JP2013196698A - システム監視 - Google Patents

Abstract

【課題】エンジン、タービン、機体などを含めて、機械システムの監視において、誤警報を低減し、より容易に問題を識別する。
【解決手段】１つまたは複数のセンサからのデータが複数のモード１０３、１０４、１０５、１０６、１０７として構成され、各モードは、様々な周囲状態、システムの物理的構成の変化、および様々な動作状態などのシステムが動作することができるそれぞれ異なる状態によって定義される。障害状態は、監視されたデータによって複数のモードのうちの１つ以外であると識別される。複数のモードを使用することによって、システムの動作をより正確に定義し追跡することができるようになり、その結果、予期したパラメータ以外のシステムの動作をより正確に検出することができ、誤警報を低減することができる。モードのうちの少なくとも１つを、システムの特定の故障を示すように設定すれば、診断および修理を迅速かつ容易に行うことができる。
【選択図】図４

Description

本発明は、具体的には予期した動作状態以外の状態の原因を識別するために、システムを監視することに関する。

例えばエンジン、タービン、機体などを含めて、機械システムなど、監視される性能特性を有する可能性がある多くの様々なタイプのシステムがある。エンジンなどのシステムは、システムの様々な態様、例えば、温度、圧力、回転速度、流体の流れなどを測定するために１つまたは複数のセンサを有してよい。システムの特性を識別するために、例えば、システムが予期した状態以外で動作しているかどうかを識別しようとするために、１つまたは複数のセンサからの出力を監視することができる。商用航空エンジンのクラスなどのクラスまたはシステムでは、特定のメカニズムのコアデグラデーションまたは故障など、非理想的動作を示す非最適性能特性に関する故障メカニズムの認められたセットがある。そのような故障は、様々な検知されたパラメータによって表示されるパターンの特定の故障シグネチャを有する徴候を示す可能性がある。

しかし、そのようなシステムを監視することに関する問題は、非常に暑い状態、非常に寒い状態、高い緯度などの異常な環境で動作している場合に、監視することが、特定の遭遇状況に対してシステムが実際には十分満足に動作しているにもかかわらず、故障があることを示す可能性があることである。

システムをより正確に監視することができて、その結果、誤警報を低減し、より容易に問題を識別することが望ましいであろう。

本発明によれば、システムを監視するための方法であって、
システムに関連する１つまたは複数のセンサの出力を監視するステップと、
１つまたは複数のセンサからのデータを複数のモードとして構成するステップであって、各モードは、システムが動作することができるそれぞれ異なる状態によって定義される、ステップと、
監視されたデータによって障害状態が複数のモードのうちの１つ以外であることを識別するステップと
を含む方法が提供される。

各モードは、様々な周囲状態、例えば、様々な季節、１日の様々な時間、様々な場所、様々な成分によるなどのシステムの物理的構成の変化、および高速動作もしくは低速動作などの様々な動作状態において使用される場合など、それぞれ異なる状態によって定義されてよい。複数のモードを使用することによって、システムの動作をより正確に定義し追跡することができるようになり、その結果、予期したパラメータ以外の動作をより正確に検出することができ、誤警報信号を低減することができる。

特に特定のシステムのためにより多くのデータを取得するときに、１つまたは複数のモードを、特定の故障を示すように設定することができる。これらの故障モードはそれぞれ、各モードに関連する故障の可能な原因を有することができ、その結果、診断および修理をより迅速かつ容易に行うことができる。

本発明の他の態様によれば、システムを監視するための装置であって、システムに関連する１つまたは複数のセンサの出力を監視し、１つまたは複数のセンサからのデータを複数のモードとして構成し、各モードはシステムが動作することができるそれぞれ異なる状態によって定義され、監視されたデータによって障害状態が複数のモードのうちの１つ以外であることを識別するように構成されたコントローラを含む装置が提供される。

