用于预测使用寿命周期和低周期疲劳消耗的系统和方法与流程

本申请一般涉及用于预测例如燃气涡轮发动机部件的机器部件的周期寿命消耗的数字系统。

背景技术

材料疲劳是在承受周期性载荷时结构失效的普遍现象。材料疲劳可能影响机器例如燃气涡轮发动机(gte)运行的生命期、可用性、可靠性和安全性。材料疲劳可能造成损坏，并最终导致机器部件的失效。

在发动机结构寿命计算中，常见的是基于特定次数的起-停周期并基于标准飞行或任务，规定某些部件的生命期。这种生命期规定通常是在设计过程中进行的，涉及针对标准飞行，使用材料性质和疲劳模型详细计算应力和温度。设计阶段计算和生命期规定的局限性使得不能考虑实际的运行条件。由于在设计中没有考虑不同运行或操作条件，此局限性可能导致保守的生命期估计以及后续剩余发动机生命期的变化或发动机损坏。

确定疲劳寿命消耗的一些现有方法采用基于物理的方法，这与设计阶段的生命期规定相当。基于物理的方法可能运算量很大，并涉及要依赖运行时段或现场任务的代表性集合来评估机器部件的疲劳寿命极限。与设计阶段的生命期规定相似，这些现有方法可能对于近实时或实时应用是不够理想的，其不包括计算实际运行条件(例如飞行数据或发动机性能)的特性，而这些在延长gte运行的可用性、可靠性和安全性时可以被考虑和使用。

技术实现要素：

本申请的实施例的各方面和优点将部分地在以下描述中阐述，或者可从所述描述了解，或者可通过实践实施例来了解。

本申请的一个实例方面针对一种用于构建将低周期疲劳消耗与飞行数据相关联的模型。所述方法包括由一个或多个计算装置获得指示飞行器(aerialvehicle)的一个或多个运行条件的历史数据。所述方法还包括由一个或多个计算装置获得指示所述飞行器在运行时段中的一个或多个运行条件的飞行数据。所述方法还包括由一个或多个计算装置确定所述飞行数据是否指示可用飞行。响应于确定所述飞行数据指示可用飞行，所述方法还包括至少部分基于历史数据构造模型，使用机器学习技术将低周期疲劳消耗与所述飞行数据相关联。

本申请的另一实例方面是针对一种用于对燃气涡轮发动机的使用寿命消耗建模的系统。所述系统包括一个或多个存储器装置和一个或多个处理器。所述一个或多个存储器装置存储指令和数据。所述一个或多个处理器可以执行指令并使得所述一个或多个处理器执行操作，所述操作包括获得指示燃气涡轮发动机的运行条件的历史数据。所述操作还包括获得指示飞行器在运行时段中的一个或多个运行条件的飞行数据。所述操作还包括确定所述飞行数据是否指示可用飞行。所述操作还包括基于所述历史数据和所述飞行数据，使用机器学习技术生成所述燃气涡轮发动机的一个或多个部件的预测使用寿命(usagebasedlife，ubl)。所述操作还包括至少部分基于预定的寿命因子和预定的寿命极限，确定所述燃气涡轮发动机的所述一个或多个部件的ubl等效周期。所述操作还包括在所述存储器装置中存储所确定的ubl等效周期。

本申请的另一实例方面针对一种用于预测燃气涡轮发动机的一个或多个部件的使用寿命的计算机实现的方法。所述方法包括由一个或多个计算装置获得指示飞行器的一个或多个燃气涡轮发动机的运行条件的历史数据。所述方法还包括由一个或多个计算装置获得指示飞行器在运行时段中的运行条件的飞行数据。所述方法还包括操作基于非物理的模型，至少部分基于历史数据，将飞行数据与所述燃气涡轮发动机的一个或多个部件的使用寿命相关联。所述方法还包括至少部分基于所述模型和所述飞行数据确定所述一个或多个部件的剩余使用寿命。

技术方案1.一种用于构建将低周期疲劳消耗与飞行数据相关联的模型的方法，所述方法包括：由一个或多个计算装置获得指示飞行器的一个或多个运行条件的历史数据；由一个或多个计算装置获得指示所述飞行器在运行时段中的一个或多个运行条件的飞行数据；由一个或多个计算装置确定所述飞行数据是否指示可用飞行；以及响应于确定所述飞行数据指示可用飞行，至少部分基于历史数据构建模型，使用机器学习技术将低周期疲劳消耗与所述飞行数据相关联。

