DE60305601T2

DE60305601T2 - Verfahren zur zeitlichen Fehlerisolation und Identifizierung

Info

Publication number: DE60305601T2
Application number: DE60305601T
Authority: DE
Inventors: Allan J. Volponi
Original assignee: United Technologies Corp
Current assignee: RTX Corp
Priority date: 2002-10-31
Filing date: 2003-10-31
Publication date: 2007-05-03
Anticipated expiration: 2023-11-01
Also published as: US20040153815A1; EP1416348B1; JP2004150439A; EP1416348A1; US7233884B2; DE60305601D1

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Isolieren und Identifizieren zeitlicher Defektereignisse. Insbesondere betrifft die vorliegende Erfindung ein Verfahren zum Durchführen einer Einzeldefektisolierung und -detektierung in Triebwerksystemen, und, falls begründet, Doppeldefektisolierung und -detektierung.
Das Ziel einer Gasturbinenleistungsdiagnose ist es, präzise die Änderungen der Triebwerksmodulleistung, Triebwerkssystemfehlfunktionen und Instrumentierungsprobleme aus der Erkenntnis von Messparametern zu isolieren, die entlang dem Gasweg der Maschine genommen wurden, zu detektieren und zu bewerten. Unterscheidbare Verschiebungen der Triebwerksdrehzahlen, -temperaturen, -drücke, -brennstoffströme, etc. liefern die erforderliche Information zum Bestimmen der zugrundeliegenden Verschiebung des Triebwerkbetriebs von einem angenommenen Referenzustand (Nominalzustand).
Die genannten Triebwerksleistungsänderungen können sich selbst in einer aus zwei Kategorien manifestieren: a) allmähliche (langfristige) Verschlechterung oder b) schnelle (kurzfristige) Verschlechterung.
Es gibt verschiedene Techniken zum Detektieren des Beginns von kurzfristigen, Einzeldefektzuständen in einer Reihe von Parametermessungen. Solche kurzfristigen Anomalien sind normalerweise während Perioden von relativem Gleichgewicht, während denen langfristige Verschlechterung von Triebwerks- oder Modulkomponenten eine allmähliche Verschlechterung zeigt, positioniert. Außerdem sind in seltenen Fällen solche kurzfristigen Anomalien das Ergebnis von Doppeldefektzuständen, welche das annähernd gleichzeitige Fehlfunktionieren von zwei Bauteilen beinhalten. Um den Grund eines Einzel- oder Doppeldefektzustands genau zu identifizieren, wird ein Verfahren benötigt, mit dem vor, während und nach einem Defektzustand aufgezeichnete Messdaten hinsichtlich ihrer Art zur Verwendung bei der nachfolgenden Defektidentifikation korrekt identifiziert werden. Außerdem wird eine Methode benötigt, mit der solche Messdaten analysiert werden können, um eine korrekte Identifizierung der zugrundeliegenden Defektzustände zu leisten.
Folglich ist es ein Ziel der vorliegenden Erfindung, ein Verfahren zum Isolieren und Identifizieren zeitlicher Defektereignisse bereitzustellen.
EP-A-1 114 991 beschreibt ein Verfahren zum Abschätzen von Triebwerksdefekten einschließlich der Schritte des Erhaltens gemessener Triebwerksgrößen bei einem ersten Betriebszustand und einem zweiten Betriebszustand und dann Erzeugen eines geschätzten Defektvektors basierend auf den gemessenen Triebwerksgrößen.
US-A-5,566,092 beschreibt ein Maschinendefektdiagnosesystem unter Verwendung eines Detektdiagnosenetzwerks (FDN – Fault Diagnostic Network) basierend auf einer modifizierten neuronalen ARTMAP Netzwerkarchitektur. Ein Hypothese- und Testprozedere, welches auf Fuzzy-Logik und physikalischen Tragmodellen beruht, ist als mit dem FDN operierend beschrieben zum Detektieren von Defekten, die durch das FDN nicht erkannt werden können, und zum Analysieren kompletter Maschinenzustände.