次に、本発明の諸実施形態を、例としてのみ、添付の図面を参照しながら説明する。

監視されるセンサを有するシステムを示す図である。 本発明の一実施例を示す流れ図である。 複数のモードとして構成された１つまたは複数のセンサからのデータを示す図である。 特定の故障を示すモードもある複数のモードとして構成された１つまたは複数のセンサからのデータを示す図である。 センサからのデータに適用することができる可能な処理を示す流れ図である。 特定の障害を既存のモデルに追加するための適応プロセスを示す流れ図である。

図１は、システム１０の１つまたは複数の特性を監視するように構成された１つまたは複数のセンサ１１、１２、１３を有するエンジン、タービンなどのシステム１０を示す。そのようなセンサは、しばしば、システム制御アーキテクチャの一部分を形成し、これらのセンサはまた、システム１０の健康状態を監視するために利用することもできる。代替として、または追加として、専用健康状態センサを使用することもできる。例えば、回転式航空機は、トランスミッションの健康状態を監視するために専用機体加速度計を使用する。健康状態監視のために、アナログ出力信号を提供するセンサを使用することができる。

図１に示す実施例は、１つまたは複数のセンサ１１、１２、１３からの出力を受信するように構成された任意選択の制御ユニット２０を含む。制御ユニット２０は、受信した信号を処理することができる、および／または別の制御システム３０への周期的送信のために、受信したデータを格納することができる。例えば、航空機によって使用される場合、システム１０は、例えば、エンジン内の様々な点における圧力、エンジン内の様々な点における温度、回転速度、燃料の流れなどのエンジンのパラメータを検出する１つまたは複数のセンサを有する航空機エンジンでよい。コントローラ２０は、飛行中に１つまたは複数のセンサ１１、１２、１３からのデータを格納し、蓄積されたデータを、飛行中におよび／または着陸時に周期的に、例えば分析のためにいくつかの航空機からデータを受信するように構成されてよい別のコントローラ３０に、ダウンロードするように構成されてよい。

図２は、航空機エンジンまたは機体などのシステムを監視するための方法の一実施例を示す。ステップ４０において、システム１０に関連する１つまたは複数のセンサ１１、１２、１３からの出力が監視される。ステップ５０において、１つまたは複数のセンサからのデータが複数のモードとして構成される。モードは、１つまたは複数のセンサ１１、１２、１３からのデータの構成でよく、例えば、ガウス関数またはガウス関数の混合としてモデル化されてよい。各モードは、例えば、様々な季節、１日の様々な時間、システムの物理的構成の変化または加速するもしくは航行するときなどのシステムの動作の変化によって様々な状態を有してよい様々な場所において使用される場合の様々な周囲状態などのシステムが動作することができる状態によって定義される。ステップ６０は、監視されたデータによって障害状態が複数のモードのうちの１つ以外であることを識別することを必要とする。複数のモードを使用することによって、予期したパラメータ以外の動作をより正確に検出することができるようになり、その結果、故障をより確実に識別することができ、誤警報を低減することができる。

図３は、複数のモード１０１、１０２として構成された１つまたは複数のセンサからのデータを示す。この実施例では、１つまたは複数のセンサから収集されたデータは、単一のガウス関数としてモデル化され、各モード１０１、１０２は、それぞれ異なる環境、それぞれ異なる物理的構成（例えば、エンジンの様々な電力定格）、またはシステム１０のそれぞれ異なる動作状態などのシステムが動作することができるそれぞれ異なる状態の下で収集されたデータによって定義される。例えば、モード１０１は、北半球において動作している航空機エンジンにある１つまたは複数のセンサから収集されたデータに対応してよく、モード１０２は、航空機エンジンがより暑くより乾燥している可能性がある赤道状態において動作しているときに１つまたは複数のセンサから収集されたデータに対応してよい。代替として、モード１０１は、加速している間に航空機エンジンから収集されたデータに対応してよく、モード１０２は、離陸中に航空機エンジンから収集されたデータに対応してよい。

複数のモードを使用するシステムの動作を定義し、各モードをシステムが動作することができるそれぞれ異なる状態によって定義することによって、システムの動作のより正確なモデルが提供される。

