用于燃气涡轮发动机的阻尼器的阻尼器状况监测的制作方法

1.本主题大体涉及用于涡轮机(例如燃气涡轮发动机)的阻尼器的阻尼器状况监测。


背景技术：

2.涡轮机的旋转部件在操作期间会经受大范围的振动负载。例如，航空燃气涡轮发动机的转子可取决于发动机的操作状况经历大范围的振动幅度和偏心率。通常，一个或多个轴承支撑转子的一个或多个轴。轴通常由轴承支撑和保持，并且振动负载由阻尼器(例如挤压膜阻尼器)控制和阻尼。在某些情况下，这种阻尼器可能会失效或以其它方式变得无效。目前，没有令人满意的方法来监测这种阻尼器的状况或健康状态。
3.因此，解决上述一个或多个挑战的阻尼器状况监测系统和方法将是有用的。


技术实现要素：

4.本发明的方面和优点将在以下描述中部分阐述，或者可以从描述中显而易见，或者可以通过本发明的实践获知。
5.在一方面，提供了一种燃气涡轮发动机。燃气涡轮发动机包括能够绕旋转轴线旋转的旋转部件、与旋转部件可操作地联接的轴承、以及与轴承相关联的阻尼器。此外，燃气涡轮发动机包括一个或多个传感器和与一个或多个传感器通信联接的控制器。控制器具有一个或多个处理器和一个或多个存储器装置。控制器的一个或多个处理器被构造为：从一个或多个传感器接收数据；至少部分地基于从一个或多个传感器接收的数据生成阻尼器严重性指数，阻尼器严重性指数指示阻尼器的健康状态；确定阻尼器严重性指数是否超过阈值；并且当阻尼器严重性指数超过阈值时，生成指示阻尼器的健康状态的通知。
6.在另一方面，提供了一种方法。该方法包括由燃气涡轮发动机的控制器从与燃气涡轮发动机相关联的一个或多个传感器接收数据；此外，该方法包括由控制器至少部分地基于从一个或多个传感器接收的数据生成阻尼器严重性指数，阻尼器严重性指数指示与轴承相关联的阻尼器的健康状态，轴承与燃气涡轮发动机的旋转部件可操作地联接。另外，该方法包括由控制器确定阻尼器严重性指数是否超过阈值。此外，该方法包括由控制器生成指示阻尼器严重性指数超过阈值的通知。
7.在进一步方面，提供了一种非暂时性计算机可读介质。非暂时性计算机可读介质包括计算机可执行指令，当计算机可执行指令由一个或多个处理器执行时，使一个或多个处理器：访问从机队的一个或多个燃气涡轮发动机接收的场数据，从一个或多个燃气涡轮发动机中的给定一个接收的场数据包括与一个或多个燃气涡轮发动机中的给定一个相关联的参数的参数值，一个或多个燃气涡轮发动机中的每一个包括阻尼器；访问使用从场数据识别的一个或多个状况指示符训练的机器学习模型，一个或多个状况指示符各自指示从场数据识别的与至少一个阻尼器的退化有关的特征；接收包括与具有阻尼器的燃气涡轮发动机相关联的参数的参数值的第二组场数据；并且使用第二组场数据作为机器学习模型的输入，生成指示燃气涡轮发动机的阻尼器的剩余使用寿命的输出。
8.在另一方面，提供了一种训练机器学习模型的方法。该方法包括由一个或多个计算装置从机队的一个或多个燃气涡轮发动机接收场数据，从一个或多个燃气涡轮发动机中的给定一个接收的场数据包括与一个或多个燃气涡轮发动机中的给定一个相关联的参数的参数值，一个或多个燃气涡轮发动机中的每一个包括阻尼器。此外，该方法包括由一个或多个计算装置从场数据识别一个或多个状况指示符，一个或多个状况指示符中的每一个指示影响与机队的一个或多个燃气涡轮发动机相关联的阻尼器的退化的参数。另外，该方法包括由一个或多个计算装置使用在场数据中识别的一个或多个状况指示符来训练机器学习模型，所训练的机器学习模型被构造为当第二组数据被输入其中时生成指示燃气涡轮发动机的阻尼器的健康状态的输出，第二组场数据包括与具有阻尼器的燃气涡轮发动机相关联的参数的参数值。
9.在又一方面，提供了一种计算系统。计算系统包括一个或多个存储器装置和一个或多个处理器。一个或多个处理器被构造为：从机队的一个或多个燃气涡轮发动机接收场数据，从一个或多个燃气涡轮发动机中的给定一个接收的场数据包括与一个或多个燃气涡轮发动机中的给定一个相关联的参数的参数值，一个或多个燃气涡轮发动机中的每一个包括阻尼器；从场数据识别一个或多个状况指示符，一个或多个状况指示符各自指示从场数据识别的影响至少一个阻尼器的退化的特征；使用一个或多个状况指示符训练机器学习模型；从机队的燃气涡轮发动机接收包括与燃气涡轮发动机相关联的参数的参数值的第二组场数据；并且使用第二组场数据作为机器学习模型的输入，生成指示燃气涡轮发动机的阻尼器的剩余使用寿命的输出。
10.参考以下描述和所附权利要求，将更好地理解本发明的这些和其他特征、方面和优点。包含在本说明书中并构成本说明书一部分的附图说明了本发明的实施例，并且与说明书一起用于解释本发明的原理。
附图说明
11.在参考附图的说明书中阐述了针对本领域普通技术人员的本发明的完整且可行的公开，包括其最佳模式，其中：
12.图1提供了根据本公开的各种实施例的示例性燃气涡轮发动机的示意横截面视图；
13.图2提供了图1的燃气涡轮发动机的轴承中的一个的特写示意图；
14.图3提供了根据本公开的示例实施例的阻尼器状况监测系统的框图；
15.图4提供了描绘根据本公开的示例实施例的绘制成时间的函数的生成的阻尼器严重性指数的图；
16.图5提供了图3的阻尼器状况监测系统的计算系统的框图；
17.图6提供了描绘在阻尼器的健康操作期间作为频率的函数的参数的健康信号的幅度的图，并且还描绘了在阻尼器的故障操作期间作为频率的函数的参数的故障操作信号的幅度；
18.图7提供了根据本公开的示例实施例的第一机器学习模型的简化流程图；
19.图8提供了根据本公开的示例实施例的第二机器学习模型的简化流程图；
20.图9提供了根据本公开的示例实施例的第三机器学习模型的简化流程图；
21.图10提供了根据本公开的示例实施例的第四机器学习模型的简化流程图；和
22.图11提供了根据本公开的示例实施例的用于监测燃气涡轮发动机的阻尼器的健康状态的方法的流程图。
具体实施方式
23.现在将详细参考本发明的当前实施例，其一个或多个示例在附图中示出。提供每个示例是为了解释本发明，而不是对本发明的限制。事实上，对本领域技术人员来说显而易见的是，在不脱离本发明的范围或精神的情况下，可以对本发明进行修改和变化。例如，作为一个实施例的一部分示出或描述的特征可用于另一实施例以产生又一实施例。因此，本发明旨在涵盖落入任何权利要求及其等同物的范围内的此类修改和变化。
24.详细描述使用数字和字母标号来指代附图中的特征。附图和描述中相同或相似的标号用于指代本发明相同或相似的部分，并且在整个附图中相同的数字表示相同的元件。如本文所用，术语“第一”、“第二”和“第三”可互换使用以将一个部件与另一个部件区分开，并且不旨在表示各个部件的位置或相对重要性。术语“上游”和“下游”是指相对于流体路径中的流体流动的相对方向。例如，“上游”是指流体从其流动的方向，“下游”是指流体向其流动的方向。
25.如本文在整个说明书和权利要求书中所使用的，近似语言被用于修饰可以允许变化而不会导致与其相关的基本功能发生变化的任何定量表示。因此，由诸如“约”、“大约”和“基本上”的术语修饰的值不限于指定的精确值。在至少一些情况下，近似语言可以对应于用于测量值的仪器的精度，或者用于构造或制造部件和/或系统的方法或机器的精度。例如，近似语言可以指在单个值、值的范围和/或限定值的范围的端点的1％、2％、4％、5％、10％、15％或20％的裕度内。
26.本公开的方面涉及涡轮机(例如燃气涡轮发动机)的阻尼器的阻尼器状况监测。一方面，提供了燃气涡轮发动机，其包括用于监测其阻尼器的状况或健康状态的特征。例如，燃气涡轮发动机可以是安装到飞行器的航空燃气涡轮发动机。燃气涡轮发动机包括可绕旋转轴线旋转的旋转部件。例如，旋转部件可以是燃气涡轮发动机的低压或高压轴。轴承与旋转部件可操作地联接以向其提供支撑。提供与轴承相关联的阻尼器以阻尼旋转部件的振动。燃气涡轮发动机还可以包括一个或多个传感器和与该一个或多个传感器通信联接的控制器。控制器具有一个或多个处理器和一个或多个存储器装置，例如一个或多个非暂时性存储器装置。
