de) | Verfahren zur bestimmung eines fusionierten datensatzes | |
EP3805883A1 (de) | Verfahren und vorrichtungen zum bestimmen einer produktgüte |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8127 | New person/name/address of the applicant |
Owner name: MTU AERO ENGINES GMBH, 80995 MUENCHEN, DE |
|
D2 | Grant after examination | ||
8364 | No opposition during term of opposition | ||
8339 | Ceased/non-payment of the annual fee |