図４は、５つのモード１０３、１０４、１０５、１０６、１０７を使用するシステム１０に関連する１つまたは複数のセンサからの構成データを示す。モード１０３、１０４、１０５は、それぞれ異なる状態の下でのシステムの動作を示してよく、各モードは、それぞれ異なる環境状態またはシステムの特定の物理的構成などの監視される特定の状態の下で許容可能でよい。図４の実施例では、許容可能な動作状態以外にある１つまたは複数の別のモード１０６、１０７が設定されている。特定の故障を示す１つまたは複数のモード１０６、１０７が設定されてよいことが分かっている。故障モード１０６、１０７は、各故障モード１０６、１０７に関連する故障の可能性の高い原因を有すると見られる可能性があり、その結果、診断および修理を迅速かつ容易に行うことができる。

以下で図５および６を参照しながらセンサデータをモードとしてモデル化する方法を説明する。連続した徴候の特徴のセットは、Ｘによって示されてよく、個々の特徴にはそれぞれ添え字ｉを付ける。この実施例では、各Ｘｉの密度は、ガウス関数の混合を使用して十分にモデル化することができると仮定する。この仮定は、下記の等式（１）によって表され、ここで条件付き特徴（Ｘｉ）はガウス関数である。すべての成分（ここでは、成分はガウス関数を指す）の集合は、Ｃによって表される。等式（１）は、各Ｘｉがすべての他の特徴から独立であると仮定する。等式（２）は、特徴が独立でないと仮定される状況を表す。等式（２）は、特徴の暗黙的な順序付けを仮定し、特徴はより高い順位を有するすべての特徴を条件とする。ｄの特徴があると仮定され、特徴間の依存関係はウェイトｗ_c,jによって表される。これらのウェイトがゼロである場合は、等式（２）は、等式（１）となり、ｗ_c,0は、ガウス関数の平均である。

ガウス成分は、変数Ｆを条件とし、ここで、Ｆは、障害（故障モード）が存在する（真である）前歴尤度（すなわち、徴候が観察されない）を表す２進離散変数である。ＣはＦを条件とするとしてモデル化されているが、Ｃの各項は以下の制約を条件とする。
ｐ（ｃ｜Ｆ＝真）＝０またはｐ（ｃ｜Ｆ＝偽）＝０
言い換えれば、成分は、Ｆ＝真またはＦ＝偽のいずれかを表す。Ｆ＝真に対応するＣに対するすべてのエントリは合計１にならなければならず、Ｆ＝偽の場合も同様であることに留意されたい。

原則として、特徴は、障害を検出することができる任意の連続変数を含むことができる。特徴の例示的タイプは、その記録されている値から予測センサ値を引くことによって計算された可変剰余特徴であり、この予測は、例えば回帰モデルを使用して計算することができ、予測変数は、他のセンサ変数に依存するとしてモデル化される。そのような特徴は、しばしばガウス分布に近いが、監視される機械が異なるデータ取得型（すなわち、測定値が記録されるときに可変動作状態）を有する場合は、それでもなお複数のモードを含んでよい。複数のモードは、変数Ｃにおいて複数の成分を使用して表される。

特定の障害のためのモデルは、特徴ごとに観測値を入力することによって動作することができ、その後にＦの限界を計算するために推論が行われる。真のＦの値は、障害が存在する尤度を示す。Ｆの限界は、線形ガウスモデルのための標準的な方法を使用して計算することができる。Ｆが真である尤度は、現在のケースが前の障害ケースにどれほど近いか、および無障害ケースから障害を区別するための特徴がどれほど強いかに依存する。

ケースベースの推論モデルは、図５の流れ図に示すように下記で詳述するステップをたどることによって構成することができる。

ステップ１００。サンプルごとに、障害が存在することを表すケースおよび障害がないケースを含むケース履歴を構成する。無障害ケースは、通常、障害ケースよりかなり多い。例えば、無障害ケースは何千もあるが、障害ケースは少ししかないことがある。

ステップ１１０。障害ごとに、ケースにそれらの真理値−真（障害が存在する）および／または偽（障害が存在しない）−のタグを付ける。ケースには両方の真理値を割り当てることができる、言い換えれば、第１のケースには真を割り当て、第２のケースには偽を割り当てて、ケースは繰り返されることに留意されたい。

