用于监控飞行器发动机的计算环境系统

技术领域

本发明涉及监控飞行器发动机的领域。具体地，本发明涉及一种用于监控飞行器发动机的计算环境系统。

背景技术

对发动机的每个操作领域比较专业的航空工程师开发了用于在发动机操作时监控发动机的算法。这些算法使用发动机操作的精确知识，并使得能够预测在故障发生之前的事件。该过程被称为“预测和健康监控”。

实际上，在每次飞行过程中，飞行器继续从与发动机和飞行器的其它系统相关联的传感器和计算机记录飞行、环境和操作数据。该数据提供关于飞行的适当展现的重要信息，且可用于检测可能的异常。

然而，现在必须监控的发动机群对于每个操作员的特定分析来说太大。因此，来自不同飞行器的飞行数据被系统性地下载并存储在分布式计算支持(例如，Hadoop类型)上，在分布式计算支持(例如，Hadoop类型)中监控代码可被系统性地并行执行。

然而，计算机代码的并行执行需要分布式编程的特定技能和计算集群的操作的良好知识。然而，飞行器发动机工程师在热力学和力学方面通常是专家，并不具有留给分布式计算编程方面的专家的这种类型的技能。

存在诸如Datalku等可帮助开发新代码的通用平台。然而，这种类型的工具在监控飞行器发动机的处理方面不专业，不能产生操作解决方案，且这些工具是开发工具，而不是应用平台。

因此，本发明的目的是一种用于监控的方法和系统，其允许没有任何分布式计算知识的工程师利用他们掌握的针对小数据集的语言继续开发他们的代码，然后在所有飞行器和飞行上可操作地部署代码。

发明内容

本发明涉及一种用于监控飞行器发动机的计算环境系统，所述系统连接到服务器集群，所述系统包括：-应用接口，被配置成接收独立于分布式部署系统开发的用户代码，用户代码指定与部署在飞行器发动机群上的飞行器发动机相关的一组指示符的计算，-提取模块，被配置成通过对时间飞行数据进行并行计算来提取所述指示符，时间飞行数据来自飞行器发动机群以及存储在分布在所述服务器集群上的数据库中，-学习模块，被配置成使用所述指示符以根据所述指示符不受监督地构造监控模型，监控模型通过实施预定学习功能来表示指示符。

该系统允许工程师实现和使用他们自己的指示符提取算法，而不需要任何服务器集群的体系结构或分布式计算的知识。因此，系统使得能够并行地且以可缩放的方式处理非常大量的飞行和发动机数据，同时仍然使用已存在的通用函数和算法来计算指示符并构造表示模型，该表示模型使得能够识别趋势或者对发动机进行分级，以确定哪些发动机需要优先维护。因此，可监控飞行器发动机群，来以非常高的精度预测和调度维护操作。

有利地，提取模块包括排序机构，排序机构被配置成在提取特定于每次飞行和特定于每个发动机的指示符时实现任何重现。这使得能够重复使用已提取的指示符来以循环方式计算新的指示符。

根据本发明，所述指示符包括健康指示符和对应的环境指示符。有利地，提取模块被配置成通过实施回归技术来根据对应的环境指示符标准化所述健康指示符。健康指示符独立于环境被呈现，因此这使得不仅可以监控每个发动机中的变化而且可以比较健康指示符。

有利地，计算环境系统包括可视化模块，可视化模块包括图形工具，图形工具被配置成根据统计表示来表示监控模型。这使得能够分析结果并比较发动机或机群，或者观察机群上的个体趋势或平均趋势，或者对所监控的各个发动机进行分类。

有利地，用户代码包括待并行处理的输入数据和包括环境指示符和健康指示符的输出数据的规范，所述用户代码以从Spark类型的并行语言以及Scala、Python或R类型的商业语言中选择的任何语言来描述。

有利地，时间飞行数据是来自与飞行器发动机相关联的传感器和计算机的发动机连续操作数据以及来自飞行器的连续数据，所述时间飞行数据存储在分布在所述服务器集群上的文件系统中。这使得能够存储和处理非常大量的飞行数据。

有利地，计算环境系统包括第一预处理模块，第一预处理模块被配置成通过在每次飞行时聚合(aggregating)所述时间数据飞行来形成时间矢量。这使得能够减少行数，从而加速数据的处理。

有利地，由提取模块提取的指示符存储在部署在服务器集群上的数据结构中。这便于处理用于构造表示模型的指示符，同时仍然允许将指示符可视化并重复使用以计算新的指示符。

有利地，计算环境系统包括第二预处理模块，第二预处理模块被配置成将指示符的矢量格式转换成适于应用学习功能的矩阵格式。

有利地，预定学习功能包括来自以下算法的学习算法：Kohonen自适应映射算法、异常检测算法、趋势检测和跟踪算法、用于分析飞行器发动机的特定系统或一个设备的操作的算法、以及事件预期或预测算法。