27.控制器的一个或多个处理器被构造为从一个或多个传感器接收数据。在一些实施例中，也可以接收运载器数据。控制器的一个或多个处理器被构造为至少部分地基于所接收的数据生成阻尼器严重性指数。阻尼器严重性指数指示阻尼器的健康状态。阻尼器严重性指数可以基于从数据导出的多个参数值生成；因此，参数值可以是感测值或计算值。可以将权重应用于参数值，使得参数值是加权参数值。加权参数值可用于生成加权平均或加权参数值的任何其他统计组合，从而呈现阻尼器严重性指数。在一些实施例中，统计或机器学习模型可以生成阻尼器严重性指数。控制器的一个或多个处理器还被构造为确定阻尼器严重度指数是否超过阈值，并且当阻尼器严重度指数超过阈值时，可以生成指示阻尼器的健康状态的通知。在一些实施例中，可以确定阻尼器的健康状态的严重性并将其包括在通知
中。通知可以提供给一个或多个实体，例如发动机服务实体。基于通知，发动机服务实体可以安排燃气涡轮发动机的服务访问。
28.在另一方面，提供了状况监测系统的计算系统。通常，计算系统从机队的燃气涡轮发动机接收场(field)数据，使用所接收的场数据来识别状况指示符，该状况指示符指示从场数据识别的影响与机队的发动机相关联的阻尼器退化的特征。可以使用所接收的场数据和所识别的状况指示符来训练和/或重新训练一个或多个模型，从而呈现一个或多个机器学习模型。机器学习模型中的一个可以使用新的场数据作为机器学习模型的输入来生成指示燃气涡轮发动机的阻尼器的剩余使用寿命的输出。机器学习模型中的一个可以使用新的场数据作为机器学习模型的输入来生成指示燃气涡轮发动机的阻尼器的故障类型的输出。机器学习模型中的一个可以使用新的场数据作为机器学习模型的输入来生成指示场数据异常的输出。
29.在一些实施例中，计算系统使用机器学习模型(诸如分类机器学习模型)可以识别冲击或影响阻尼器健康的参数。可以确定每个参数影响阻尼器退化的程度。机器学习模型可以根据对阻尼器退化的影响程度将参数进行分类和排序。因此，更新数据可以由计算系统生成。更新数据可以包括要在阻尼器严重性指数生成期间应用于参数的更新权重。以此方式，计算系统可以生成并向发动机的控制器提供自演化阻尼器预测健康管理(phm)逻辑。以这种方式，由控制器生成的阻尼器严重性指数的准确性可以随着时间变得更加准确，这改进了燃气涡轮发动机的阻尼器的整体监测。更新数据可以提供给机队中的所有发动机。例如，当发动机在地面上或访问维护、修理和大修(mro)车间时，可以将更新数据提供给机队的发动机。还提供了监测燃气涡轮发动机的阻尼器的状况或健康状态的方法。
30.现在参考附图，图1提供了体现为用于飞行器的燃气涡轮发动机的涡轮机的示意横截面视图。对于图1的实施例，燃气涡轮发动机是高旁通涡轮风扇喷气发动机10，在本文中称为“涡轮风扇发动机10”。涡轮风扇发动机10限定轴向方向a(平行于纵向中心线12延伸)和垂直于轴向方向a的径向方向r。涡轮风扇发动机10还限定围绕纵向中心线12延伸三百六十度(360
°
)的周向方向c。
31.涡轮风扇发动机10包括风扇区段14和设置在风扇区段14下游的核心涡轮发动机16。核心涡轮发动机16包括限定环形核心入口20的基本上管状外壳18。如图1示意性所示，外壳18以串行流动关系包围：压缩机区段，其包括增压或低压(lp)压缩机22，下游跟随有高压(hp)压缩机24；燃烧区段26；涡轮区段，其包括hp涡轮28，下游跟随有lp涡轮30；以及喷射排气喷嘴区段32。压缩机区段、燃烧区段26、涡轮区段和喷嘴区段32一起限定核心空气流动路径。hp轴或线轴34将hp涡轮28驱动地连接到hp压缩机24，以使它们相对于纵向中心线12同心地一致旋转。lp轴或线轴36将lp涡轮30驱动地连接到lp压缩机22，以使它们相对于纵向中心线12同心地一致旋转。因此，lp轴36和hp轴34均是在涡轮风扇发动机10的操作期间绕轴向方向a旋转的旋转部件。
32.为了支撑这样的旋转部件，涡轮风扇发动机10包括附接到涡轮风扇发动机10内的各种静态结构部件的多个轴承80。具体地，对于图1所示的实施例，轴承80支撑并促进例如lp轴36和hp轴34的旋转。此外，如本文将描述的，轴承80可以包括一个或多个阻尼器或与一个或多个阻尼器相关联，该一个或多个阻尼器可操作以阻尼在涡轮风扇发动机10的操作期间赋予轴承80的振动能量。尽管轴承80被描述和图示为通常位于相应lp轴36和hp轴34的前
端和后端，但是轴承80可以附加地或替代地位于沿着lp轴36和hp轴34的任何期望位置处，包括但不限于轴34、36的中心或中跨区域，或沿轴34、36的其他位置。
33.风扇区段14包括风扇38，风扇38具有以间隔开的方式联接到盘42的多个风扇叶片40。风扇叶片40沿径向方向r从盘42向外延伸。风扇叶片40和盘42一起可绕纵向轴线12旋转。盘42被可旋转的旋转器48覆盖，旋转器48在空气动力学上成形为促进气流通过多个风扇叶片40。此外，风扇区段14包括环形风扇壳体或外机舱50，其周向围绕风扇38和/或核心涡轮发动机16的至少一部分。机舱50由多个周向间隔开的出口导向轮叶52相对于核心涡轮发动机16被支撑。替代地，机舱50也可以由结构风扇框架的支柱支撑。此外，机舱50的下游区段54可在核心涡轮发动机16的外部分上延伸，以在其间限定旁通气流通道56。
34.在涡轮风扇发动机10的操作期间，一定量空气58通过机舱50和/或风扇区段14的相关入口60进入涡轮风扇发动机10。当一定量空气58穿过风扇叶片40时，如箭头62指示的空气58的第一部分被引导或导向到旁通气流通道56，并且如箭头64指示的空气58的第二部分被引导或导向到核心空气流动路径的上游区段，或更具体地被引导或导向到lp压缩机22的环形核心入口20。第二部分空气64的压力然后随着其被导向通过高压(hp)压缩机24而增加。高压空气64然后被排放到燃烧区段26中，在燃烧区段26中空气64与燃料混合并燃烧以提供燃烧气体66。
35.燃烧气体66被引导到hp涡轮28中并通过hp涡轮28膨胀，其中来自燃烧气体66的一部分热能和/或动能经由联接到外壳18的hp涡轮定子轮叶68和联接到hp轴或线轴34的hp涡轮转子叶片70的连续级提取，因此使hp轴或线轴34旋转，从而支持hp压缩机24的操作。燃烧气体66然后向下游流入lp涡轮30并通过lp涡轮30膨胀，其中经由联接到外壳18的lp涡轮定子轮叶72和联接到lp轴或线轴36的lp涡轮转子叶片74的连续级从燃烧气体66提取第二部分热能和动能，因此使lp轴或线轴36旋转，从而支持lp压缩机22的操作和风扇38的旋转。
36.燃烧气体66随后被导向通过核心涡轮发动机16的喷射排气喷嘴区段32以提供推进推力。同时，随着第一部分空气62在从涡轮风扇发动机10的风扇喷嘴排气区段76排出之前被导向通过旁通气流通道56，第一部分空气62的压力显著增加，也提供推进推力。hp涡轮28、lp涡轮30和喷射排气喷嘴区段32至少部分地限定热气路径78，用于引导燃烧气体66通过核心涡轮发动机16。
37.应当理解，图1中描绘的示例性涡轮风扇发动机10仅作为示例，并且在其他示例性实施例中，涡轮风扇发动机10可以具有任何其他合适的构造。例如，在其他示例性实施例中，风扇38可以以任何其他合适的方式构造(例如，作为可变螺距风扇)，并且还可以使用任何其他合适的风扇框架构造来支撑。此外，还应当理解，在其他示例性实施例中，可以使用任何其他合适的hp压缩机24和hp涡轮28构造。还应当理解，在其他示例性实施例中，本公开的方面可以并入任何其他合适的燃气涡轮发动机。例如，本公开的方面可以并入例如涡轮轴发动机、涡轮螺旋桨发动机、涡轮喷气发动机等。此外，在其他实施例中，本公开的方面可以并入任何其他合适的涡轮机，包括但不限于蒸汽涡轮、离心压缩机和/或涡轮增压器。
