Anlisis de transitorios de series de tiempo simblico para la deteccin de fallas
en aeronaves de turbina de gas Motores Soumalya Sarkar Kushal Mukherjee
Soumik Sarkar Asok Ray
svs5464@psu.edu kum162@psu.edu sarkars@utrc.utc.com axr2@psu.edu Departamento de Ingeniera Mecnica La Universidad del Estado de Pennsylvania University Park, PA 16802, EE.UU. Palabras clave: Anlisis de series de tiempo transitoria; dinmica simblica, deteccin de fallas, motores de turbina de gas de aviacin
Resumen-En este trabajo se presenta una simblica basada en datos -mtodo basado en la dinmica para la deteccin de fallas incipientes en motores de turbina de gas de los aviones comerciales. Deteccin fallas de incipientes en estos motores podran ser significativamente se manifiesta mediante el aprovechamiento de datos transitorios (por ejemplo, durante el despegue). Desde esta perspectiva, la deteccin de fallos y algoritmos de clasificacin se basan en la recientemente trabajo presentado en el filtrado dinmico simblico. En particular, Anlisis basado en modelos de Markov de los datos de estado estacionario es ampliado mediante el aprovechamiento de la transitoria disponibles datos. El procedimiento de deteccin de fallos y de clasificacin tiene sido validado en el caso de prueba transitorio NASA C- MAPSS generador.
I. INTRODUCCIN Varios investigadores han abordado el rendimiento monitoreo de motores de turbina de gas de aviacin basado en datos en estado estacionario de cuasi- estacionarias durante condiciones de crucero. Sin embargo, los datos operativos transitorios (por ejemplo, de despegue, ascenso o aterrizaje) se pueden utilizar remunerados para la deteccin temprana de fallas incipientes. Normalmente los motores operar bajo mucho ms altas condiciones de estrs y de la temperatura en virtud de las operaciones transitorias en comparacin con los bajo condiciones de estado estacionario. Firmas de cierta los fallos de motor incipientes (por ejemplo, fallas de rodamientos, controlador miss-programacin y las fallas del sistema de arranque) tienden a magnificar durante las condiciones transitorias, y las apropiadas el uso de los datos transitorios podra mejorar la probabilidad de deteccin de fallas [1]. En esta lnea, basado en modelos varios y los mtodos de diagnstico de fallos basados en datos han sido propuesta, haciendo uso de los datos transitorios. Por ejemplo, Srendar y Ganguli [2] utilizaron un Myriad adaptativa filtrado para mejorar la calidad de las operaciones de transitorios para motores de turbina de gas. Sin embargo, los diagnsticos basados en modelos pueden sufrir de inexactitud y prdida de solidez debida a la baja fiabilidad de los modelos transitorios. Una tcnica basada en datos recientemente desarrollada, llamada el filtrado dinmico simblica (SDF) [3], ha sido demostrado que ofrecer un rendimiento superior en trminos de principios deteccin de anomalas y robustez a la medicin ruido en comparacin con otras tcnicas como la principal Anlisis de componentes (PCA), Redes Neuronales (NN) y tcnicas bayesianas [4]. Sin embargo, estos se realizaron estudios sobre el estado de equilibrio de datos de vuelo de crucero que se correspondan con el supuesto de la cuasi- estacionariedad hecho en SDF. Debido a esta suposicin, SDF puede no ser capaz de manejar adecuadamente los datos transitorios que son por lo general longitud de limitada. El objetivo de este trabajo es ampliar la capacidad del SDF para manejar (de corta longitud) datos transitorios, ms all de lo que se hace actualmente para los conjuntos de datos cuasi-estacionarias longitud de suficiente. Este trabajo utiliza Dirichlet y distribuciones multinomiales [5] para la construccin de la a priori y unos modelos a posteriori de las incertidumbres, respectivamente. Los algoritmos se formulan por cuantitativamente la incorporacin los efectos de las cadenas de smbolos de longitud finita tanto en la formacin y fases de pruebas de deteccin de fallos. El algoritmo resultante se valida utilizando el transitorio Test Generator-caso de la Comercial Modular Aero Sistema de Propulsin Simulacin (C-MAPSS) banco de pruebas [6], desarrollado en la NASA.