本发明还涉及一种用于监控飞行器发动机的方法，该方法包括以下步骤：-接收用户代码，用户代码指定与部署在飞行器发动机群上的飞行器发动机相关的一组指示符的计算，-通过对时间飞行数据进行并行计算来提取所述指示符，时间飞行数据来自飞行器发动机群以及存储在分布在服务器集群上的数据库中，-使用所述指示符，以根据所述指示符不受监督地构造监控模型，监控模型通过实施预定学习功能来表示指示符。

本发明还涉及一种计算机程序，计算机程序包括代码指令，代码指令用于当计算机程序在根据上述任意特征的计算环境系统上运行时，实现上述用于监控的方法。

附图说明

当参考附图阅读为了信息的目的而不是以限制性方式在下文给出的描述时，根据本发明的设备和方法的其它特性和优点将更好地显现，其中：

[图1]示意性地示出了根据本发明的实施例的用于监控飞行器发动机的计算环境系统；

[图2]示意性地示出了根据本发明的优选实施例的计算环境系统；和

[图3]示意性地示出了根据图2的实施例的用于对接和提取指示符的系统。

具体实施方式

本发明的原理在于提出一种计算环境，该计算环境将封装由工程师开发的商业代码，以使商业代码在多个服务器上以分布式方式操作。

图1示意性地示出了根据本发明的实施例的用于监控飞行器发动机的计算环境系统。

当前，可获得由各个发动机和飞行器连续采集的非常大量的原始时间数据。实际上，在每次飞行期间，每个飞行器1继续记录关于其操作以及不同环境参数的信息。由机载计算机(例如，FADEC、ACMS)在各种支持上和以各种格式(DAR、QAR、CEOD等)记录的数据来自由集成到飞行器的发动机3以及飞行器1的其它系统中的探测器或传感器提供的测量。例如，FADEC(其控制发动机)记录由集成到发动机3中的传感器测量的数据，使得既能够控制发动机3又能够用作监控和预测维护的过程的基础。更具体地，在每次采集时，数据包括第一组数据和第二组数据，第一组数据涉及描述发动机3以及飞行器1的其它实体的行为的内生变量，第二组数据涉及描述采集环境的外生变量。

举例来说，内生变量可包括发动机3芯轴的转速N2、燃料的流速、在发动机不同位置(例如，在压缩之前和/或之后)的流体的温度和压力、排气温度(EGT)等。

外生变量可包括以下变量：外部温度、高度、飞行器重量、机翼除冰、短舱除冰、进气口、可变几何形状、VBV(可变排气阀)、VSV(可变定子阀)、LPTACC和HPTACC(低压/高压涡轮主动间隙控制)、HP压缩机开度、ECS进气(环境控制系统，空调)、风扇N1的所需转速(对应于发动机的期望推力)、TLA(推力操纵杆角度)、飞行器的速度(马赫数)等。内生变量(描述系统行为)和外生变量(描述采集环境)可以由用户根据由所计算的指示符监控的系统来选择。

所有这种内生和外生时间数据连续地记录在发动机的计算机或飞行器1的中央计算机上。然后，该时间数据被系统性地下载并存储在地面上的存储装置中，以构造关于发动机3的整个机群和所有飞行的数据库。

为了处理这种非常大量的数据，使用例如Hadoop类型的分布式存储系统，这使得能够通过在服务器7的集合5(称为“集群”)上执行并行数据处理来利用飞行器发动机群的所有时间飞行数据。

因此，由各个发动机3和航空器1采集的大量原始时间数据存储在分布在各个服务器7上的数据库9中。例如，该飞行数据系统性地存储在服务器7的集群5的分布式文件系统上。当该数据在时间过程中出现时，有利地建立优化采集的存储过程。该过程以高度冗余方式表示数据，但是例如通过使数据与以下值相关联来以非常通用的方式表示：天气、发动机的序列号、以及由机载计算机测量或计算的参数。为了使这种表示适合于分析处理，数据转换成矢量结构。该过程在服务器7上生成分布式表，但是其中，每个参数由用于每次飞行的时间矢量(即，曲线)表示。

为了使用和运行已存在于该大量数据上的用于监控飞行器发动机3的算法，本发明提出使用算法分配平台。该平台被称为计算环境系统11，连接到包括服务器7的集群5的分布式部署系统，在该分布式部署系统上以分布式方式存储关于飞行器1发动机3的机群12的时间飞行数据。服务器7的集群5可被分组为一组计算节点，每个计算节点能够由大量服务器7构成，可根据需要调整计算节点的大小。