"Generations of optical and suboptimal strategies for multiple-fault isolation" von D.B. Grunberg et.al. aus 1990: Systems readiness technology conference, New York, IEEE, VS Vol. Conf. 23, 03. November 1987, Seiten 125–131, beschreibt eine Mehrfach-Detekt-Ausbreitungslogik, welche die Erkenntnis inkorporiert, dass Gruppen von Defekten identisch einem einzigen Defekt aussehen können, wenn nicht alle Tests verwendet wurden.
Gemäß der vorliegenden Erfindung wird ein Verfahren zum Identifizieren eines Defektereignisses in Triebwerkssystemen bereitgestellt, welches die folgenden Schritte aufweist: Empfangen einer Mehrzahl von Parametermessungen, Durchführen einer Einzeldefektisolierung zum Etablieren von einer der Mehrzahl von Parametermessungen als ein Ereignisbeginn, einer der Mehrzahl von Parametermessungen als eine Ereigniserfassung und eine der Parametermessungen als ein Ereignisende, wobei eine Latenzperiode von dem Ereignisbeginn zu dem Ereignisdetektieren geht und eine Blackout-Periode von dem Ereignisbeginn bis zu dem Ereignisende geht, Durchführen von Mehrfachdefektisolierung, um eine erste Trendlinie für die Mehrzahl von Parametermessungen vor der Blackout-Periode und nach der Blackout-Periode zu etablieren, Neu-Prozessieren der Parametermessungen in der Latenzperiode, Prozessieren der Parametermessungen in der Blackout-Periode, Berechnen eines Modell-IC aus einer aero-thermischen Modellsimulation des Triebwerks, Berechnen einer Mehrzahl von Einzeldefektvektoren, Berechnen einer Abschätzung für jeden der Einzeldefektvektoren, Berechnen eines normierten Fehlers für jeden der Mehrzahl von Einzeldefektvektoren, Berechnen eines polarisierten Fehlerterms für jeden der Mehrzahl von Einzeldefektvektoren, Auswählen des Einzeldefektvektors mit dem kleinsten der berechneten normierten Fehler und Verwenden des gewählten Einzeldefektvektors, um die Wartungsentscheidungen zu leiten.
In einer bevorzugten Ausführungsform der vorliegenden Erfindung weist das Verfahren zur Defektereignisidentifizierung die folgenden Schritte auf: Empfangen einer Mehrzahl von Parametermessungen, Durchführen einer Einzeldefektisolierung, um eine aus der Mehrzahl von Parametermessungen als einen Ereignisbeginn, eine aus der Mehrzahl von Parametermessungen als eine Ereignisdetektierung und eine aus der Mehrzahl von Parametermessungen als ein Ereignisende zu etablieren, wobei eine Latenzperiode von dem Ereignisbeginn zu der Ereignisdetektierung geht und eine Blackout-Periode von dem Ereignisbeginn zu dem Ereignisende geht, Durchführen von Mehrfachfehlerisolation, um eine erste Trendlinie für die Mehrzahl von Parametermessungen vor der Blackout-Periode und nach der Blackout-Periode zu etablieren, Neu-Prozessieren der Parametermessungen in der Latenzperiode, Prozessieren der Parametermessungen in der Blackout-Periode, Berechnen einer Matrix von Beeinflussungskoeffizienten (IC – Influence Coefficients) aus einer aero-thermischen Modellsimulation des Triebwerks, Berechnen einer Mehrzahl von Einzeldefektvektoren, Berechnen einer Abschätzung für jeden der Einzeldefektvektoren, Berechnen eines normierten Fehlers für jeden der Mehrzahl von Einzeldefektvektoren, Berechnen eines polarisierten Fehlerterms für jeden der Mehrzahl von Einzeldefektvektoren und Bestimmen, ob eine Doppeldefektberechnung erforderlich ist, Berechnen einer Mehrzahl von Doppeldefektvektoren, Berechnen einer Abschätzung für jeden der Mehrzahl von Doppeldefektvektoren, Berechnen eines normierten Fehlers für jeden aus der Mehrzahl von Doppeldefektvektoren, Berechnen eines polarisierten Fehlerterms für jeden der Mehrzahl von Doppeldefektvektoren, aufweisend einen kleinsten normierten Fehler für jeden der Mehrzahl von Einzeldefektvektoren und einen kleinsten normierten Fehler für jeden der Mehrzahl von Doppeldefektvektoren.