II. ANLISIS SIMBLICO DEL TIEMPO DE LA SERIE DE DATOS
Una cadena de smbolos se obtiene a partir de la salida de gas la dinmica de motores de turbina de particin, tambin llamado cuantificacin, de los datos de series de tiempo. A partir de entonces, una modelo probabilstico autmata de estados finitos (EPIP) es desarrollado a partir de la (finito - longitud ) secuencia de smbolos [ 3 ] . En esta seccin se construye un clasificador bayesiano para la identificacin de las matrices morph probabilidad de PFSA basado en los datos transitorios, tanto en la formacin y las pruebas fases . El Dirichlet y distribuciones multinomiales [5] se han utilizado para construir el a priori y a posteriori modelos de incertidumbres , respectivamente. Esta formulacin cuantitativamente incorpora los efectos de la longitud finita cadenas de smbolos en el entrenamiento y pruebas de las fases de clasificacin de patrones. La serie de tiempo del sensor es codificada por la particin de datos en el rango de la seal, en el que el la conversin a cadenas de smbolos se logra mediante la sustitucin de cada una (con un valor real ) punto de datos de la serie temporal un smbolo correspondiente a la regin ( es decir , el intervalo ) dentro del cual se encuentra el punto de datos . Este paso permite transformacin de la informacin sensorial desde el dominio continuo para el dominio simblico; en otras palabras, los datos del sensor en cada instante de muestreo es reemplazado por un smbolo. La secuencia simblica se modela como una probabilstico autmata de estado finito ( PFSA ) que se construye como una tupla G, ( Q , ? , ? , ? ) , donde el alfabeto ? es un conjunto finito no vaco de smbolos y el conjunto de estados Q est obligado a ser no vaco y finito . Para simplificar la construccin del modelo PFSA , este documento slo considera una clase de EPIP , conocidas como mquinas de D- Markov [ 3 ] , donde los estados son cadenas de los ltimos smbolos D ;el nmero entero positivo D se denomina profundidad de la mquina y el nmero de estados | Q | ? | ? | D. dado el estado anterior y un smbolo observado , el estado transicin funcin? : Q ? ! Q produce el nuevo estado. Adems , la funcin Morph ? : Q ? ! [ 0 , 1 ] es un mapeo de salida que satisfaga la condicin P :? ? ? ( q , ? ) = 1 para todo q 2 Q. La funcin de metamorfosis ? tiene una representacin de la matriz ? , llamado (probabilidad ) transformarse matriz de dimensin ( | Q | | ? | ) . Cada suma fila de ? es igual a 1 y cada elemento de la matriz ? ij es estrictamente positivo debido a la restriccin de longitud finita de series de tiempo a partir del cual se construyen modelos PFSA
A. La lnea de clasificacin de problemas Que no haya sistemas simblicos de K (es decir, clases) de inters, denotado por C1, C2,. . . , CK, durante el mismo alfabeto?. Cada clase Ci es modelada por un ergdica (equivalentemente, irreductible) PFSA Gi = (Qi,?,? i,? i), donde i = 1, 2. . . , K. Durante la fase de entrenamiento, una cadena de smbolo Si se genera a partir de cada Ci clase. El estado transicin funcin? y el conjunto de estados Q del DMarkov mquina se fija mediante la eleccin de una adecuada profundidad D. Por lo tanto , ? i ha convertido en las nicas incgnitas y podra haber sido seleccionados como los vectores de caractersticas con el fin de clasificacin . La distribucin de la matriz Morph ? i se calcula en la fase de formacin de lo finito smbolo de la longitud de secuencias para cada clase. En la fase de prueba , dejar que otro smbolo de cuerda eS ser obtenido a partir de un conjunto de datos de series de tiempo del sensor. Entonces , la tarea es para determinar qu clase de esta cadena smbolo observado eS pertenece a . Mientras que el trabajo previo [ 3 ] ha dirigido en la identificacin de un PFSA de una cadena smbolo dado , el objetivo de este trabajo es incrustar las incertidumbres debido a la longitud finita de la cadena en el smbolo algoritmo de identificacin que influira la final decisin de clasificacin . En la fase de entrenamiento , cada fila de ? I es tratado como un vector aleatorio . Deje que la fila de MTH ? I se denota como ? i my el ensimo elemento de la fila mth como ? i mn > 0 Mn = 1 . El a priori de densidad de probabilidad ? i funcin f m | ? Si de la fila - vector aleatorio i m , acondicionado en una cadena de smbolo Si, sigue el Dirichlet distribucin [ 5 ] como se describe a continuacin.