根据本发明，计算环境系统11包括应用接口13、提取模块15和学习模块17。

应用接口13被配置成接收独立于分布式部署系统开发的用户代码19，用户代码19指定与飞行器发动机相关的一组指示符的计算。这些用户代码19(可以是由没有分布式计算知识的工程师实现的Scala或Python或R类型的商业代码)被部署，以使用户代码19针对飞行器1发动机3的整个机群12的数据以分布式方式操作。

实际上，提取模块15被配置成通过在服务器的集群5中针对时间飞行数据(更具体地，飞行矢量)进行并行计算来提取指示符，时间飞行数据(更具体地，飞行矢量)来自飞行器发动机的整个机群12、存储在分布在服务器7的集群5上的数据库9中。

此外，学习模块17被配置成使用由提取模块15提取的指示符，以不受监督地构造监控模型21，监控模型21通过实施预定学习功能例如Kohonen自适应映射功能来表示这些指示符，以构造监控模型。例如该监控模型使得能够识别趋势或对发动机进行分级。

计算环境系统11使得能够摄取由工程师开发的特定代码19，而工程师不必关心服务器7和数据的分布。因此，航空工程师可继续提出这样的工具：在将小数据集注入计算环境系统11之前，工具将对小数据集进行测试，以将小数据集分发到所有发动机3和飞行。此外，该系统11使得能够封装用户代码以使用户代码以分布式方式操作，而不需要计算专家修改用户代码。

图2示意性地示出了根据本发明的优选实施例的计算环境系统。如上所述，计算环境系统11连接到服务器7的集群5，服务器7的集群5包括所分布的数据库9，数据库9上存储飞行器1发动机3的机群12的时间飞行数据。根据该实施例，计算环境系统11包括第一预处理模块23、应用接口13、提取模块15、数据存储结构25a，25b、第二预处理模块26、学习模块17和可视化模块27。

监控飞行器发动机3的第一步是确定表示发动机3或发动机子系统的健康状态(例如，油位、燃料消耗、控制系统等)的一组指示符。这样的指示符可以与飞行的特定时刻的参数值一样简单，但是也可以是由专家设计的更复杂的功能。

指示符的计算可针对不同的飞行并行进行，并因此每次可处理一次飞行。还可以每次针对一组飞行(例如，发动机的所有飞行，或在发动机的最后N次飞行的时间窗口内等)处理指示符的计算。

应注意，为了提取指示符而执行的计算将必须使飞行参数的时间序列作为整体来处理。实际上，待并行处理的最小实体是整个飞行期间的参数。因此，不必在每个时间“步”具有一行。

因此，第一预处理模块23被配置成通过在时间维度上聚合飞行数据的时间序列来对飞行数据的时间序列进行预处理，以形成时间矢量。这种预处理可通过使用Spark SQL语言的“收集列表”聚合操作来执行。这使得能够显著减少数据行的数量(例如，从大约5千亿行到仅500万行)。有利地，该操作可以在每次飞行时针对新的进入数据仅执行一次。

应用接口13被配置成接收用户代码19，用户代码19包括待并行处理的输入数据和包括环境指示符和健康指示符的输出数据的规范。

此外，提取模块15(被表示为包括在应用接口13中)被配置成通过对时间矢量执行并行计算来提取指示符，时间矢量来自分布在服务器7的集群5上的数据库9中存储的数据。

由提取模块15提取的、表示发动机的各个飞行的指示符存储在数据存储结构25a中，数据存储结构25a也可以部署在服务器7的集群5上。

此外，提取模块15包括排序机构，该排序机构被配置成在提取特定于每次飞行和特定于每个发动机的指示符时实现任何重现。该机构由提取模块15和数据存储结构25a之间的循环(箭头F1和F2)表示。

实际上，指示符可以分两个步骤计算，原因是这样更容易，或者原因是需要中间结果。还可能的是，在之前的飞行期间，指示符取决于该指示符所具有的值，或者其它指示符所具有的值。

应注意，由提取模块15提取的指示符包括健康指示符和对应的采集环境指示符。有利地，提取模块15被配置成根据对应的环境指示符来标准化健康指示符。这种标准化通过使用回归技术来实现，该回归技术利用学习工具，该学习工具使用特定于发动机3和飞行器1的数据集。

更具体地，可根据回归模型在由环境指示符的分析组合生成的环境变量的空间上标准化健康指示符。该处理包括使用关于附加环境变量的回归模型，该附加环境变量例如由初始环境指示符的多项式、指数和对数或其它变换构造，使得能够有效地抑制采集环境(即，环境影响和设定点)对描述发动机3的状态的健康指示符的影响。