Bevorzugte Ausführungsformen der Erfindung werden nun nur beispielhaft und mit Bezugnahme auf die begleitenden Zeichnungen beschrieben, für die gilt:
1 ist eine Darstellung einer langfristigen und einer kurzfristigen Verschlechterung eines hypothetischen Messparameters.
2 ist eine Darstellung der zu einem Einzeldefektzustand gehörenden Latenzperiode und Blackout-Periode.
3 ist ein Logikdiagramm der durchgeführten Schritte der vorliegenden Erfindung, aufweisend das Neu-Prozessieren von Datenpunkten in der Latenzperiode.
4a ist ein Logikdiagramm der durchgeführten Schritte der vorliegenden Erfindung zum Berechnen der ICs des speziellen Modells.
4b ist ein Logikdiagramm der Prozessschritte der vorliegenden Erfindung, mit denen ein zugehöriger normierter Fehler für jede Einzeldefektabschätzung berechnet wird und polarisierte Fehlerterme berechnet werden.
4c ist ein Logikdiagramm der Prozessschritte der vorliegenden Erfindung, mit denen die polarisierten Fehlerterme der vorliegenden Erfindung prozessiert werden, um die Defektabschätzung mit dem minimalen berechneten Fehler auszuwählen.
4d ist ein Logikdiagramm der Prozessschritte der vorliegenden Erfindung, mit denen normierte und polarisierte Fehlerterme für jeden möglichen Doppeldefekt berechnet werden.
4e ist ein Logikdiagramm der Prozessschritte der vorliegenden Erfindung, mit denen bestimmt wird, ob das Auftreten eines Einzel- oder eines Doppelfehlerzustands geschlossen wird.
Die vorliegende Erfindung ist auf das Isolieren von kurzfristiger Verschlechterung in dem Fall gerichtet, wo ein Defektereignis in einem System detektiert wurde. Obwohl im Folgenden mit beispielhafter Bezugnahme auf Gaswegparameter in einem Triebwerk beschrieben, ist die vorliegende Erfindung breit geschildert, um sämtliche Systeme einzuschließen, die aus einer Mehrzahl von zusammenwirkenden Untersystemen oder Modulen bestehen, die während des Betriebs gemessen und quantifiziert werden können.
Das Problem des Detektierens ist eines des Erkennens einer Stufen- oder Ratenänderungen in einem Gaswegparameter oder eine Kollektion von Parametern. Verfahren zum Detektieren eines Triebwerksleistungsereignisses oder Defektereignisses vermittels des Detektierens, dass es in einem Satz von gemessenen Triebwerksparametern zu einer Verschiebung (oder einer schnellen Änderung) zu irgendeinem diskreten Zeitpunkt k gekommen ist, sind im Technikgebiet wohl bekannt.
So wie sie hier verwendet werden, werden die Algorithmen, welche das Problem des Abschätzens a) allmählicher Verschlechterung und b) schneller (zeitlicher) Verschlechterung bei der Gasturbinensystemleistung als MFI (Multiple Fault Isolation – Mehrfachdefektisolierung) bzw. SFI (Single Fault Isolation – Einzeldefektisolierung) bezeichnet. Ersteres impliziert, dass sämtliche der Triebwerkskomponenten (deren Leistungsverschiebungen abgeschätzt werden) sich langsam verschlechtern, während Letzteres einen Einbruch impliziert, d.h. dass eine schnelle Trendverschiebung sehr wahrscheinlich darauf zurückgeht, dass eine einzelne Einheit (oder vielleicht zwei) abfällt. Die Methode der vorliegenden Erfindung, die nachfolgend vollständiger beschrieben ist, erlaubt das Isolieren und Identifizieren von Einzel- oder Doppeldefekten, die von einer schnellen Verschlechterung eines Triebwerkuntersystems stammen.