III . INYECCIN DE FALLOS EN C- MAPSS TEST BED El banco de pruebas de simulacin de la NASA C- MAPSS [ 6 ] tiene sido desarrollado para un twospool tpica a escala comercial motor de turboventilador y su sistema de control . la motor en cuestin produce un empuje de aproximadamente 400.000 N y est diseado para la operacin en la altura ( A) desde el nivel del mar ( es decir , 0 m) hasta 12200 m, nmero de Mach (M ) de 0 a 0,90, y temperaturas de aproximadamente -50 C a 50 C. la del acelerador resolver ngulo ( TRA ) se puede ajustar a cualquier valor en el intervalo entre 0 en el nivel de potencia mnimo y 100 en el nivel mximo de potencia . La turbina de gas sistema de motor consta de cinco componentes principales que giran , a saber , el ventilador (F ) , el compresor de baja presin (LPC ) , compresor de alta presin (HPC ), alta presin de la turbina (HPT ) , y de la turbina de baja presin ( LPT). Dada la entradas de TRA , A y M , la forma interactiva controlada modelos de componentes calcular la dinmica no lineal de el funcionamiento del motor de turboventilador en tiempo real . Programado ganancia A sistema de control est incorporado en el sistema de motor , que consiste en reguladores de caudal y reguladores lmite para los componentes del motor . En la configuracin actual de la simulacin C-MAPSS banco de pruebas, hay 13 de la salud a nivel de componentes los parmetros de entrada, es decir, los parmetros de eficiencia (), parmetros de flujo (?), y modificadores de la relacin de presin que simular los efectos de fallos y / o degradacin en los componentes del motor. Diez, de los 13 la salud parmetros [7], se seleccionan para modificar la eficiencia (?) y el flujo que se define como (?): ? , Relacin entre la entalpa real y la entalpa ideales cambios. ? , Relacin entre la punta del rotor y las velocidades de flujo de fluido axiales. Para cada uno de de la rotacin del motor de cinco componentes X, donde X representa F, LPC, HPC, LPT o HPT, hay son dos parmetros de salud, a saber, parmetro de eficiencia (X) y parmetro de flujo (? X). Si un componente del motor X est en la condicin nominal, a continuacin, ambos X y? X son establece en 1, y un fallo se puede inyectar en un componente X mediante la reduccin de forma independiente los valores de los parmetros X y / o? X. Por ejemplo, F = 0,98 significa un 2% prdida relativa de la eficiencia del ventilador. En los estudios de casos que siguen en la Seccin IV, (al azar) fault magnitudes Fm se distribuyen de manera uniforme entre 1,0 a 7,0. Relaciones de los parmetros de la Salud para el HPR Ventilador, LPC, y HPC se distribuyen uniformemente entre 1.0 y 2.0, mientras que HPR para HPT y LPT son uniformemente distribuido entre 0,5 a 1,0. Las perturbaciones en la eficiencia (X) y flujo (? X) los parmetros de salud producirse a partir de sus respectivos valores de base. La relativa prdidas en los parmetros de salud se expresan como sigue: salud nominal est representado por 100% de X y X?; para defectuoso Ventilador, LPC y HPC, X es variado entre 95% y 99,5% y? X se vari entre 90% y 99,5%, para defectuoso HPT y LPT, X es variado entre 94% y 99% y? X se vari entre 93,5% y 99,5%.
IV . RESULTADOS Y DISCUSIN En esta seccin se presentan los resultados de la simulacin de simblico anlisis de series de tiempo transitoria y falla incipiente de deteccin en el banco de pruebas C- MAPSS . El objetivo aqu es demostrar cmo las fallas binarios (es decir , K = 2 en los algoritmos 1 y 2) son detectados e identificados en el una etapa temprana en las operaciones de tiempo crtico como motor gestin de la salud . Para establecer la relacin entre tiempo de deteccin y precisin en la deteccin , numerosos experimentos de simulacin se han realizado durante la Operacin de " despegue " , donde el nmero de Mach es variada 0-0,24 en 60 segundos manteniendo la altitud a la cero (es decir , el nivel del mar ) y TRA a 80 % . operaciones defectuosas en tres componentes diferentes , Ventilador , LPC y HPT , son simulado junto con la condicin ideal del motor . la Sensor de temperatura de salida HPT ( T48 ) ( que capta lafirmas de fallos anteriores en la ruta del gas ) se elige a proporcionar la respuesta transitoria . La razn de ser elegir el sensor de T48 se atribuye a la siguiente hechos fsicos : ( i ) T48 se coloca entre HPT y LPT , y (ii ) LPT est conectado mecnicamente al ventilador y LPC a travs del eje exterior . La frecuencia de muestreo de la Datos del sensor T48 es 66,7 Hz . Para el propsito de la formacin , la duracin de cada ciclo de simulacin es elegido para ser 60 segundos (es decir , una serie de tiempo de longitud ? 