38.图2提供了图1的涡轮风扇发动机10的轴承80中的一个的特写示意图。如图2所示，轴承80与可绕旋转轴线旋转的旋转部件可操作地联接。对于该实施例，旋转部件是lp轴36并且旋转轴线是纵向中心线12。lp轴36由可操作地联接到其的轴承80支撑。
39.轴承80包括连接到lp轴36的内圈82、连接到涡轮风扇发动机10(图1)的静态结构
或静止部件98的外圈84、以及定位在内圈82和外圈84之间的轴承元件86(在图2中仅示出一个)。内圈82相对于纵向中心线12沿径向方向r定位在外圈84的内侧。例如，轴承元件86可以是球形球或其他合适的轴承元件。
40.值得注意的是，轴承80具有限定室92的相关联阻尼器90。对于该实施例，阻尼器90是挤压膜阻尼器。在一些实施例中，阻尼器90可以与外圈84或轴承80的一些其他结构一体地形成。在其他实施例中，阻尼器90可以是与轴承80分开的部件，并且可以连接到外圈84或轴承80的一些其他结构。对于图2所示的实施例，阻尼器90与外圈84一体地形成。工作流体wf(例如，油)可以被引导到与轴承80相关联的阻尼器90的室92中。阻尼器90提供的阻尼响应或刚度可以通过控制引导至室92和/或从室92排出的工作流体wf的体积而改变。以此方式，阻尼器90的阻尼响应可通过改变流入或流出室92的工作流体wf的体积流率来控制。附加地或替代地，可以通过改变工作流体wf的压力和/或温度来控制由阻尼器90提供的阻尼响应。以这种方式，阻尼器90可以阻尼振动负载并且为轴36和与其连接的部件提供转子稳定性，以用于宽范围的操作条件。
41.应当理解，图1的涡轮风扇发动机10的其他轴承80同样可以具有相关联的阻尼器。例如，与lp轴36可操作地联接的每个轴承80可具有相关联的阻尼器。此外，与hp轴34可操作地联接的每个轴承80可具有相关联的阻尼器。另外，涡轮风扇发动机10的其他轴承可以各自具有相关联的阻尼器。例如，与其各自的轴承相关联的阻尼器可以是挤压膜阻尼器。阻尼器可以与它们各自的轴承成一体或连接到它们各自的轴承。阻尼器可以以与阻尼器90相对于图2中所示的轴承80的布置相同或相似的方式布置。
42.图3提供了根据本公开的示例实施例的阻尼器状况监测系统100的框图。通常，阻尼器状况监测系统100可用于监测阻尼器的状况或健康状态。例如，阻尼器状况监测系统100可用于监测与图2的轴承80相关联的阻尼器90的状况或健康状态。
43.如图3所示，系统100包括涡轮机，其在该实施例中是燃气涡轮发动机110。例如，燃气涡轮发动机110可以是图1的涡轮风扇发动机10。燃气涡轮发动机110包括一个或多个传感器120。特别地，对于该实施例，燃气涡轮发动机110包括多个传感器，包括第一传感器120a、第二传感器120b、第三传感器120c，以此类推，直到第n传感器120n。燃气涡轮发动机110可包括任何合适数量的传感器。传感器120可以定位在燃气涡轮发动机110上的任何合适的位置，并且可以各自测量或感测各种参数的值。例如，第一传感器120a可以是温度传感器，其被构造为例如在hp涡轮和lp涡轮之间感测沿着热气路径的站处的温度。第二传感器120b可以是压力传感器，其被构造为感测从hp压缩机排出的加压空气的压力。第三传感器120c可以是振动传感器，其可操作以测量与燃气涡轮发动机110的轴相关联的振动。
44.燃气涡轮发动机110包括控制器140。例如，控制器140可以是作为全权限数字发动机控制(fadec)系统的部件的电子发动机控制器(eec)。控制器140可以包括一个或多个处理器142和一个或多个存储器装置144。一个或多个存储器装置144可以存储信息，例如指令和数据。指令可以包括可执行的fadec逻辑146。fadec逻辑146可由一个或多个处理器访问和执行。对于该实施例，fadec逻辑146包括阻尼器健康部件148。当一个或多个处理器执行fadec逻辑146的阻尼器健康部件148时，控制器140可以监测燃气涡轮发动机110的阻尼器的状况或健康状态。
45.特别地，如图3所示，控制器140从一个或多个传感器120接收数据130。提供给控制
器140的数据130可以包括各种参数的感测值。在一些实施例中，数据130中提供的感测值可用于计算其他参数(例如排气温度(egt)、燃气涡轮发动机110的效率、转子模式、失速裕度等)的值。因此，一个或多个处理器142被构造为计算一个或多个计算参数的值。在一些实施例中，控制器140还可以接收运载器数据138。运载器数据138可以包括与安装有燃气涡轮发动机110的运载器相关联的感测和/或计算值。例如，在安装有燃气涡轮发动机110的运载器是飞行器的实施例中，运载器数据138可以包括但不限于与飞行器相关联的感测和/或计算的参数值，例如飞行阶段、惯性位置、地速、惯性航向、推力、阻力、升力、重量、水平风速、风向、静压和温度、飞行意图参数等。
46.当fadec逻辑146的阻尼器健康部件148由一个或多个处理器142执行时，在阻尼器严重性指数生成器块152处，一个或多个处理器142可以至少部分地基于从一个或多个传感器120接收的数据130生成阻尼器严重性指数150。阻尼器严重性指数150指示燃气涡轮发动机110的阻尼器的健康状态。因此，阻尼器严重性指数150可用于监测阻尼器的健康状态。
47.阻尼器严重性指数150可以使用从从一个或多个传感器120接收的数据130导出的参数值生成。从数据130导出的参数值可以包括由一个或多个传感器120感测的感测参数值和/或至少部分地基于由一个或多个传感器120感测的感测参数值计算的计算参数值。值得注意的是，阻尼器严重性指数150可以使用与燃气涡轮发动机110相关联的宽范围参数的参数值来生成，宽范围参数包括但不限于与弓形转子启动相关联的参数；与燃气涡轮发动机110的一个或多个旋转部件(例如，联接有与阻尼器相关联的轴承的轴)的非同步振动(nsv)相关联的参数；与模式跟踪和燃气涡轮发动机110的一个或多个操作范围中的旋转部件的响应相关联的参数；与油流量、温度和压力相关联的参数；与轴承元件通过频率相关联的参数；与各种操作模式下转子-定子间隙相关联的参数；与燃气涡轮发动机110的各个部件上的振动、速度、应力(strain)和力相关联的参数；与沿着燃气涡轮发动机110的核心空气流动路径的特定站处的压力和温度波动相关联的参数；与转子转矩相关联的参数；以及其他操作参数，例如lp轴的转子速度、hp轴的转子速度以及其他温度和压力。
48.此外，在一些实施例中，当fadec逻辑146的阻尼器健康部件148由一个或多个处理器142执行时，在阻尼器严重性指数生成器块152处，一个或多个处理器142可以至少部分地基于从一个或多个传感器120接收的数据130并且至少部分地基于从安装有燃气涡轮发动机110的运载器接收的运载器数据138生成阻尼器严重性指数150。运载器数据138可以包括感测和/或计算的参数值。
49.在一些示例实施例中，阻尼器严重性指数150被生成或计算为参数集合的统计组合，例如参数集合的加权平均。例如，如图3所示，每个参数可以具有相关联的权重。具体地，第一参数p1具有相关联的第一权重w1，第二参数p2具有相关联的第二权重w2，第三参数p3具有相关联的第三权重w3，以此类推，使得第n参数具有相关联的第n权重。权重可以指示给定参数在计算阻尼器严重性指数150中的相对重要性。可以将权重应用于它们各自的感测和/或计算的参数值，并且可以对所得加权值求平均以确定阻尼器严重性指数150。分配的权重可以是任何合适的值，包括具有值一(1)的权重，从而不会赋予参数值任何权重，以及具有值零(0)的权重，从而在阻尼器严重性指数150计算中不考虑该参数值。
50.在一些实施例中，阻尼器严重性指数150由一个或多个处理器142通过执行或应用如图3所示的一个或多个统计或机器学习模型180来生成或计算。一个或多个存储器装置