ステップ１２０。障害ごとに、および真理値ごとに、連続した特徴間の任意の制約を定義することができる。制約は下記を含んでよい。

ａ．独立であるとみなされるべきすべての特徴。

ｂ．特徴のサブセット間に提供される依存関係（サブセットはすべての特徴でよい）。例えば、回転軸速度は、相互に相関関係があってよいが、外部の周囲状態に間接的に依存する。

障害ごとに、および真理値ごとに、成分間の任意の関係を定義することができる。各成分は、多変量ガウス関数でよく、これらの成分は、同じ量、形、または方向を共有するように制約されてよい。

ステップ１３０。障害ごとにおよび障害真理値ごとに、ケースウェイトを割り当てることができる。デフォルトは、１の値である。ケースウェイトは、そのケースが特定の障害および真理値をどれほど表すかを示す。ウェイトは、通常、０から１までの間の値であるが、ウェイトはこの範囲に制限される必要はない。ウェイトはケースおよび真理値にわたって一貫して使用されることが望ましい。例えば、１つまたは複数の診断特徴が傾向的特性を表す時間の経過につれてますます顕著になる悪化する状態を考察する。技術者は、傾向の中間点で取得されたケースが障害を３０％表す、すなわち、このケースは必ずしも健康な状態を表さないと判定することができるが、障害をモデル化することに関連して判定をするように頼まれた場合は、技術者は、ケースが障害である可能性は３０％であると言うであろう。この実施例では、技術者は、（ケース履歴全体にわたってスケール０〜１が適用されると仮定すると）、このケースに真を割り当て、０．３のウェイトを与えるであろう。技術者はまた、このケースを複製して複製に偽の真理値および０．７のウェイトを割り当てることができることに留意されたい。

ステップ１４０。所望の場合は、各ケースにフェージングウェイトを割り当てることができる。障害＝真に対応するモデルを適応させる場合、障害の性質が時間の経過につれて変わり始める場合は、より古いケースの影響をフェードアウトすることが望ましいことがある。例えば、物理的アセットが改善されることがある。他の場合には、検出が改善され、ケースの厳しさがより早期の検出のために減少する。ケースのフェージングは、ステップ１３０において上記で説明したのと同様のケースウェイトを適用することによって達成される。

ステップ１５０。障害値ごとに、および真理値ごとに、例えば図３および４に示すように、線形ガウスモデルが構成される。ガウスモデルは、期待値最大化（ＥＭ）法などの方法を使用してトレーニングすることができる。障害の真理値に対応する別々のモデルが構成される。モデルが習得された後に、モデルは変数Ｆにリンクされることが可能である。

上記で説明した推論構成法は、すべてのケース履歴が存在すると仮定する。実際には、ケースは、時間の経過につれて進化し、新しい経験をキャプチャし適応させることができるケースベースの推論器を有することが好ましい。下記で説明する方法は、モデル適応を可能にする。本明細書に記載のケースベースの推論器では、適応のレートは、障害真理値、真および偽に対応するモデル間で異なる。無障害ケースがケース履歴で優位を占める場合は、対応するガウスモデルは周期的に更新することを必要とするだけであるが、障害＝真のガウスモデルは、新しいケースの後ごとに更新することを必要とする。本方法の原理は、ケースの推論器のビューが経験によって時間の経過につれて変わる可能性があるということである。したがって、適応フェーズは、既存のモデルを適応させるのではなく、最初から両方のモデルを習得することを必要とする可能性があり、最初から新しいモデルを構成することは、ステップ１５０においてロバストなモデル構成法が適用されたと仮定する。混合モデル習得では、複数のモデルが、様々なランダムシード、およびトレーニングデータを最もよく表す選択されたモデルを使用して生成されたと仮定する。