4000 ) y la conjunto de datos transitorios para cada clase de falla se construye concatenando 50 de estos bloques de datos de series de tiempo que se generaron de forma individual en el banco de pruebas de simulacin en condiciones de funcionamiento transitorias similares . Se observa que estos bloques de datos son estadsticamente similar pero no son idnticos . El siguiente paso es dividir los conjuntos de datos para generar respectivas cadenas de smbolos . La gama de la serie temporal se divide en intervalos de 5 ( es decir , el tamao del alfabeto | ? | = 5 ) , donde cada segmento de la particin corresponde a un smbolo diferente en el alfabeto ? . La fase de entrenamiento comienza despus de las cadenas de smbolos se obtienen para cada una de las cuatro clases , es decir , uno nominal y tres condiciones defectuosas . En esta aplicacin , basta con elegir la profundidad D = 1 [ 3 ] , lo que implica que la probabilidad de generacin de un smbolo futuro depende slo en el ltimo smbolo, y por lo tanto el conjunto de los estados es isomorfo al alfabeto de smbolos ( es decir , Q ? ? ) . Para cada clase C1 y C2 , los parmetros MN Ni se obtienen contando el nmero de veces que el smbolo? n se emite desde qm estado. La fase de prueba se inicia con una nueva serie de tiempo de una de las clases , donde se genera la secuencia de smbolos utilizando el mismo alfabeto y la particin como en la fase de entrenamiento . Despus de la ecuacin . ( 11 ) , la parte posterior probabilidad de cada clase se calcula como una funcin de la longitud del conjunto de datos de prueba. La figura 1 muestra la probabilidad posterior de cada clase en funcin de la longitud de los datos de prueba observadas . Se ve que la secuencia observada se identific correctamente a pertenecer a la clase de fallos LPC como la probabilidad posterior de la clase correspondiente se acerca a uno , mientras se aproxima a cero para cada una de las clases restantes (es decir , los otros dos fallos de componentes y la condicin nominal ) . Mediante la repeticin de la misma tcnica de clasificacin en 50 nuevas pruebas de funcionamiento de culpa LPC, se observa que un dato longitud de 500 es suficiente para detectar el error con un confianza razonable . Para otros dos fallos de componentes , la probabilidad posterior para la clase de error correcto enfoques de la unidad dentro de la longitud de datos de 50 , como se ve en la figura . 2 . La razn es que la culpa de firmas para ventilador y HPT en respuesta T48 son dominantes, aunque son incipientes. En una deteccin de fallos jerrquica y la estrategia de aislamiento , a un bajo nivel de resolucin, el objetivo es identificar el componente defectuoso (por ejemplo , Ventilador , LPC o HPT) . una vez el fallo se encuentra , el siguiente paso es cuantificar el la gravedad de la falla localizada . El transitorio simblica tcnica de deteccin de fallo se puede ampliar para clasificar diferentes niveles de fallo en los componentes individuales de un motor de turbina de gas . Para la verificacin, muestras de nominal los datos son inyectadas con una falla del ventilador de bajo nivel, donde la magnitud de fallo ( Fm) sigue un uniforme aleatorio distribucin que va de 1 a 3. Las muestras restantes de los datos nominales se inyectan con un fallo en el ventilador de alto nivel de magnitud ( Fm ) dentro de la gama de 5 a 7. En este caso , se elige el tamao del alfabeto ser | ? | = 6 a obtener una mejor separabilidad clase. La Figura 2 muestra que la probabilidad posterior de un alto satura de falla del ventilador para el valor de 1 dentro de una longitud de datos de 70 , que es equivalente a ? 1 seg . (Nota : Las oscilaciones en posterior probabilidades en la figura . 2 son debido a la aleatoriedad de los parmetros estimados para las longitudes de datos ms pequeos de 50 . Pero cuando el caso de prueba es un fallo de baja del ventilador ( ver La figura . 3 ) , la probabilidad posterior de un ventilador de alto nivel culpa sigue siendo dominante hasta los confines de longitud de datos ? 400 . Esto dara lugar a una clasificacin errnea como la probabilidad posterior de la clase verdadera alcanza 1 monotnicamente en alrededor de la longitud de datos de 1000 a , unos 15 segundos , como se ve en la figura . 3 . Este resultado est de acuerdo bien con la intuicin de que el tiempo de deteccin se incrementa con ms pequeos los niveles de fallo . Para examinar el desempeo de los transitorios simblica deteccin de fallas , una familia de caractersticas de funcionamiento del receptor ( ROC ) se construye para diferentes longitudes de datos de prueba . Un escenario clasificacin binaria se construye , que consiste en dos clases : el nominales la condicin del motor que pertenece a la clase C1 , y una defectuosa condiciones fan perteneciente a la clase C2. La formacin La longitud de datos es el mismo que el descrito en el anterior carreras de simulacin . La regla de clasificacin general en una smbolo cadena de ES es dada por donde el parmetro de umbral ? se vara para generar las curvas ROC . Para la clasificacin binaria problema que nos ocupa , una curva ROC proporciona la compromiso entre la probabilidad de deteccin de PD = Pr { decidir C2 | C2 es true} y la probabilidad de falsa alarmas de PF = Pr { decidir C2 | C1 es true} . Para cada ROC curva , ? se vari entre 0,01 y 2 con los pasos de 0.01 . Se observa que las curvas ROC rendimiento mejorado rendimiento (es decir , el movimiento hacia la esquina superior izquierda ) progresivamente a medida que la longitud de datos de ensayo se aument de Ntest = 20 a Ntest = 200 . Por lo tanto , basado en una familia de tales curvas ROC , una buena combinacin de PD y Ntest se obtiene para un PF dado.