144可以存储一个或多个统计或机器学习模型180，并且一个或多个处理器142可以访问和应用它们。在一些实施例中，一个或多个统计或机器学习模型180可以是一个或多个分类机器学习模型，例如决策树模型、支持向量机模型、具有注意层的递归神经网络(rnn)，随机森林模型，其他集成模型等。然而，通常，机器学习模型180可以使用任何合适的机器学习技术来生成阻尼器严重性指数150，包括构造为贝叶斯图模型、线性判别分析模型、偏最小二乘判别分析模型、支持向量机模型、随机树模型、回归模型、朴素贝叶斯模型、k-最近邻模型、二次判别分析模型、异常检测模型、boosted and bagged决策树模型、人工神经网络模型、c4.5模型、k-means模型、或前述模型中的一个或多个的组合的机器和/或统计学习模型。还设想了其他合适类型的机器或统计学习模型。还应当理解，机器学习模型180可以单独使用某些数学方法或与一个或多个机器或统计学习模型结合使用以生成阻尼器严重性指数150，或更一般地，指示燃气涡轮发动机的阻尼器的健康状态的输出。
51.可以使用任何合适的技术来构造一个或多个机器学习模型180。例如，可以使用一种或多种机器学习算法来构建或构造一个或多个机器学习模型180，使得机器学习模型180可以在没有被明确编程来这样做的情况下做出预测或决定。例如，一个或多个统计和/或机器学习模型180可以使用合适的指导的、监督的、无监督的和/或强化学习技术、或前述技术的某种组合来构造或训练。就这一点而言，构造的一个或多个机器学习模型180可以是监督模型、无监督模型和/或半监督模型。
52.作为一个示例，可以用以下示例方式训练一个或多个机器学习模型180。为了训练机器学习模型180以准确地输出阻尼器的健康状态的指示符，计算系统的一个或多个处理器可以接收或以其他方式获得训练数据，例如来自机队的燃气涡轮发动机的场数据。每个燃气涡轮发动机可包括阻尼器，例如与轴承相关联的挤压膜阻尼器。训练数据可以包括各种参数的参数值。参数值可以指示在机队的给定燃气涡轮发动机的操作期间存在的操作状况。从场数据中，可以识别或提取一个或多个状况指示符。在一些实施例中，可以使用一种或多种机器学习算法从场数据中识别状况指示符。状况指示符各自指示影响与机队的一个或多个燃气涡轮发动机相关联的阻尼器的退化的特征或参数。然后可以使用在场数据中识别的一个或多个状况指示符来训练一个或多个机器学习模型180。一个或多个训练的机器学习模型180因此可以被构造为在新的或第二组数据被输入其中时生成指示燃气涡轮发动机的阻尼器的健康状态的输出，第二组场数据包括与具有阻尼器的燃气涡轮发动机相关联的参数的参数值。就此而言，一个或多个机器学习模型180可以智能且准确地预测燃气涡轮发动机的阻尼器的健康状态。
53.特别地，一个或多个统计或机器学习模型180可以以它们将权重应用于输入其中的参数值的方式来训练。权重可以是机器学习权重，其可以指示给定特征或参数在计算阻尼器严重性指数150中的相对重要性。如本文将进一步详细解释的，一个或多个分类机器学习模型180可以通过由计算系统200提供的更新数据136周期性地更新和/或再训练。更新数据136可以包括更新的fadec逻辑和/或更新的模型，它们可以用于更新fadec逻辑146(特别是fadec逻辑146的阻尼器健康部件148)和/或一个或多个统计或机器学习模型180。作为一个示例，更新数据136可以包括要分配给用于生成阻尼器严重性指数150的一些或所有参数的更新权重。此外，更新数据136可以包括可用于更新逻辑块154的阈值的数据。
54.此外，当fadec逻辑146的阻尼器健康部件148由一个或多个处理器142执行时，在
逻辑块154处，一个或多个处理器142可以确定阻尼器严重性指数150是否超过阈值。例如，可以使用历史场数据生成阈值。也可以根据如上所述接收的更新数据136来更新阈值。阻尼器严重性指数150可以是计算值(例如，加权平均值)并且阈值同样可以是值。可以将与阻尼器严重性指数150相关联的值和与阈值相关联的值进行比较，以确定阻尼器严重性指数150是否超过阈值。
55.当在框154确定阻尼器严重性指数150没有超过阈值时，一个或多个处理器142可以使场数据132存储在一个或多个存储器装置144中。场数据132可以包括计算的阻尼器严重性指数150、用于计算阻尼器严重性指数150的参数值和权重以及其他信息。阻尼器严重性指数150以及用于计算阻尼器严重性指数150的参数值和权重可以在每次生成阻尼器严重性指数时存储为场数据132。以这种方式，例如，生成的阻尼器严重性指数150可以绘制在将阻尼器严重性指数描绘为时间的函数的图上。
56.当在框154确定阻尼器严重性指数150超过阈值时，一个或多个处理器142可以确定阻尼器的健康状态已经降级到不可接受或不令人满意的状态，并且因此，一个或多个处理器142可以继续通知一个或多个实体关于阻尼器的健康状态。具体地，在通知生成器块158处，当阻尼器严重性指数150超过阈值时，一个或多个处理器142可以生成指示阻尼器严重性指数150超过阈值的通知160。因此，生成的通知160可以指示阻尼器的健康状态。在一些实施例中，可选地，可以包括过去生成的阻尼器严重性指数的场数据132可以用于生成通知160。以这种方式，通知160可以包括过去生成的阻尼器严重性指数，并且因此，通知160可以相对于过去生成的阻尼器严重性指数显示当前的阻尼器严重性指数150。这样，通知160可以指示阻尼器的健康状态的趋势。
57.可选地，当在块154确定阻尼器严重性指数150超过阈值时，在严重性生成器块156处，一个或多个处理器142可以至少部分地基于阻尼器严重性指数150，并且更具体地至少部分地基于阻尼器严重性指数150偏离阈值的程度来确定阻尼器的健康状态的严重性。例如，阻尼器严重性指数150偏离阈值越大，阻尼器的健康状况越严重或越不可接受。相反，阻尼器严重性指数150偏离阈值越小，阻尼器的健康状况越不严重或越可接受。例如，可以使用滑动评分系统。例如，可以至少部分地基于所生成的阻尼器严重性指数150与阈值之间的偏离，将严重性分数分配给阻尼器。阻尼器的健康状态的严重性可以被路由到通知生成器块158，使得生成的通知160可以包括阻尼器的健康状态的严重性，例如其严重性评分。
58.此外，在一些实施例中，可以向严重性生成器块156提供场数据132。可以包括过去生成的阻尼器严重性指数的场数据132可以用于确定阻尼器的健康状态的严重性。例如，现在参考图3和图4，图4提供了描绘作为时间的函数绘制的生成的阻尼器严重性指数的图。在一些实施例中，当在框154确定当前阻尼器严重性指数150超过阈值170时，严重性生成器156可以确定预定数量的生成的阻尼器严重性指数是否已经在预定时间间隔内超过阈值170。
59.例如，如图4所示，对于从时间t5跨越到时间t6的时间间隔，预定数量的生成的阻尼器严重性指数已经超过阈值170，因此，根据该确定为阻尼器分配健康状态并且该确定可以包括在通知生成器块158处生成的通知160中。这样的确定可以指示阻尼器已经退化超过可接受水平并且需要立即采取纠正措施(例如，更换阻尼器)。当确定预定数量的生成的阻尼器严重性指数在给定时间间隔内没有超过阈值170时，即使至少一个阻尼器严重性指数
已经超过阈值170，例如跨越在时间t4和t5之间的间隔，则根据该确定为阻尼器分配健康状态并且该确定可以包括在通知生成器块158处生成的通知160中。这种确定可以指示阻尼器已经退化到需要在不久的将来采取纠正措施(例如，更换阻尼器)的水平或状态。因此，可以响应这样的通知160来安排服务访问。此外，在一些实施例中，阻尼器严重性指数150可以与临界阈值172进行比较。如果阻尼器严重性指数150已经超过临界阈值172，则通知160可以包括通知160的高重要性并且可以指示燃气涡轮发动机110在采取纠正措施之前不应操作。
60.生成的通知160可以存储在一个或多个存储器装置144中和/或从控制器140输出。例如，通知160可以路由到定位在安装有燃气涡轮发动机110的飞行器上的通信单元。通信单元然后可以将通知160传输到一个或多个实体，例如飞行器和/或发动机服务实体。此外，通知160可以存储在存储器装置144中，例如，以便可以在以后访问通知160。