Es ist vorteilhaft, eine gewisse Zeitlatenz in dem Detektierungsprozess anzuerkennen. Wenn man mit k_start und k_detect (diskrete) Anfangs- bzw. Detektierzeiten eines zeitlichen Ereignisses bezeichnet, gilt generell, dass k_detect ≠ k_start ist. Der Grund dafür ist, dass es nicht vernünftig wäre, eine Ereignisdetektierung auf der Basis eines Datenpunkts zu erklären, da der Punkt ein statistischer Ausreisser sein könnte. Der Gedanke einer Latenzperiode wird deshalb in die vorliegende Erfindung inkorporiert, um sowohl das MFI- als auch das SFI-Prozessieren zu unterstützen. Zusätzlich zum Feststellen der Detektierzeit k_detect, ist es auch wichtig, zu wissen, wann das Ereignis beendet war oder stabil wurde. Diese Zeit wird mit k_end bezeichnet und der Trenddetektieralgorithmus, der die gemessenen Parameter überwacht, schätzt diese Zeit zusammen. mit k_start ab. So wie es hier verwendet wird, bezeichnet "Blackout-Periode" die Periode zwischen dem Anfang und dem Ende des detektierten Ereignisses.
Es wird auf die 1 Bezug genommen. Dort ist eine grafische Darstellung einer langfristigen Verschlechterung 11 und einer kurzfristigen Verschlechterung 13 hinsichtlich eines hypothetischen Trendverlaufs in einem willkürlichen Messparameter Δ dargestellt. Der Messparameter Δ ist vorzugsweise eine prozentuale oder eine andere gemessene Änderung zwischen einer momentanen Messung und einem Referenzparameterwert, der einen Nominal-Ausgangszustand repräsentiert. Man beachte, dass für beide langfristigen Verschlechterungsperioden 11 eine Trendlinie 15 berechnet wird. Trendlinien 15 sind vorzugsweise "Best-Fit"-Linien, die von einer linearen Regression hergeleitet werden, welche die allmähliche Rate der Verschlechterung bei den Messwerten eines Parameters einfangen, sie können jedoch auch durch sich bewegenden oder exponentielle Mittelwerte repräsentiert sein.
Es wird auf die 2 Bezug genommen. Dort ist eine grafische Darstellung eines kurzfristigen Ereignisses, Anfangszeit 21 (kstart), Detektierzeit 23 (kdetect) und Endzeit 25 (kend), welche die Latenzperiode 27 und die Blackout-Periode 29 definieren, gezeigt.
In einem derartigen beispielhaften Szenario erfolgt das Prozessieren (Defektdetektierung und -isolierung) zu jedem diskreten Zeitpunkt. Als der Default-Isolierungsprozess ist der MFI (Multiple Fault Isolation – Mehrfachdefektisolierung) gewählt, bei dem Leistungsänderungen (relativ zur Referenz), die in den Modulen und Sensoren überwacht werden, aus der Sammlung von Messparameteränderungen (d.h. Δs von der Referenz) zur Zeit k hergeleitet werden.
Beispiele bevorzugter Verfahren des MFI beinhalten statisch basierte Anwendungen unter Verwendung von Kalman-Filtern bis Verfahren, welche künstliche neuronale Netzwerke verwenden, sie sind jedoch nicht darauf beschränkt.
Vorzugsweise beinhalten bevorzugte SFI-Verfahren statistische Verfahren und Verfahren, welche künstliche neuronale Netzwerke inkorporieren, sind jedoch nicht darauf beschränkt.
Der Algorithmus der vorliegenden Erfindung besitzt eine Mehrzahl von Eigenschaften, wie nachfolgend vollständiger beschrieben werden wird. Der Algorithmus erlaubt und hat Platz für die natürliche Latenz bei der Detektierung eines zeitlichen Ereignisses und umgeht so die Effekte gleichzeitigen MFI-Prozessierens. Der Algorithmus schließt automatisch Einzel- und Doppeldefektereignisse ein. Der Algorithmus passt sich automatisch an jeden Messwertesatz oder -teilsatz an und er passt sich an jeden Satz von vordefinierten Defekten an.
Der SFI arbeitet an zeitlichen Änderungen, d.h. Messparametern ΔΔs, wie in der 2 angezeigt. Das liefert eine Leistung Δ Δ von dem Anfang des Ereignisses. Die Referenz in diesem Fall ist die Leistung, die zum diskreten Zeitpunkt k_start-1 vorhanden war. Das unterscheidet eine kurzfristige (Ereignis-) Verschlechterung von einer langfristigen (allmählichen) Verschlechterung.