推論器は、任意の数の障害ケースで構成することができる。モデルが第１の障害ケースを見た後に構成される場合は、障害＝真に対応するモデルは成分を１つ有するだけである。この成分のＸの特徴の分散はゼロであり、したがって、分散の前歴が使用される。例えば、この前歴は、無障害ケースの母集団の分散の５％にセットされてよい。次いで、この前歴は、新しい障害ケースが見えるにつれて徐々に修正される。障害ケースのモデルは、単一の成分のガウス関数を仮定する。いくつかの時点において、追加の成分が障害ケースにより良いフィットを提供する場合は、追加の成分を使用することができる。

ガウスモデルが図５のステップ１５０においてと同様に構成される場合は、いくつかの異なる前歴を適用することができる。これらの前歴は、モデルの成分に対する調整を行う。成分のサポート（成分がいくつのケースを表すか）の前歴、および各連続特徴の分散の前歴がある。前歴の影響は、調整することができる。前歴を全く使用しない選択肢もある。障害＝真に対応するモデルの前歴は、通常、モデルが最初に構成される場合、主要な役割を果たす。本明細書に記載の方法は、単一の障害ケースしか経験しなかった場合でも、新しいデータに基づいて推論を実行することができるようにするように設計される。前歴の影響は、新しい障害ケースが成分に追加されるにつれて徐々に低減されることが可能である。

図６は、特定の障害を既存のモデルに追加するための適応プロセスを示す。ステップ２００において、最後のモデル構成以来の新しいケース履歴がコレートされる。適応が真理値モデルの両方に適用されるか片方だけに適用されるかに関してはオプションである。例えば障害＝真モデルだけを適応させる場合は、すべてのケースに同じ真理値が割り当てられる。適応は、既存のモデル成分に新しいケース（１つまたは複数）を割り当てることまたは新しい成分を生成することを必要とする。故障＝偽ケースのための適応は、このモデルは健康なデータを表すように設計されており、新しい成分の生成は外れ値（異常値）を承認することによってトリガされ得るので、まれにしか使用されない。したがって、適応は、通常、障害＝真モデルのために取っておかれる。

真理値を各ケースに割り当てるステップ２１０およびケースウェイトを割り当てるステップ２３０は、それぞれ図５のステップ１１０および１３０に対応する。

ステップ２７０において新しい成分を作成するかしないかの判断は、ケースから既存モデルまでの距離の大きさ次第である（ステップ２４０）。任意の適切な距離尺度を適用することができる。現在まで利用されている２つの尺度には、対数尤度およびカルバック−ライブラーダイバージェンスがある。このモデルは、新しいケース（通常は障害ケース）の対数尤度を計算するために使用される。対数尤度は、混合モデルのための標準的な尺度であり、モデルがデータをどれほどよく表すかを示す。新しいケースのための対数尤度は、既存のケースのための対数尤度と比較される。新しいケースのための対数尤度に明白な違いがある場合は、ステップ２７０において追加のモデル成分が必要とされる。カルバック−ライブラーダイバージェンスは、２つの確率分布を比較するための標準的な尺度である。既存のモデルが少数の（例えば、５つ以上の）障害ケースを含む場合は、既存の障害ケースをランダムに分割して２つの候補密度をランダムに生成することによって、この尺度を使用することができる。これらの２つの密度間のダイバージェンスが計算される。このプロセスは、繰り返される（そして、サンプルサイズが小さい場合は、すべての可能なサブセットを含む）。次いで、既存のモデルから「候補ダイバージェンス」が計算され、新しいケースから新しい候補成分が生成される。候補ダイバージェンスがサンプルダイバージェンスとかなり異なる場合は、ステップ２７０に示すように新しいモデル成分が必要とされる可能性がある。新しいモデル成分は、ステップ２８０において、前歴に応じて調整することができる。

ケースから既存のモデルまでの距離の大きさ（ステップ２４０）が閾値より小さい場合は、このケースを既存の成分に追加することができ（ステップ２５０）、既存の成分は、しかるべく適応させられる。