61.如图3中进一步所示，系统100包括计算系统200。计算系统200可以是远离控制器140定位的远程计算系统。例如，计算系统200可以位于地面上、安装有燃气涡轮发动机110的飞行器上但与控制器140间隔开、另一运载器上、或任何其他合适的位置。通常，计算系统200被操作地构造为接收与燃气涡轮发动机110相关联的数据以及与燃气涡轮发动机110是其一部分的机队的其他燃气涡轮发动机相关联的数据，并且基于所接收的数据，计算系统被操作地构造为执行数据趋势分析、呈现剩余寿命预测、执行故障识别和主动工作范围任务，并识别比其他参数更影响阻尼器健康的参数，并且在此过程中，基于所识别的参数生成更新的fadec控制逻辑。例如，更新的fadec控制逻辑可以包括更新的权重，以在生成阻尼器严重性指数时应用于这种识别的参数。
62.现在参考图3和5，图5提供了图3的系统100的计算系统200的框图。计算系统200可以包括一个或多个处理器204和一个或多个存储器装置206。一个或多个处理器204和一个或多个存储器装置可以体现在一个或多个计算装置202中。一个或多个处理器204可以包括或者可以是任何合适的处理装置，例如微处理器、微控制器、集成电路、逻辑装置或其他合适的处理装置。一个或多个存储器装置206可以包括一个或多个计算机可读介质，包括但不限于非暂时性计算机可读介质或媒介、ram、rom、硬盘驱动器、闪存驱动器和其他存储器装置，例如一个或多个缓冲装置。
63.一个或多个存储器装置206可以存储可由一个或多个处理器204访问的信息，包括可由一个或多个处理器204执行的计算机可读指令208。指令208可以是当由一个或多个处理器执行时使一个或多个处理器204进行操作的任何指令集。指令208可以是用任何合适的编程语言编写的软件或者可以用硬件实施。存储器装置206还可以存储可由处理器204访问的数据210。例如，数据210可以包括接收的场数据132、接收的机队场数据134等。根据本公开的示例实施例，数据210可以包括一个或多个表、函数、算法、模型、方程等。
64.此外，在一些实施例中，数据210可以包括与运输之前和之后的发动机相关联的信息。作为一个示例，数据210可以包括在发动机组装之后但在发动机运输之前与发动机的振动水平相关联的信息，以及在发动机已经被运输到例如机身制造商之后与发动机的振动水平相关联的信息。可以计算发动机以及机队的其他发动机在运输之前和之后的振动水平的差异。除了其他用途之外，这些计算的差异可用于识别与阻尼器相关联的故障类型。例如，如果同一系列的两台发动机累积了相似的循环次数并且具有不同的阻尼器严重性指数，则与该系列发动机相关联的计算差异可用于故障识别。此外，此类差异可用于训练和/或用于
输入以下提到的一个或多个机器学习模型。
65.值得注意的是，数据210可以包括一个或多个机器学习模型220。在一些实施例中，一个或多个机器学习模型220可以是分类模型，例如决策树模型、支持向量机模型、具有注意层的rnn、随机森林模型、其他集成模型等。一个或多个机器学习模型220可以使用场数据132、机队场数据134和/或其他训练数据(例如本文将进一步解释的状况指示符)来训练。当接收到新的场数据132和/或机队场数据134时，可以重新训练一个或多个机器学习模型220。
66.机器学习模型220可以包括第一机器学习模型222、第二机器学习模型224、第三机器学习模型226、第四机器学习模型228，以及其他。在一些实施例中，第一机器学习模型222可用于预测阻尼器的剩余使用寿命。在一些实施例中，可以利用第二机器学习模型224来识别与阻尼器相关联的故障类型，这可以提供对阻尼器退化的根本原因的洞察。已知的阻尼器故障类型可用于工作范围的目的，例如，为发动机的特定部件安排维护。在一些实施例中，可以利用第三机器学习模型226来检测所接收的场数据中的异常。出于多种原因，此类异常的检测可能是有用的。此外，第四机器学习模型228可用于识别影响阻尼器的健康状态的参数。
67.第四机器学习模型228可用于对参数进行分类。例如，第四机器学习模型228可用于通过参数例如相对于其他参数影响阻尼器退化的程度来对该参数进行分类。以这种方式，第四机器学习模型228可以至少部分地基于参数对阻尼器退化的影响对参数或所确定的类别进行排序。值得注意的是，与机队的它们各自的发动机相关联的控制器可以用fadec逻辑进行更新，该fadec逻辑包括可以分配给它们各自参数的新的或更新的权重。权重可以至少部分地基于由第四机器学习模型228确定的它们的相关联参数的类别或排序(rank)来更新。新的或更新的权重可用于生成未来的阻尼器严重性指数。以这种方式，由控制器生成的阻尼器严重性指数的准确性可以随着时间变得更加准确，这改进了燃气涡轮发动机的阻尼器的整体监测。
68.计算系统200还可以包括用于例如与系统100的其他部件或其他系统或装置进行通信的通信接口212。通信接口212可以包括用于与一个或多个网络接口的任何合适的部件，包括例如发射器、接收器、端口、控制器、天线或其他合适的部件。此外，在一些实施例中，通信接口212可用于警告发动机操作实体(例如客机)阻尼器的剩余使用寿命和/或与阻尼器相关联的其他信息。作为一个示例，如果已经从场数据132中识别出故障，但是阻尼器严重性指数150仍然低于阈值，则阻尼器可能比预测的更快地开始恶化。在这种情况下，可以将阻尼器的新剩余使用寿命(rul)连同故障类型一起通信给发动机操作实体。
69.参考图3和图5，计算系统200的一个或多个处理器204可以从机队的一个或多个燃气涡轮发动机接收场数据。即，计算系统200可以从机队的一个、一些或所有燃气涡轮发动机接收场数据。以此方式，计算系统200可接收机队场数据134，其可以包括与燃气涡轮发动机110相关联的场数据132。从机队的燃气涡轮发动机中的给定一个接收的场数据可以包括与给定燃气涡轮发动机相关联的参数的参数值。从机队的燃气涡轮发动机接收的场数据还可以包括计算的阻尼器严重性指数、用于计算阻尼器严重性指数的参数值和权重、以及其他信息。场数据还可以包括生成的通知160和/或存储在控制器140的一个或多个存储器装置144中的过去的通知。提供它们各自的场数据的每个燃气涡轮发动机都可以包括阻尼器，
例如与可操作地联接旋转部件的轴承相关联的挤压膜阻尼器。例如，机队可以由通常类似的发动机、安装到特定飞行器的发动机或所有发动机型号相同的发动机组成。
70.在一些实施例中，可以包括场数据132和/或机队场数据134的所收集的场数据可以代表在它们各自的燃气涡轮发动机的不同操作状况下的健康和故障操作。可以建立给定阻尼器的数学模型。该模型可由一个或多个处理器204实施以估计或预测参数值。然后可以在不同的操作状况下用不同的故障状态对模型进行模拟，以生成故障数据或阻尼器故障特征。模型输出的数据(也称为合成数据)可用于补充实际传感器数据。合成数据和传感器数据的组合可用于开发预测性维护模型。
71.对于所收集的数据，该数据可以包括来自场数据132和/或机队场数据134的实际传感器数据以及合成数据，计算系统200的一个或多个处理器204可以处理该数据。例如，可以将数据转换为可以轻松从其中提取状况指示符的形式。例如，一种或多种预处理技术可用于去除噪声、异常值和缺失值。此外，在一些实施例中，可以使用一种或多种预处理技术来揭示在数据的原始形式中可能不明显的附加信息。例如，预处理数据可以包括将时域数据转换为频域数据。
72.计算系统200的一个或多个处理器204可以从场数据中识别或提取一个或多个状况指示符。一个或多个状况指示符可以各自指示影响与机队的发动机相关联的阻尼器的退化的从场数据识别的特征。在一些实施例中，一个或多个识别的状况指示符可以是当阻尼器退化时每个都以可预测的方式改变的特征。例如，此类特征或参数可用于区分健康和故障阻尼器操作。
