センサー技術の最近の進歩は、主に、ジェットエンジンが維持される方法を再構築し、反応修復から予測、自律診断に移行しています。 現代のセンサーは、現在、基本的なメトリックよりもはるかに多くをキャプチャします。つまり、機械学習アルゴリズムがリアルタイムで分析できるデータの連続的、高忠実度なストリームを提供します。 この高度なハードウェアとインテリジェントソフトウェアの収束は、性能低下が明らかになった前に、摩耗、亀裂、異物損傷、および熱的ストレスの早期検出を可能にし、パイロットやパイロットの効率性を低下させる、またはパイロットの効率性を低下させます。

航空におけるセンサー技術の進化

シンプルなゲージからスマートセンサーまで

初期のジェットエンジンは、温度、圧力、およびRPMを測定する基本的なアナログゲージに依存しています。熟練したメカニックが解釈するために必要なマニュアル読み取り。 今日、センサーはスマート、セルフ診断装置に進化しました。 これにより、ハニーデジタルネットワークを介して通信します。 ミニチュア化は、複数のセンシング要素を単一のパッケージに統合することができ、極端な熱、振動、および走るエンジン内の腐食性環境で使用できます。 [FLT:]は、マイクロ波動的なネットワークだけでなく、小型化が、小型化できます。 [FLT]

主センサーのタイプおよび最近の進歩

  • 温度センサ:]熱電対抵抗温度検出器(RTD)は、繊維光の乱格子で補われ、繊維片面に沿って数十点の温度を測定し、電磁妨害に免疫を免疫する。
  • 圧力センサ:]] 現代の圧電気および容量性圧力トランスデューサは、より高い精度と低ドリフトで動作します。 シリコンオン絶縁体(SOI)技術は、500°Cを超えるホットセクションで寿命を延ばします。
  • 振動センサ:]ワイドダイナミックレンジ(>100dB)の加速度計は、ベアリング障害、ブレードの擦り傷、燃焼の不安定性のための高周波署名をキャプチャします。 ワイヤレス振動センサーは、ケーブル重量と複雑さを低減します。
  • Flow センサー:]]超音波トランジット時間と熱量流量計は、1%未満の不確実性でリアルタイムの燃料の流れと空気の測定を提供します。

これらは、材料科学と半導体製造によって駆動され、数千回の飛行サイクルにわたって校正を維持できるセンサーが搭載されています。また、多くの近代的なセンサーには、ビルトイン診断、独自の健康状態を中央監視システムに報告しています。

データ取得と処理:自動診断の神経系

生センサーの読み取りは、堅牢なデータ処理なしでのみ使用されます。 現代のジェットエンジンは、洗練された取得と処理パイプラインを必要とし、実用的なインテリジェンスにノイズを回すために、飛行あたりのデータテラバイトを生成します。

リアルタイム解析のためのエッジコンピューティング

歴史的に、すべてのセンサーデータは着陸、分析を遅らせる後に地上局に送信されました。今日、エッジコンピューティングノード - 重要な頑丈なコンピュータは、エンジンに搭載されています。 ソースでデータを処理する軽量AIモデルを実行します。これにより、レイテンシをミリ秒に減らし、速度調整バルブを調整したり、振動が閾値を超えた場合にアラートをトリガーしたりするなどの即時決定が可能になります。 GE Aviationのプラットフォーム[FLT]:400GBの比較対象を監視し、衛星の欠陥を最大200GBの検出、または200GBの欠陥を切断する必要のないレベルの分析を行ないます。

人工知能と機械学習のロール

自動診断は、実際のおよびシミュレートされた障害シナリオの何百万人もの訓練された監視され、監視されていない学習アルゴリズムに依存しています。 変化する神経ネットワーク(CNN)は振動スペクトルを解釈し、再発ニューラルネットワーク(RNN)とトランスは温度と圧力変化の一時的なパターンをキャプチャします。 これらのモデルは、排気ガス温度の0.5%偏差などの障害を識別できます。 人間の分析は、LTFの振動を逃す可能性があります。 [F] と ASAF] の分析は、95%の振動を欠落としている可能性があります。 [F]

自動診断の仕組み:ステップバイステップ概要

1. データ収集

エンジンごとの500～800センサーの密なネットワークは、速度10Hz(温度)から100kHz(振動)まで連続的にサンプルパラメータを検査します。データがタイムスタンプされ、飛行フェーズ、スロットル設定、環境条件でタグ付けされます。

2. 特徴の抽出

生のタイムシリーズデータは、特定の周波数帯域における平均、分散、スペクトル電力、センサー間(例えば、振動がRPMと関連しています)の相互相関、および速度変化(派生)の変化に変化します。 これは、診断関連情報を保存しながら、次元を減らします。