技术方案2.根据技术方案1所述的方法，所述飞行数据由与健康及使用量监测系统关联的一个或多个传感器获得。

技术方案3.根据技术方案2所述的方法，所述飞行数据包括：发动机飞行数据，其中，所述发动机飞行数据指示在所述运行时段中飞行器的一个或多个燃气涡轮发动机的一个或多个运行条件；以及交通工具飞行数据，其中，所述交通工具飞行数据指示在所述运行时段中所述飞行器的一个或多个运行条件。

技术方案4.根据技术方案3所述的方法，还包括至少部分基于所述模型确定所述燃气涡轮发动机的一个或多个部件的预测使用寿命(ubl)。

技术方案5.根据技术方案4所述的方法，确定所述飞行数据是否指示可用飞行包括：确定所述飞行数据是否包括发动机飞行数据和交通工具飞行数据。

技术方案6.根据技术方案5所述的方法，所述燃气涡轮发动机的部件包括旋转寿命受限零件。

技术方案7.根据技术方案6所述的方法，在确定过程中，确定所述飞行数据不指示可用飞行，所述方法还包括：将所述预测ubl调节成第一默认值；以及在存储器中将所述第一默认值存储为ubl等效周期。

技术方案8.根据技术方案6所述的方法，还包括：确定所述预测ubl是否在上阈值和下阈值内；以及响应于确定所述预测ubl不在所述上阈值和下阈值内，将所述预测ubl调节成第二默认值。

技术方案9.根据技术方案8所述的方法，还包括：至少部分基于预定的寿命因子和预定的寿命极限，确定所述燃气涡轮发动机的所述一个或多个部件的ubl等效周期；以及在存储器中存储所确定的ubl等效周期。

技术方案10.根据技术方案9所述的方法，还包括：至少部分基于所述ubl等效周期，确定所述燃气涡轮发动机的一个或多个部件的维修需求。

技术方案11.根据技术方案2所述的方法，所述模型包括随机森林模型。

技术方案12.根据技术方案11所述的方法，处理所述飞行数据以确定用于训练所述模型的一个或多个特征输入。

技术方案13.根据技术方案12所述的方法，所述一个或多个特征输入包括处于某值时间特征。

技术方案14.根据技术方案13所述的方法，所述一个或多个特征输入包括超过某值时间特征。

技术方案15.一种用于燃气涡轮发动机的使用寿命消耗建模的系统，所述系统包括：一个或多个存储器装置；一个或多个处理器，其构造成：获得指示所述燃气涡轮发动机的运行条件的历史数据；获得指示飞行器在运行时段中的一个或多个运行条件的飞行数据；确定所述飞行数据是否指示可用飞行；基于所述历史数据和所述飞行数据，使用机器学习技术生成所述燃气涡轮发动机的一个或多个部件的预测使用寿命(ubl)；至少部分基于预定的寿命因子和预定的寿命极限，确定所述燃气涡轮发动机的所述一个或多个部件的ubl等效周期；以及在所述存储器装置中存储所确定的ubl等效周期。

技术方案16.根据技术方案15所述的系统，所述一个或多个处理器配置成：基于所述飞行数据生成一个或多个特征输入以用于所述机器学习技术。

技术方案17.根据技术方案16所述的系统，所述机器学习技术至少部分由随机森林模型实施。

技术方案18.根据权利要求17所述的系统，所述一个或多个特征输入包括处于某值时间特征。

技术方案19.根据权利要求18所述的系统，所述一个或多个特征输入包括超过某值时间特征。

技术方案20.一种用于预测燃气涡轮发动机的一个或多个部件的寿命的计算机实现的方法，所述方法包括：由一个或多个计算装置获得指示飞行器的一个或多个燃气涡轮发动机的运行条件的历史数据；由一个或多个计算装置获得指示所述飞行器在运行时段中的运行条件的飞行数据；访问基于非物理的模型，至少部分基于历史数据，将飞行数据与所述燃气涡轮发动机的一个或多个部件的使用寿命相关联；以及至少部分基于所述模型和所述飞行数据确定所述一个或多个部件的剩余使用寿命。

可对本发明的这些实例方面进行改变和修改。

参考以下描述和所附权利要求书将更好地了解各种实施例的这些以及其它特征、方面和优点。并入在本说明书中且构成本说明书的部分的附图说明了本发明的实施例，且与所述描述一起用于解释相关原理。