73.作为一个示例，图6提供了描绘在阻尼器的健康操作期间作为频率的函数的参数的健康信号h的幅度的图。此外，图6还描绘了在阻尼器的故障操作期间作为频率的函数的参数的故障操作信号f的幅度。如图所示，故障操作信号f中的峰值左移或出现在比健康操作信号h更低的频率处。特别地，故障操作信号f的第一峰值相对于健康操作信号的第一峰值左移频率f1。类似地，故障操作信号f的第二峰值相对于健康操作信号的第二峰值左移频率f2。值得注意的是，阻尼器退化得越多，故障操作信号f相对于健康信号h的对应峰值在峰值处的左移就越多。峰值频率及其相关性可以作为状况指示符。应当理解，健康和故障信号的峰值频率之间的相关性只是一种示例方式，其中可以从场数据中识别或提取状况指示符。也可以从场数据中提取其他合适的相关性或特征。
74.现在参考图3、5和7，在一些实施例中，计算系统200的一个或多个处理器204可以使用一个或多个识别的状况指示符230来训练第一模型，以呈现第一机器学习模型222。状况指示符230可用于调整应用于第一机器学习模型222的输入的权重或加权函数。第一机器学习模型222可以是分类模型，例如但不限于决策树模型、支持向量机模型、具有注意层的rnn、随机森林模型、其他集成模型等。随着第一机器学习模型222被训练，计算系统200的一个或多个处理器204可以从机队的燃气涡轮发动机接收新的或第二组场数据。新的或第二组场数据可以包括与燃气涡轮发动机相关联的参数的参数值。参数值可以从发动机传感器和/或运载器数据导出并且可以是感测和/或计算值。计算系统200的一个或多个处理器204可以使用第二组现场数据作为第一机器学习模型222的输入来生成指示燃气涡轮发动机的阻尼器的剩余使用寿命的输出。
75.现在参考图3、5和8，在又一些其他实施例中，计算系统200的一个或多个处理器
204可以使用一个或多个识别的状况指示符230来训练第二模型，以呈现第二机器学习模型224。状况指示符230可用于调整应用于第二机器学习模型224的输入的权重或加权函数。第二机器学习模型224可以是分类模型，例如但不限于决策树模型、支持向量机模型、具有注意层的rnn、随机森林模型、其他集成模型等。随着第二机器学习模型224被训练，计算系统200的一个或多个处理器204可以从机队的燃气涡轮发动机接收新的或第二组场数据。新的或第二组场数据可以包括与燃气涡轮发动机相关联的参数的参数值。参数值可以从发动机传感器和/或运载器数据导出并且可以是感测和/或计算值。计算系统200的一个或多个处理器204可以使用第二组场数据作为第二机器学习模型224的输入来生成指示阻尼器的故障类型的输出。此外，在一些实施例中，计算系统200的一个或多个处理器204可以至少部分地基于指示阻尼器的故障类型的输出来生成工作范围计划240。例如，工作范围计划240可以指定需要注意的阻尼器的一个或多个部件。
76.现在参考图3、5和9，在一些其他实施例中，计算系统200的一个或多个处理器204可以使用一个或多个识别的状况指示符230来训练第三模型，以呈现第三机器学习模型226。状况指示符230可用于调整应用于第三机器学习模型226的输入的权重或加权函数。第三机器学习模型226可以是分类模型，例如但不限于决策树模型、支持向量机模型、具有注意层的rnn、随机森林模型、其他集成模型等。随着第三机器学习模型226被训练，计算系统200的一个或多个处理器204可以从机队的燃气涡轮发动机接收新的或第二组场数据。新的或第二组场数据可以包括与燃气涡轮发动机相关联的参数的参数值。参数值可以从发动机传感器和/或运载器数据导出并且可以是感测和/或计算值。计算系统200的一个或多个处理器204可以使用第二组场数据作为第三机器学习模型226的输入来生成指示场数据中的异常的输出。
77.现在参考图3、5和10，在一些实施例中，使用第四机器学习模型228的计算系统200可以确定或识别冲击或影响阻尼器健康的参数。第四机器学习模型228可以是任何合适类型的机器学习模型。例如，第四机器学习模型228可以是合适的分类模型，例如但不限于决策树模型、支持向量机模型、具有注意层的rnn、随机森林模型、其他集成模型等。例如，可以使用识别的状况指示符230以及历史场数据来训练第四机器学习模型228。
78.在一些实施例中，使用第四机器学习模型228的计算系统200可以通过参数例如相对于其他参数影响阻尼器的退化的程度对参数进行分类。通过对参数进行分类，第四机器学习模型228可以基于参数对阻尼器退化的影响对参数或确定的类别进行排序。因此，计算系统200可以生成更新数据136。更新数据136可以包括更新的权重250。更新的权重250可以至少部分地基于由第四机器学习模型228确定的它们的相关联参数的类别或排序来更新。
79.包括更新的权重250的更新数据136可以提供给燃气涡轮发动机110的控制器140。更新的权重250可以替换、更新或以其他方式补充fadec逻辑146的当前权重，以在阻尼器严重性指数150的生成期间应用于参数。可以定期执行此更新处理。以这种方式，计算系统200可以产生并提供自演化阻尼器phm逻辑给燃气涡轮发动机110的控制器140。以此方式，由控制器140生成的阻尼器严重性指数的准确度可以随着时间变得更加准确，这改进了对燃气涡轮发动机的阻尼器的整体监测。此外，更新数据136可以提供给机队中的所有发动机。
80.图11提供了根据本公开的示例实施例的用于监测燃气涡轮发动机的阻尼器的健康状态的方法(300)的流程图。图11可以由本文描述的系统100的一个或多个部件来实施。
方法(300)的一个或多个步骤可以在安装有燃气涡轮发动机的飞行器处于飞行中时执行。此外，为了说明和讨论的目的，图11描绘了以特定顺序执行的步骤。使用本文提供的公开内容的本领域普通技术人员将理解，在不脱离本公开的范围的情况下，本文公开的任何方法的各个步骤可以以各种方式修改、改编、扩展、重新布置和/或省略。
81.在(302)处，方法(300)包括由燃气涡轮发动机的控制器接收来自与燃气涡轮发动机相关联的一个或多个传感器的数据。例如，控制器可以是控制器140并且燃气涡轮发动机可以是图3中描绘的燃气涡轮发动机110。燃气涡轮发动机可包括与轴承相关联的阻尼器，该轴承与旋转部件操作地联接。来自一个或多个传感器的数据可以包括一个或多个参数的参数值。参数值可以从发动机传感器和/或运载器数据导出并且可以是感测和/或计算值。
82.在一些实施方式中，参数可以包括与旋转部件的弓形转子启动相关联的至少一个参数、与旋转部件的非同步振动相关联的至少一个参数、与模式跟踪以及旋转部件在燃气涡轮发动机的一个或多个操作范围内的响应相关联的至少一个参数，和/或与油流量、温度或压力相关联的至少一个参数。此外，在一些实施方式中，参数可包括与用于各种操作模式的转子-定子间隙相关联的至少一个参数；与燃气涡轮发动机的各个部件上的振动、速度、应力和力相关联的至少一个参数；与沿着燃气涡轮发动机的核心空气流动路径的特定站处的压力和温度波动相关联的至少一个参数；与转子转矩相关联的至少一个参数；和/或与lp轴的转子速度、hp轴的转子速度以及与发动机相关联的其他温度和压力相关联的至少一个参数。
83.在(304)处，方法(300)包括由控制器至少部分地基于从一个或多个传感器接收的数据生成阻尼器严重性指数，阻尼器严重性指数指示与轴承相关联的阻尼器的健康状态，该轴承与燃气涡轮发动机的旋转部件操作地联接。在一些实施方式中，控制器使用一个或多个统计或机器学习模型(例如这里提到的分类模型中的一个)生成阻尼器严重性指数。在一些实施方式中，使用参数的参数值生成阻尼器严重性指数，参数值源自从一个或多个传感器接收的数据。每个参数都可以具有分配给它的权重。在这样的实施方式中，在(304)处由控制器生成包括由控制器针对每个参数值将权重应用于与向其分配权重以呈现加权值的参数相关联的参数值。可以为每个参数确定加权值。此外，在这样的实施方式中，在(304)处生成可以包括由控制器确定加权值的加权平均值。