Um den Isolierungsprozess eines kurzfristigen Ereignisses zu beschreiben, wird die folgende Notation eingeführt:
Z_k = (m × 1) Vektor der Messung Δs zur Zeit k
Z_k(i) = i^te Komponente des Vektors der Messung Δs zur Zeit k
Δ_k = (m × 1) Vektor der Messung ΔΔs zur Zeit k
Δ_k(i) = i^te Komponente des Vektors der Messung ΔΔs zur Zeit k
x ^k (SFI) = (n × 1) Vektor der geschätzten SIF-Leistung ΔΔs zur Zeit k
x ^k (SFI)(i) = i^te Komponente des Vektors der geschätzten Leistung ΔΔs zur Zeit k
A_k = (m × 1) Vektor der Messung Δ Averages zur Zeit k
A_k(i) = i^te Komponente des Vektors der Messung ΔAverages zur Zeit k
= Anzahl der gemessenen Parameter
= Anzahl potentieller SFI-Ereignisdefekte
Um diese Abschätzungen zu ordnen, ist es erforderlich, den in 3 gezeigten Prozess einzuhalten. Die Eingabewerte in diesen Prozess sind:
Z_k = Vektor der Messung Δs zur Zeit k
A_k = Vektor der Messung Δ Averages zur Zeit k
Die Messungen Δ Averages werden vorzugsweise berechnet unter Verwendung exponentieller Mittelwerte, die rekursiv sind und minimalen Speicher benötigen. Wie ein gleitender Mittelwert (rolling average) spürt diese Form der Mittelwertbildung auch Parametertrends im Zeitverlauf auf. Sie werden wie folgt berechnet: Wo die (vorgewählte) Konstante α das Niveau der Gewichtung für den vorangegangenen Mittelwert und den momentanen Datenpunkt liefert.
Die ΔΔ_k Berechnungen werden relativ zu dem Mittelwertniveau knapp vor dem Ereignisbeginn, d.h. zur diskreten Zeit k_start-1, vorgenommen. Die Berechnung trifft auf die gesamte Blackout-Periode 29 zu, unterscheidet sich jedoch für die neu-prozessierte Latenzperiode 27. Bei der Latenzperiode 27 wird eine lineare Zeitregression durchgeführt und die ΔΔ_k Werte werden als die Differenz zwischen dieser Regressionslinie und dem Durchschnittsniveau (vor dem Ereignis) wie nachfolgend angegeben, berechnet.
Es sei n_Latency = die Anzahl von Punkten in der Latenzperiode und die Regressionskoeffizienten in der Latenzperiode werden wie folgt berechnet:
= Durchschnittliche diskrete Zeit in Latenz
= Varianz der diskreten Zeit in Latenz
= Durchschnitt des i^ten Parameters Δ in Latenz
= Regressionssteigung des i^ten Parameters Δ in Latenz
Für jeden Punkt in der Latenzperiode wird der ΔΔ-Wert wie folgt berechnet:
Für
Ende für
Das bildet eine Neu-Prozessierung der Messinformation vom Anfang des detektierten Ereignisses und der Zeit der Detektierung. Zu Zeitpunkten nach der Detek tierung (k > k_detect) werden die ΔΔ_k-Werte als die Differenz der momentanen Messung Δ und des Durchschnittsniveaus (vor dem Ereignis) berechnet, d.h. ΔΔk(i) = Zk(i) – Akstart-1(i), i = 1,2,...,mfür k > kdetect
Im Anschluss an diese Schritte werden zur momentanen Zeit k in einer Blackout-Periode 29 (d.h. k_start ≤ k ≤ k_end) die ΔΔ_k-Vektorgrößen hergeleitet, welche eine Signatur in der Messung Δ Raum liefert, welches repräsentativ für den zugrundeliegenden Ereignisdefekt Δx ^(SFI)k ist.
Neu-Prozessieren innerhalb der Blackout-Periode 29 erlaubt das Anwenden eines separaten Verfahrens zum Berechnen der inkrementalen Leistungsänderung Δx ^(SFI)k infolge des Ereignisses, welche dann zurück zu dem bekannten (geschätzten) Leistungszustand x ^kstart-1 addiert werden kann, um eine präzisere Abschätzung zu bilden, d.h. x ^ = x ^kstart-1 + Δx ^(SFI)k für kstart ≤ k ≤ kend
Das mildert das Problem der "Fehler"-Verschmierung bei einem Abschätzprozess für ein unterbestimmtes System, bei dem die Anzahl von Defekten größer als die Anzahl von Messungen ist, d.h. n > m.