附图说明

在参考附图的说明书中阐述了针对所属领域的技术人员的实施例的详细论述，在附图中：

图1a是根据本申请的一个实施例的飞行器的侧视图；

图1b是根据本申请的一个实施例的飞行器的俯视图；

图2是是本申请的一个实施例的燃气涡轮发动机的示意性剖视图；

图3是了根据本申请的示例性实施例的示例性方法的流程图；

图4是了根据本申请的示例性实施例的示例性方法的流程图的续图；

图5是了根据本申请的示例性实施例的示例性方法的流程图的续图；

图6是了根据本申请的示例性实施例的示例性方法的流程图；

图7是了根据本申请的示例性实施例的示例性方法的流程图；

图8是了根据本申请的示例性实施例的示例性方法的流程图；

图9是了根据本申请的示例性实施例的示例性计算系统；以及

图10是了根据本申请的示例性实施例的示例性交通工具(vehicle)。

具体实施方式

现将详细参考本发明的实施例，在图中说明本发明的实施例的一个或多个实例。每个实例是为了解释本发明而非限制本发明而提供。实际上，所属领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下可在本发明中进行各种修改和变化。举例来说，说明或描述为一个实施例的部分的特征可与另一实施例一起使用以产生又一实施例。因此，希望本发明涵盖此类属于所附权利要求书和其等效物的范围内的修改和变化。

除非上下文另有明确规定，否则如在说明书和所附权利要求书中所使用，单数形式“一”和“所述”包括多个指示物。结合数值使用词语“约”是指在所陈述量的25％内。

低周期疲劳(lowcyclefatigue，lcf)是材料疲劳的一个实例，其可能影响机器(例如燃气涡轮发动机)运行的生命期、可用性、可靠性和安全性。lcf可能造成损坏，并最终导致机器部件的失效。

gte包括旋转寿命受限零件(llp)。llp的生命期至少部分与损坏有关，而损坏可以由gte的每次起停周期或运行时段或者飞行器的每次飞行任务中的lcf造成。在每次起停周期或运行时段中，因为低周疲劳每个llp的一部分生命期被消耗掉。通过跟踪lcf寿命消耗，可以确定每次起停周期、运行时段或任务中由llp累积的损坏量。

lcf寿命消耗至少部分基于实际的运行条件，例如加速速率，减速速率，运行环境温度，在特定的发动机温度下的运行时间和在特定的发动机核心速度下的运行时间。lcf寿命消耗可以用在确定燃气涡轮发动机的每个部件的剩余使用寿命(ubl)中。lcf寿命消耗可以用在确定应当维修燃气涡轮发动机或从飞行器上拆掉进行更换的时间。

准确跟踪和确定lcf寿命消耗可以近实时或实时地确定剩余ubl。近实时或实时剩余ubl可以用在定义及延长特定的gte的维修或更换间隔。如果相比标准任务较不太激进地操作飞行器，则可以基于剩余的ubl或lcf寿命消耗延长维修或更换间隔。这使得操作员有机会使发动机部件在机翼上保持更长的时段，降低发动机生命期的浪费。通过使用实际飞行数据和实际发动机性能数据确定飞行、任务或发动机运行时段的lcf寿命消耗，并确定剩余ubl，使得维修或更换间隔的延长成长可能。

近实时或实时剩余ubl也可以用来在相比标准任务更激进地操作飞行器时，加快gte的维修或更换安排。在这种情况下，lcf寿命消耗和剩余ubl的确定可以用来更及时地执行维修或更换活动，降低由于超越标准任务的激进操作条件造成的灾难性发动机损坏的概率。

本申请的实例方面涉及用于确定lcf寿命消耗、预测ubl消耗并确定剩余ubl的系统和方法。将参照用于航空(例如提供飞行器的推力)的燃气涡轮发动机的特定部件(例如转轴)的lcf寿命消耗讨论本申请的各方面。然而，本领域技术人员使用本说明书提供的公开内容，会理解本申请的各方面可以用来确定各种应用中的lcf寿命消耗，预测ubl消耗，并确定剩余ubl，这些应用例如风力涡轮机、喷气式发动机、涡轮螺旋桨发动机、航改燃气涡轮机、非专业燃气涡轮机、辅助动力单元、用于发电的燃气涡轮机、涡轮轴发动机、径向燃气涡轮机、规模喷气式发动机、微型涡轮机或其它应用。本领域技术人员使用本说明书提供的公开内容，会理解本申请的各方面可以用来确定各种交通工具中的lcf寿命消耗，预测ubl消耗并确定剩余ubl，所述交通工具例如火车、轮船、固定翼飞行器、风力涡轮机或陆基泵，包括气泵和油泵。