84.在(306)处，方法(300)包括由控制器确定阻尼器严重性指数是否超过阈值。
85.在(308)处，方法(300)包括由控制器生成指示阻尼器严重性指数超过阈值的通知。该通知可以指示阻尼器严重性指数超过阈值。因此，生成的通知可以指示阻尼器的健康状态。
86.在一些进一步的实施方式中，方法(300)可以包括由计算系统从机队的一个或多个燃气涡轮发动机接收场数据。例如，计算系统可以是图3和5的计算系统200。从机队的一个或多个燃气涡轮发动机中的给定一个接收的场数据可以包括与一个或多个燃气涡轮发动机中的给定一个相关联的参数的参数值。一个或多个燃气涡轮发动机中的每一个可包括阻尼器，例如挤压膜阻尼器。即，每个燃气涡轮发动机可包括或具有定位在特定位置的特定阻尼器。此外，方法(300)可以包括由计算系统从场数据中识别一个或多个状况指示符。一个或多个状况指示符可以各自指示影响所考虑的阻尼器的退化的从场数据识别的特征。方法(300)还可以包括由计算系统使用一个或多个状况指示符来训练第四机器学习模型。例
如，第四机器学习模型可以是图5和10的第四机器学习模型228。
87.此外，方法(300)可以包括使用从燃气涡轮发动机接收的第二组场数据作为第四机器学习模型的输入，通过参数影响燃气涡轮发动机的阻尼器的退化的程度对参数进行分类。此外，方法(300)可以包括由计算系统至少部分地基于参数的分类对参数进行排序。此外，方法(300)可以包括由计算系统至少部分地基于参数的排序来生成要分配给参数的更新的权重。例如，如图10所示，更新的权重250被显示为生成的。此外，方法(300)可以包括更新控制器以包括更新的权重。例如，如图3所示，可以向燃气涡轮发动机110的控制器140提供可以包括更新的权重250(图10)的更新数据136。如上所述，更新的权重250可以替换、更新或以其他方式补充fadec逻辑146的当前权重，以在阻尼器严重性指数150的生成期间应用于参数。可以定期执行此更新处理。以这种方式，计算系统200可以生成并提供自演化阻尼器phm逻辑给燃气涡轮发动机110的控制器140。
88.本文讨论的技术参考了基于计算机的系统、由基于计算机的系统采取的动作、发送到基于计算机的系统的信息以及来自基于计算机的系统的信息。应当理解，基于计算机的系统的固有灵活性允许部件之间和之中的任务和功能的多种可能的构造、组合和划分。例如，可以使用单个计算装置或组合工作的多个计算装置来实施本文讨论的处理。数据库、存储器、指令和应用可以在单个系统上实施，也可以分布在多个系统上。分布式部件可以顺序或并行操作。
89.尽管可以在一些附图中而不是在其他附图中示出各种实施例的具体特征，但这仅是为了方便。根据本公开的原理，附图的任何特征可以与任何其他附图的任何特征结合引用和/或要求保护。
90.该书面描述使用示例来公开本发明，包括最佳模式，并且还使本领域技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何合并的方法。本发明的可专利范围由权利要求限定，并且可以包括本领域技术人员想到的其他示例。如果这些其他示例包括与权利要求的字面语言没有区别的结构元件，或者如果它们包括与权利要求的字面语言没有实质性差异的等效结构元件，则这些其他示例意图落入权利要求的范围内。
91.本发明的进一步方面由以下条项的主题提供：
92.1.一种燃气涡轮发动机，包括：旋转部件，所述旋转部件能够绕旋转轴线旋转；轴承，所述轴承与所述旋转部件可操作地联接；阻尼器，所述阻尼器与所述轴承相关联；一个或多个传感器；控制器，所述控制器与所述一个或多个传感器通信联接，所述控制器具有一个或多个处理器和一个或多个存储器装置，所述控制器的所述一个或多个处理器被构造为：从所述一个或多个传感器接收数据；至少部分地基于从所述一个或多个传感器接收的所述数据生成阻尼器严重性指数，所述阻尼器严重性指数指示所述阻尼器的健康状态；确定所述阻尼器严重性指数是否超过阈值；并且当所述阻尼器严重性指数超过所述阈值时，生成指示所述阻尼器的所述健康状态的通知。
93.2.根据任何前述条项所述的燃气涡轮发动机，其中所述控制器的所述一个或多个处理器使用一个或多个统计或机器学习模型生成所述阻尼器严重性指数。
94.3.根据任何前述条项所述的燃气涡轮发动机，其中所述控制器的所述一个或多个处理器进一步被构造为：至少部分地基于所述阻尼器严重性指数确定所述阻尼器的所述健康状态的严重性，其中所述阻尼器的所述严重性至少部分地基于所述阻尼器严重性指数偏
离所述阈值的程度。
95.4.根据任何前述条项所述的燃气涡轮发动机，其中使用参数的参数值生成所述阻尼器严重性指数，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与所述旋转部件的弓形转子启动相关联的至少一个参数。
96.5.根据任何前述条项所述的燃气涡轮发动机，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与所述旋转部件的非同步振动相关联的至少一个参数。
97.6.根据任何前述条项所述的燃气涡轮发动机，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与模式跟踪以及所述旋转部件在所述燃气涡轮发动机的一个或多个操作范围内的响应相关联的至少一个参数。
98.7.根据任何前述条项所述的燃气涡轮发动机，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与油流量、温度或压力相关联的至少一个参数。
99.8.根据任何前述条项所述的燃气涡轮发动机，其中所述阻尼器严重性指数被计算为多个参数值的加权平均值。
100.9.根据任何前述条项所述的燃气涡轮发动机，其中所述阻尼器是挤压膜阻尼器。
101.10.一种方法，包括：由燃气涡轮发动机的控制器从与所述燃气涡轮发动机相关联的一个或多个传感器接收数据；由所述控制器至少部分地基于从所述一个或多个传感器接收的所述数据生成阻尼器严重性指数，所述阻尼器严重性指数指示与轴承相关联的阻尼器的健康状态，所述轴承与所述燃气涡轮发动机的旋转部件可操作地联接；由所述控制器确定所述阻尼器严重性指数是否超过阈值；以及由所述控制器生成指示所述阻尼器严重性指数超过所述阈值的通知。
102.11.根据任何前述条项所述的方法，其中使用参数的参数值生成所述阻尼器严重性指数，所述参数值源自从所述一个或多个传感器接收的所述数据，每个所述参数具有分配给其的权重，并且其中，由所述控制器生成所述阻尼器严重性指数包括：由所述控制器针对每个所述参数值将所述权重应用于与向其分配所述权重以呈现加权值的所述参数相关联的所述参数值，以及由所述控制器确定所述加权值的加权平均值或所述加权值的统计组合。
103.12.根据任何前述条项所述的方法，其中使用参数的参数值生成所述阻尼器严重性指数，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与所述旋转部件的弓形转子启动相关联的至少一个参数，与所述旋转部件的非同步振动相关联的至少一个参数，与模式跟踪以及所述旋转部件在所述燃气涡轮发动机的一个或多个操作范围内的响应相关联的至少一个参数，以及与油流量、温度或压力相关联的至少一个参数。
104.13.根据任何前述条项所述的方法，进一步包括：由计算系统从机队的一个或多个燃气涡轮发动机接收场数据，从所述一个或多个燃气涡轮发动机中的给定一个接收的所述场数据包括与所述一个或多个燃气涡轮发动机中的所述给定一个相关联的参数的参数值，所述一个或多个燃气涡轮发动机中的每一个包括阻尼器，所述燃气涡轮发动机是所述机队的所述一个或多个燃气涡轮发动机中的一个；由所述计算系统从所述场数据中识别一个或