Die Abschätzung des inkrementalen Leistungselements Δx ^(SFI)k ist mit Bezugnahme auf die 4a bis 4d gezeigt. 4a illustriert die Schritte, die durchgeführt werden, um die modellspezifischen Beeinflussungskoeffizienten (ICs – Influence Coefficients) zu berechnen, die durch Matritzen Ne (Triebwerks-ICs) und H_s (Sensor-ICs) repräsentiert sind. Diese Matritzen bestehen aus Teilableitungen, welche Prozentpunktänderungen in den Leistungsdefektparametern mit Prozentpunktänderungen in den gemessenen (beobachteten) Parametern in Beziehung setzen und üblicherweise für diese Art des Modellierens von Leistungsdiagnostik verwendet werden. Die Matrix P₀ repräsentiert die sogenannte Zustandskovarianzmatrix, welche ein üblicher Konstruktionsparameter für den Kalman-Filter ist. 4b zeigt die Prozessschritte, mit denen ein zugehöriger normierter Fehler für jede Einzeldefektabschätzung berechnet wird und polarisierte Fehlerterme erzeugt werden. 4c zeigt die Prozessschritte, mit denen die polarisierten Fehlerterme prozessiert werden, um die Defektabschätzung bei dem minimalen berechneten Fehler auszuwählen. Außerdem wird eine Bestimmung vorgenommen, ob ein Doppeldefektzustand getestet werden soll oder nicht. Falls eine Doppeldefektdetektierung gerechtfertigt ist, zeigt 4d die Prozessschritte, mit denen normierte und polarisierte Fehlerterme für jeden möglichen Doppeldefekt berechnet werden. Schließlich zeigt, für den Fall, dass Doppeldefektdetektierung gerechtfertigt war, 4e die Prozessschritte, mit denen bestimmt wird, ob das Auftreten eines Einzel- oder eines Doppeldefektzustands geschlossen werden soll.
Der S-Vektor von Messungs-Nicht-Wiederholbarkeiten beinhaltet als seine Komponenten den von dem zugehörigen Sensor erwarteten 1 Standardabweichungs-Genauigkeitsfehler. Die letzten drei Komponenten sind der 1 Standardabweichungs-Genauigkeitsfehler bei dem Triebwerkseinlassdruck und der Temperatur (P₂ bzw. T₂) und der Vorgabe-Leistungseinstellparameter (der mit dem Triebwerksmodell variiert).
Der Polaritätsvektor ist ein n × 1-Vektor, dessen Komponenten die Werte –1,0 oder +1 mit der folgenden Interpretation haben
Die Verwendung der in den 4a bis 4d erscheinenden Logik erlaubt es, Einzeldefektabschätzungen zu ignorieren, deren Evaluierung im Gegensatz zu dem steht, was als vernünftig angenommen wird, indem man ihnen einen großen Fehler zuweist. Beispielsweise wird die Triebwerksmodulleistung mit der Zeit schlechter werden (negativ), während Sensorfehler entweder positiv oder negativ sein können.
Zwei andere Vektoren, die in der Logik erscheinen, erlauben es dem System, sich automatisch an verschiedene Triebwerkssysteme anzupassen. Diese nehmen die Form des Messkonfigurationsvektors (M_c) und des Einzeldefektkonfigurationsvektors SF_c an. Sie sind folgendermaßen definiert:
Man erkennt, dass gemäß der vorliegenden Erfindung ein Verfahren zur Einzeldefektisolation und -detektierung in Triebwerkssystemen bereitgestellt wurde.