前述の実施例に対して多くの変更を加えることができるが、それらはそれでもなお本発明の範囲内に入る。例えば、特定のシステムを監視するのに適切である場合は、そのシステムに関連する単一のセンサだけを監視してもよく、または２つ以上のセンサを監視してもよい。図５または図６によってモデルを構成する場合は、ケースウェイトおよびフェージングウェイトを使用するステップなど、前述のステップのうちの１つまたは複数は、必要がなければ省略してもよく、特定の実施例に適切であり得るような任意の他のステップを追加してもよい。

１０ システム
１１ センサ
１２ センサ
１３ センサ
２０ 制御ユニット、コントローラ
３０ 制御ユニット、コントローラ
４０ ステップ
５０ ステップ
６０ ステップ
１００ 障害状態および無障害状態がないかケース履歴をコレートする
１０１ モード
１０２ モード
１０３ モード
１０４ モード
１０５ モード
１０６ モード
１０７ モード
１１０ 各ケースに真理値を割り当てる
１２０ 任意のモデル化制約を定義する（例えば、成分の形状および方向）
１３０ ケースウェイトを使用するか？
１４０ フェージングウェイトを使用するか？
１５０ 障害真理値ごとにガウスモデルを構成する
２００ 最後のモデル構成以来の新しいケース履歴をコレートする
２１０ 各ケースに真理値を割り当てる
２３０ ケースウェイトを使用するか？
２４０ モデルからのケース距離を調べる
２５０ ケースを既存の成分に追加する
２６０ 既存の成分を適応させる
２７０ 新しいモデル成分を作成する
２８０ 前歴に応じて新しい成分を調整する

Claims (15)

1. システムを監視するための方法であって、
   前記システムに関連する１つまたは複数のセンサの出力を監視するステップと、
   前記１つまたは複数のセンサからのデータを複数のモードとして構成するステップであって、各モードは、前記システムが動作することができる状態によって定義される、ステップと、
   監視されたデータによって障害状態が前記複数のモードのうちの１つ以外であることを識別するステップと
   を含む方法。
2. 前記複数のモードはそれぞれ、前記システムが動作することができるそれぞれ異なる周囲状態によって定義される、請求項１記載の方法。
3. 前記複数のモードはそれぞれ、前記システムのそれぞれ異なる物理的構成に対応する、請求項１または２記載の方法。
4. 前記複数のモードのそれぞれは前記システムのそれぞれ異なる動作状態に対応する、請求項１乃至３のいずれか１項記載の方法。
5. 少なくとも１つのモードは特定の故障を示す、請求項１乃至４のいずれか１項記載の方法。
6. 各故障モードはそれに関連する前記故障の可能な原因を有する、請求項５記載の方法。
7. 前記データは、検知されたデータと予測値との間の差異を計算することによって判定された変数を使用してモデル化される、請求項１乃至６のいずれか１項記載の方法。
8. 前記データは、各サンプルに真理値を割り当てることによってモデル化される、請求項１乃至７のいずれか１項記載の方法。
9. 前記データは、各サンプルにケースウェイトを割り当てることによってモデル化される、請求項１乃至８のいずれか１項記載の方法。
10. 前記データは、各サンプルにフェージングウェイトを割り当てることによってモデル化される、請求項１乃至９のいずれか１項記載の方法。
11. 各データサンプルはガウスモデルを構成するために使用され、各ガウス関数はモードに対応する、請求項１乃至１０のいずれか１項記載の方法。
12. 前記１つまたは複数のセンサからのデータは既存のモデルを適応させるために使用される、請求項１乃至１１のいずれか１項記載の方法。
13. 新しいサンプルの前記モデル内の対応するデータからの距離が予め定義した閾値より大きい場合は、新しい成分が前記モデルに追加される、請求項１２記載の方法。
14. システムを監視するための装置であって、
    システムに関連する前記１つまたは複数のセンサの出力を監視し、前記１つまたは複数のセンサからのデータを複数のモードとして構成し、各モードは、前記システムが動作することができるそれぞれ異なる状態によって定義され、監視されたデータによって障害状態が前記複数のモードのうちの１つ以外であることを識別するように構成されたコントローラ
    を含む装置。
15. 前記モードのうちの少なくとも１つは、前記システムに関連する故障を示すように設定される、請求項１４記載の装置。