3. パターン認識および欠陥の分類

マシン学習モデルは、健康な操作のベースライン署名に対する抽出された特徴を比較します。異常は、ベアリングの劣化、シール漏れ、コンプレッサーのスタッブル、タービン侵食、燃焼ライナーのクラックなど、障害のあるネットワーク、サポートベクターマシン、意思決定ツリーを組み合わせて、センサーノイズに対する堅牢性を改善します。

4. メンテナンスアラートと意思決定サポート

障害が検出されると、システムは、重度のスコア、推奨行動(例えば、「モニター」、20サイクル以内のインスペクト、次のフライト前の置換)を生成し、残りの有用な生活(RUL)を推定します。 これらの出力は、航空会社のメンテナンス計画システムに供給し、オフピーク時間中に正式な部分の注文とスケジューリング修理を可能にします。 更新: - Roy'Rollsの[Engine]は、すでに30%オフに使用されていない[[F]を削減]:30%オフにしました。 [[FLT]

自動ジェットエンジン診断の利点

  • ]早期問題検出:[]] 障害が起きる前に50〜100便のフライト時間を特定し、機内の操業停止や高価な緊急着陸を防ぎます。
  • 安全を増加させる:[] 連続監視により、特に鳥のストライキや火山灰の摂取などの極端な条件下でエンジンが安全限界内で動作することを確認します。
  • Costの効率:]]]の予測メンテナンスは、予定外のダウンタイムを削減し、毎年1回に1回分の航空会社を節約するスペアパーツの在庫を削減します。
  • データ駆動メンテナンス:[]]修理は、固定スケジュールではなく、実際のエンジンの状態に基づいており、最大25%のコンポーネント寿命を延ばします。
  • [ クルーの最適化:]] クルーズ中にフライトデッキに送信されたアラートは、パイロットが就労前行動を取ることを可能にし、運用継続を強化します。

課題と考察

急速な進歩にもかかわらず、完全に自律診断はハードルに直面しています。 過酷な熱と機械的環境におけるセンサーの信頼性は懸念を残します。単一の故障したセンサーは、モデル全体の出力をスキューすることができます。 [Cybersecurity]]は、別の重要な問題です。 センサーデータストリームとAIモデルは、障害をマスクしたり、誤った警報をトリガーしたりすることができます。 認定基準(例、DO-178C、ソフトウェアの統合、ARFLT:ARF)は、さまざまな要件を検証するためのさまざまな要件に適応します。 [FLTA] と異なる構造体認証システム]

リアル・ワールド・実装とケーススタディ

GEのデジタルツインとセンサーフュージョン

GE Aviationは、仮想環境でセンサーデータをミラーリングするLEAPエンジン用のデジタルツインを開発しました。温度、圧力、振動データを融合することで、ツインは内部摩耗をシミュレートし、高精度でRULを予測します。Delta Air Linesとのパートナーシップにより、GEはメンテナンスコストの20%削減と、ウィングのエンジン時間の5%増加を実証しました。

ロールスロイスのインテリジェントエンジンとR2データラボ

ロールスロイスは、ベイジアンネットワークと燃焼の安定性と油システム異常を検出するためにディープラーニングを使用するR2データラボに給餌する数百のセンサーを備えたトレントエンジンファミリーを装備しています。 同社は、センサー駆動の診断のために、過去10年間に、インフライトシャットダウンの40%削減を報告しています。

プラット&ウィットニーのエンジンヘルスマネジメント(EHM)

Pratt & Whitney の EHM システムでは、全世界1,000 台を超える航空機からデータを集約しています。フリート・ワイド・トレンドを分析することで、システムには、潜在的な部分固有の問題(例えば、特定のベーン・バッチが割れる傾向)を特定し、積極的なアドバイザリーを発行します。この集合的なインテリジェンスは、標準化されたセンサーのデータフォーマットとクラウドベースの分析のためにのみ可能です。

未来の展望

センサー技術は、より大きな統合と知性に向けています。 スマート リモート センサー - 十分にワイヤレスで、自己主導のデバイス - エンジンの振動と熱からエネルギー収穫を使用して開発されています。 これらの motes は、以前にアクセスできない場所からデータを提供し、ブレードとライナーに埋め込むことができます。 一方、 ]5G および低層(LEO)衛星接続:] は、従来のAI をリアルタイムにストリーミングできる、AI チップをリアルタイムにすることができます。

もう一つのフロンティアは、既知の熱力学と流体の動的方程式の学習プロセスを組み込んだ、物理によって情報化される神経ネットワーク(PINN)の使用であり、センサーデータがスパースまたは騒々しいときにより堅牢な予測を行います。最終的には、ビジョンは「自己治癒」エンジンです。問題を検出できる1つは、それを分離し、センサー戦略を再構成し、燃料を自動で調整するだけです。