Claims

Verfahren zur Defektereignisidentifizierung in einem Maschinensystem, aufweisend die folgenden Schritte: Erhalten einer Mehrzahl von Parametermessungen; Durchführen einer Einzeldefekt-Isolierung, um einen der Mehrzahl von Parametermessungen als einen Ereignisbeginn (21), eine der Mehrzahl von Parametermessungen als eine Ereignisdetektierung (23) und eine der Parametermessungen als ein Ereignisende (25) zu etablieren, wobei eine Latenzperiode (27) von dem Ereignisbeginn bis zu der Ereignisdetektierung und eine Blackout-Periode (29) von dem Ereignisbeginn bis zu dem Ereignisende geht; Durchführen einer Mehrfach-Fehler-Isolierung, um eine erste Trendlinie vor der Blackout-Periode und nach der Blackout-Periode für die Mehrzahl von Parametermessungen zu etablieren; Neu-Prozessieren der Parametermessungen in der Latenzperiode; Prozessieren der Parametermessungen in der Blackout-Periode; Berechnen eines Modell-ICs aus einer aero-thermischen Modellsimulation der Maschine; Berechnen einer Mehrzahl von Einzelfehlervektoren; Berechnen einer Abschätzung für jeden der Einzelfehlervektoren; Berechnen eines normierten Fehlers für jeden der Mehrzahl von Einzeldefektvektoren; Berechnen eines polarisierten Fehlerterms für jeden der Mehrzahl von Einzeldefektvektoren; Auswählen des Einzeldefektvektors mit dem kleinsten der berechneten normierten Fehler; und Verwenden des ausgewählten Einzeldefektvektors, um Wartungsentscheidungen zu leiten.
Verfahren nach Anspruch 1, wobei jede der Mehrzahl von Parametermessungen eine Differenz einer momentanen Messung und einer unmittelbar vorangehenden Messung aufweist.
Verfahren nach Anspruch 2, wobei jeder aus der Mehrzahl von Parametermessungen eine prozentuale Abweichung ist.
Verfahren nach Anspruch 1, 2 oder 3, wobei das Durchführen der Einzeldefektisolierung das Durchführen einer statistischen Analyse aufweist.
Verfahren nach Anspruch 1, 2 oder 3, wobei das Durchführen der Einzeldefektisolierung das Anwenden einer Kalman-Filter-Parameterabschätzung aufweist.
Verfahren nach einem der vorangehenden Ansprüche, wobei die Mehrzahl von Parametermessungen von einer Maschine hergeleitet wird.
Verfahren nach einem der vorangehenden Ansprüche, wobei das Neu-Prozessieren der Parametermessungen die folgenden Schritte aufweist: Berechnen einer linearen Regressionslinie aus der Mehrzahl von Parametermessungen, welche die Latenzperiode (27) aufweist; und Neuberechnen von jeder der Mehrzahl von Messungen, welche die Latenzperiode aufweist als eine Differenz zwischen der linearen Regressionslinie und einem durchschnittlichen Niveau vor dem Ereignisbeginn (21).
Verfahren nach einem der vorangehenden Ansprüche, ferner aufweisend die folgenden Schritte: Berechnen eines Modell-ICs aus den neu-prozessierten Parametermessungen; Bestimmen, ob eine Doppeldefektberechnung erforderlich ist; Berechnen einer Mehrzahl von Doppeldefektvektoren; Berechnen einer Abschätzung für jeden aus der Mehrzahl von Doppeldefektvektoren; Berechnen eines normierten Fehlers für jeden aus der Mehrzahl von Doppeldefektvektoren; Berechnen eines polarisierten Fehlerterms für jeden der Mehrzahl von Doppeldefektvektoren; Auswählen eines Defektvektors, aufweisend einen kleinsten normierten Fehler für jeden der Mehrzahl von Einzeldefektvektoren und einen kleinsten normierten Fehler für jeden der Mehrzahl von Doppeldefektvektoren; und Verwenden des ausgewählten Einzeldefektvektors und Doppeldefektvektors, um Wartungsentscheidungen zu leiten.
Verfahren nach Anspruch 8, aufweisend den zusätzlichen Schritt des Auswählens des kleinsten der kleinsten normierten Fehler für jeden der Mehrzahl von Einzeldefektvektoren und des kleinsten normierten Fehlers für jeden der Mehrzahl von Doppeldefektvektoren.
Verfahren zum Warten eines Triebwerks, aufweisend Analysieren einer Mehrzahl von Parametermessungen, die von dem Triebwerk hergeleitet wurden, um ein Defektereignis nach einem der vorangehenden Ansprüche zu identifizieren, und Ausführen von Wartung an dem Triebwerk, falls ein Fehlerereignis identifiziert wird.