DE19808197A1 - System und Verfahren zur Diagnose von Triebwerkszuständen - Google Patents

System und Verfahren zur Diagnose von Triebwerkszuständen

Info

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
Application number
DE19808197A
Other languages
English (en)
Other versions
DE19808197C2 (de
Inventor
Jorge Moreno-Barragan
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
MTU Aero Engines AG
Original Assignee
MTU Motoren und Turbinen Union Muenchen GmbH
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by MTU Motoren und Turbinen Union Muenchen GmbH filed Critical MTU Motoren und Turbinen Union Muenchen GmbH
Priority to DE19808197A priority Critical patent/DE19808197C2/de
Priority to DE59911635T priority patent/DE59911635D1/de
Priority to ES99914427T priority patent/ES2237096T3/es
Priority to PCT/DE1999/000491 priority patent/WO1999044106A1/de
Priority to US09/403,878 priority patent/US6574613B1/en
Priority to EP99914427A priority patent/EP0988583B1/de
Publication of DE19808197A1 publication Critical patent/DE19808197A1/de
Application granted granted Critical
Publication of DE19808197C2 publication Critical patent/DE19808197C2/de
Anticipated expiration legal-status Critical
Expired - Fee Related legal-status Critical Current

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).
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.
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).
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.
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.
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.
DE19808197A 1998-02-27 1998-02-27 System und Verfahren zur Diagnose von Triebwerkszuständen Expired - Fee Related DE19808197C2 (de)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Cited By (7)

* Cited by examiner, † Cited by third party
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