多个状况指示符，所述一个或多个状况指示符各自指示从所述场数据识别的影响至少一个所述阻尼器的退化的特征；以及由所述计算系统使用所述一个或多个状况指示符训练第四机器学习模型。
105.14.根据任何前述条项所述的方法，进一步包括：使用从所述燃气涡轮发动机接收的第二组场数据作为所述第四机器学习模型的输入，通过参数影响所述燃气涡轮发动机的所述阻尼器的退化的程度对参数进行分类；由所述计算系统至少部分地基于所述参数的所述分类对所述参数进行排序；以及由所述计算系统至少部分地基于所述参数的排序生成要分配给所述参数的更新的权重。
106.15.根据任何前述条项所述的方法，进一步包括：更新所述控制器以包括所述更新的权重。
107.16.一种非暂时性计算机可读介质，包括计算机可执行指令，当所述计算机可执行指令由一个或多个处理器执行时，使所述一个或多个处理器：访问从机队的一个或多个燃气涡轮发动机接收的场数据，从所述一个或多个燃气涡轮发动机中的给定一个接收的所述场数据包括与所述一个或多个燃气涡轮发动机中的所述给定一个相关联的参数的参数值，所述一个或多个燃气涡轮发动机中的每一个包括阻尼器；访问使用从所述场数据识别的一个或多个状况指示符训练的机器学习模型，所述一个或多个状况指示符各自指示从所述场数据识别的与至少一个所述阻尼器的退化有关的特征；接收包括与具有阻尼器的燃气涡轮发动机相关联的参数的参数值的第二组场数据；并且使用所述第二组场数据作为所述机器学习模型的输入，生成指示所述燃气涡轮发动机的所述阻尼器的剩余使用寿命的输出。
108.17.根据权利要求16所述的非暂时性计算机可读介质，其中在执行所述计算机可执行指令时，进一步使所述一个或多个处理器：访问使用从所述场数据识别的所述一个或多个状况指示符训练的第二机器学习模型；并且使用所述第二组场数据作为所述第二机器学习模型的输入，生成指示所述阻尼器的故障类型的输出。
109.18.根据权利要求17所述的非暂时性计算机可读介质，其中在执行所述计算机可执行指令时，进一步使所述一个或多个处理器：至少部分地基于指示所述阻尼器的所述故障类型的所述输出生成所述阻尼器的工作范围计划。
110.19.根据权利要求16所述的非暂时性计算机可读介质，其中在执行所述计算机可执行指令时，进一步使所述一个或多个处理器：访问使用从所述场数据识别的所述一个或多个状况指示符训练的第三机器学习模型；并且使用所述第二组场数据作为所述第三机器学习模型的输入，生成指示所述场数据中的异常的输出。
111.20.根据权利要求16所述的非暂时性计算机可读介质，其中在执行所述计算机可执行指令时，进一步使所述一个或多个处理器：访问使用从所述场数据识别的所述一个或多个状况指示符训练的第四机器学习模型；使用所述第二组场数据作为所述第四机器学习模型的输入，通过参数影响所述阻尼器的退化的程度对参数进行分类；至少部分地基于所述参数的所述分类对所述参数进行排序；以及至少部分地基于所述参数的排序生成要分配给所述参数的更新的权重。
112.21.一种训练机器学习模型的方法，所述方法包括：由一个或多个计算装置从机队的一个或多个燃气涡轮发动机接收场数据，从所述一个或多个燃气涡轮发动机中的给定一个接收的所述场数据包括与所述一个或多个燃气涡轮发动机中的所述给定一个相关联的
参数的参数值，所述一个或多个燃气涡轮发动机中的每一个包括阻尼器；由所述一个或多个计算装置从所述场数据识别一个或多个状况指示符，所述一个或多个状况指示符中的每一个指示影响与所述机队的所述一个或多个燃气涡轮发动机相关联的阻尼器的退化的参数；以及由所述一个或多个计算装置使用在所述场数据中识别的所述一个或多个状况指示符来训练所述机器学习模型，所训练的机器学习模型被构造为当第二组数据被输入其中时生成指示燃气涡轮发动机的阻尼器的健康状态的输出，所述第二组场数据包括与具有阻尼器的燃气涡轮发动机相关联的参数的参数值。

技术特征：
1.一种燃气涡轮发动机，其特征在于，包括：旋转部件，所述旋转部件能够绕旋转轴线旋转；轴承，所述轴承与所述旋转部件可操作地联接；阻尼器，所述阻尼器与所述轴承相关联；一个或多个传感器；控制器，所述控制器与所述一个或多个传感器通信联接，所述控制器具有一个或多个处理器和一个或多个存储器装置，所述控制器的所述一个或多个处理器被构造为：从所述一个或多个传感器接收数据；至少部分地基于从所述一个或多个传感器接收的所述数据生成阻尼器严重性指数，所述阻尼器严重性指数指示所述阻尼器的健康状态；确定所述阻尼器严重性指数是否超过阈值；以及当所述阻尼器严重性指数超过所述阈值时，生成指示所述阻尼器的所述健康状态的通知。2.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述控制器的所述一个或多个处理器使用一个或多个统计或机器学习模型生成所述阻尼器严重性指数。3.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述控制器的所述一个或多个处理器进一步被构造为：至少部分地基于所述阻尼器严重性指数确定所述阻尼器的所述健康状态的严重性，其中所述阻尼器的所述严重性至少部分地基于所述阻尼器严重性指数偏离所述阈值的程度。4.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中使用参数的参数值生成所述阻尼器严重性指数，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与所述旋转部件的弓形转子启动相关联的至少一个参数。5.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与所述旋转部件的非同步振动相关联的至少一个参数。6.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与模式跟踪以及所述旋转部件在所述燃气涡轮发动机的一个或多个操作范围内的响应相关联的至少一个参数。7.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述阻尼器严重性指数是使用参数的参数值生成的，所述参数值源自从所述一个或多个传感器接收的所述数据，所述参数包括与油流量、温度或压力相关联的至少一个参数。8.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述阻尼器严重性指数被计算为多个参数值的加权平均值。9.根据权利要求1所述的燃气涡轮发动机，其特征在于，其中所述阻尼器是挤压膜阻尼器。10.一种方法，其特征在于，包括：由燃气涡轮发动机的控制器从与所述燃气涡轮发动机相关联的一个或多个传感器接收数据；
由所述控制器至少部分地基于从所述一个或多个传感器接收的所述数据生成阻尼器严重性指数，所述阻尼器严重性指数指示与轴承相关联的阻尼器的健康状态，所述轴承与所述燃气涡轮发动机的旋转部件可操作地联接；由所述控制器确定所述阻尼器严重性指数是否超过阈值；以及由所述控制器生成指示所述阻尼器严重性指数超过所述阈值的通知。

技术总结
提供了系统、方法和燃气涡轮发动机，其包括用于其阻尼器的状况监测的特征。一方面，燃气涡轮发动机包括旋转部件、与旋转部件可操作地联接的轴承以及与轴承相关联的阻尼器。燃气涡轮发动机还包括传感器和控制器。控制器接收包括感测和/或计算的参数值的数据。控制器基于参数值生成阻尼器严重性指数。阻尼器严重性指数指示阻尼器的健康状态。控制器确定阻尼器严重性指数是否超过阈值。当阻尼器严重性指数超过阈值时，生成指示阻尼器的健康状态的通知。计算系统可以确定阻尼器的故障类型和剩余使用寿命，并且可以基于从机队中的发动机接收的场数据更新控制器逻辑。的场数据更新控制器逻辑。的场数据更新控制器逻辑。


技术研发人员：卡纳哈亚
受保护的技术使用者：通用电气公司
技术研发日：2021.11.19
技术公布日：2022/5/25