V. RESUMEN , CONCLUSIONES Y TRABAJOS FUTUROS
Este trabajo aborda la deteccin de fallas incipientes en motores de turbina de gas de anlisis de transitorios pertinentesseries de tiempo. Probabilstico autmatas de estados finitos (EPIP ) Se han construido modelos de comportamiento del motor para la identificacin de fallos en el contexto de la dinmica simblica filtrado ( SDF ) [ 3 ] . La deteccin de fallos propuesto y el mtodo de clasificacin ha sido validada en el NASA C- MAPSS banco de pruebas de simulacin [ 6 ] para varios condiciones de funcionamiento , y se inform de la dependencia de la precisin de deteccin en la longitud de datos . El importante conclusiones del documento son los siguientes.
1 ) Ampliacin de la capacidad del SDF para manejar ( shortlength ) datos transitorios , ms all de lo que se ha hecho para conjuntos de datos cuasiestacionarios de suficiente longitud . 2 ) Uso de la distribucin Dirichlet y multinomial distribucin [ 5 ] para a priori ya posteriori modelos , respectivamente , para representar las incertidumbres que resulta de la longitud finita de cadenas de smbolos tanto en la formacin y fases de pruebas . El siguiente paso es la validacin de los algoritmos subyacentes con los datos reales de funcionamiento del motor , seguido por a bordo de la prueba. Algunos de los temas de investigacin futurae enumeran a continuacin . Comparacin con otro basado en modelos y basadas en datos mtodos de deteccin de fallas y clasificacin. Ampliacin de la deteccin de fallos y clasificacin mtodo para dar cabida a diferentes tipos de sensores la degradacin . Pruebas y validacin de la deteccin de fallos y mtodo de clasificacin en una variedad de instalaciones de prueba .
REFERENCIAS [ 1 ] G. Merrington , O. Kwon , G. Goodwin, y B. Carlsson " , Falla deteccin y diagnstico en las turbinas de gas , " J. Eng . Turbinas de Gas Poder, vol . 113 , pp 276-282 , 1991 . [ 2 ] VP Surender y R. Ganguli , "Adaptive filtro mirada de mejora de la condicin de la turbina de gas de monitoreo utilizando transitoria datos ", J. Eng . Turbinas de gas de alimentacin , vol . 127 , pp 329-339 , 2005 . [ 3 ] A. Ray, " anlisis dinmico simblica de los sistemas complejos de deteccin de anomalas , " Procesamiento de Seales, vol . 84 , no. 7 , pp 1115 - 1130, 2004 . [ 4 ] C. Rao , A. Ray , S. Sarkar, y M. Yasar , "Examen y comparativa evaluacin de filtrado dinmico simblico para la deteccin de patrones de anomalas , "Signal , Procesamiento de Imgenes y Vdeo, vol . 3 , No . 2 , pp 101-114 , 2009 . [ 5 ] S. Wilks, Estadstica Matemtica . John Wiley , Nueva York , NY , EE.UU. , 1963 . [ 6 ] DK Frederick , JA DeCastro , y JS Litt " , gua del usuario para la simulacin modular comercial sistema aero - propulsin (C- MAPSS ) ", octubre de 2007. NASA/TM2007-215026 . [ 7 ] T. Kobayashi y D. Simon , "Hybrid GeneticAlgorithm red neuronal tcnica para el diagnstico de rendimiento de motores de avin , " Diario de Propulsin y Energa , vol . 21 , no. 4 , pp 751 - 758, 2005,