有利地，在标准化之后，可通过使用平滑工具和用于检测突然变化的工具来过滤和清洁已标准化的健康指示符上的噪声。因此，健康指示符独立于环境被呈现，因此使得能够针对不同的飞行和发动机比较健康指示符，并因此还监控每个发动机3中的变化。

图3示意性地示出了根据图2的实施例的用于对接和提取指示符的系统。该用于对接和提取的系统包括表示图2的应用接口13和提取模块15的应用编程接口33API。应用编程接口33API可处理多种类型的用户代码19。用户代码19可以用Spark类型的并行语言19a来描述。Spark代码是一种本机语言，使得能够优化分布式计算的性能。此外，熟悉在Spark中编程的用户可编写个性化Spark功能。

有利地，用户代码19可以用Scala、Python或R类型的本地对象语言19b(即，非分布式)来开发，使得能够执行分析处理。用于分析数据和自动学习的数字库可用于通过这些商业语言定义任何类型的算法。应用编程接口API还可处理被格式化成Python模块类型的模块的代码。

然而，可在服务器7的集群5的多个计算节点上同时调用这些代码。因此，应用编程接口33被配置成封装这些代码，允许这些代码在不同的数据域中相同地操作。

更具体地，应用编程接口33API被配置成在服务器7的所有计算节点上自动部署用户代码19，服务器7的所有计算节点管理所有飞行数据，使得这些用户代码19将在各个服务器7上以分布式方式运行。在应用接口33的输出处的结果35根据被称为V1,...V

因此，应用编程接口33使得能够以分布式方式并根据并行的数据提取指示符，这使得能够并行地处理大量的飞行和发动机3。此外，应用编程接口33允许使用已存在的通用函数和算法来计算这些指示符。因此，工程师能够实现和使用他们自己的指示符提取算法，而不需要例如Hadoop类型的集群5体系结构或Spark类型的分布式语言的任何知识。

此外，计算环境系统11的第二预处理模块26被配置成将指示符I

然后，学习模块17检索矩阵格式的指示符，以不受监督地构造监控模型21，监控模型21通过使用预定学习功能来表示这些指示符。

高度代表性的监控模型21是由发动机状态的映射算法执行的监控模型。在申请人的专利申请EP2676176中详细描述了该算法。根据该算法，在起飞期间提取健康指示符和环境指示符。在通过采集环境标准化健康指示符之后，指示符被过滤并在Kohonen自适应地图(自组织地图)上分级。这使得能够监控发动机的“性能状态”(还称为“数字孪生”)的轨迹，研究发动机相对于彼此的趋势和位置，以更好地计划维护操作，且更好地评估发动机的衰退和潜在故障，使得例如能够知道首先要维护哪些发动机。因此，这种算法使得能够独立于环境来映射与发动机的状态相关的数据，根据类似的行为对发动机进行分级，且统计分析已在发动机上发生的事件。

除了Kohonen自适应映射算法之外，预定学习功能可包括但不是穷举：“得分”异常检测算法、趋势检测和跟踪算法、用于分析飞行器发动机的特定系统或设备的操作的算法(例如，分析油量或燃料消耗，点火分析等)、事件预期或预测算法。这些算法在申请人的以下专利或专利申请：WO2017046530,EP2912526,EP3039497,EP3025205和EP2817688中进行描述。

应注意，这些学习算法通常利用存储器中的观察表示。然而，由于在集群5类型的一组服务器中这种观察的数量非常大，因此，为了使这些算法适应计算环境系统11，重写这些算法，使得编码利用并行或迭代模式，而不是全局处理。具体地，通常用于表示发动机3的状态的、维度和分类减少的回归工具被转换成分布式数据的大小尺度。

最后，可视化模块27包括图形工具，图形工具被配置成根据统计表示来表示监控模型21。可视化模块27允许在用户的偏移屏幕上显示。

此外，如箭头F3所示，健康指示符还可直接由可视化模块27表示。

模型和/或健康指示符的可视化使得能够例如通过统计图来分析结果和比较发动机或机群。还可以使用曲线来观察机群12上的个体趋势或平均趋势。还可以对由类别列表或地图监控的各个发动机进行分类。

因此，计算环境系统11负责提供接口，该接口使得能够记录各种代码，对排序和数据选择进行编程以用于学习，并选择用于可视化结果的模式。因此，用户可将他们自己的结果与来自根据本发明的计算环境系统的更加精确的结果进行比较。

本发明还涉及一种计算机程序，计算机程序包括适于实现如上文所述的、根据本发明的实施例的监控飞行器发动机的代码指令。