根据示例性实施例，可以采集由一个或多个监测系统记录的数据，所述监测系统配置成监测飞行期间飞行器的燃气涡轮发动机的参数(“例如飞行数据”)。飞行数据可以包括这样的参数，例如核心速度、涡轮燃气温度、涡轮燃气温度裕度、扭矩、外部气温、总重量、海拔高度校正压力、垂直加速度、空速以及与燃气涡轮发动机和飞行器有关的采集位置。飞行数据可以是由机载飞行记录器采集的高频传感器数据。可以使用机器学习技术构造将飞行数据映射到lcf寿命消耗或剩余ubl的一个或多个模型。一个或多个模型可以均是基于非物理的模型。可以使用这些模型基于实际使用量预测llp的lcf寿命消耗，例如燃气涡轮发动机的转子或转轴。

本申请的实例方面可以提供许多技术效果和好处。例如，使用机器学习技术构建将飞行数据映射到lcf寿命消耗的模型可以绕过基于物理的模型计算中使用的复杂计算，例如计算复杂的热-机械参数。模型可以使得处理和存储资源能用于其它功能。而且，根据本申请的实例方面构造的模型可以是分析模型，其可以基于实际使用量实现基本瞬时地预测lcf寿命消耗或剩余ubl。分析模型可以提供准确的近实时或实时lcf寿命消耗或剩余ubl。使用根据本申请的示例性实施例构建的模型预测lcf寿命消耗的好处可以包括：(1)为部件拆除和修理设置安全和适当的间隔；(2)延长资产的发挥作用时间；以及(3)优化资产运营并将其与现场问题相关联。

本申请的实例方面可以提供对计算技术的改进。例如，使用机器学习代替基于物理的计算可以提供相比基于物理的模型预测lcf寿命消耗或剩余ubl更容易评估的模型的开发。这可以节约计算系统的处理和存储资源。模型还可以提供对lct寿命消耗和剩余ubl的更快速的处理和预测。

图1a是根据本申请的示例性飞行器10的侧视图。飞行器10包括机身12、主旋翼组件20和尾旋翼组件30。主旋翼组件20包括主旋翼轮毂22和多个主旋翼叶片24。如图所示，每个主旋翼叶片24从中央旋翼轮毂22向外延伸。尾旋翼段30包括尾旋翼轮毂32和多个尾旋翼叶片34。每个尾旋翼叶片34从尾旋翼轮毂32向外延伸。

图1b是根据本申请的示例性飞行器10的俯视图。飞行器10还包括第一燃气涡轮发动机40和第二燃气涡轮发动机42。第一燃气涡轮发动机40和第二燃气涡轮发动机42产生并传输扭矩以驱动主旋翼叶片24和尾旋翼叶片34的旋转。具体地说，主旋翼叶片24的旋转使飞行器10产生升力，而尾旋翼叶片34的旋转产生推力，并且抵消由主旋翼叶片24施加在机身12上的扭矩。

第一燃气涡轮发动机40和第二燃气涡轮发动机42可以包括传感器，其用于感测与第一燃气涡轮发动机40和第二燃气涡轮发动机42有关的数据。飞行器10可以包括计算装置。计算装置可以存储与第一燃气涡轮发动机40和第二燃气涡轮发动机42有关的感测数据以及与飞行器10的运行有关的其它数据(例如来自控制单元的数据)作为飞行数据。

在与某些交通工具(例如图10中所示的那些)有关的应用中，交通工具可以包括通信接口，其用于与地面系统和/或云计算环境通信。在与某些交通工具(例如图10中所示的那些)有关的应用中，交通工具可以通过通信接口将信息(例如飞行数据)传输到地面系统和/或云计算环境。在与某些交通工具(例如图10中所示的那些)有关的应用中，交通工具可以通过通信接口从地面系统和/或云计算环境接收信息。

还应了解，虽然已说明和描述了特定的直升机，但其它构造和/或飞行器也将受益于本申请，例如带有补充平移推进系统的高速复合旋翼飞行器、双对转同轴旋翼系统飞行器、涡轮螺旋桨式飞机、倾转旋翼机、偏转翼飞行器、常规起降式飞行器、如图10所示的交通工具和其它涡轮驱动的机器。

图2提供了根据本申请的示例性燃气涡轮发动机100的示意性剖视图。如图2所示，燃气涡轮发动机100限定了延伸穿过其中的纵向或中心线轴线102以供参考。燃气涡轮发动机100可以通常包括大体上呈管状的外壳体104，其限定环形入口106。外壳体104可以由单个壳体或多个壳体形成。外壳体104按照流体流动顺序依次包封气体发生器压缩机110、燃烧段130、涡轮140和排气段150。气体发生器压缩机110包括入口导向叶片112的环形阵列、压缩机叶片114的一个或多个连续级、压缩机轮叶116的一个或多个连续级和离心式压缩机118。压缩机叶片114、压缩机轮叶116和离心式压缩机118共同限定压缩空气路径120。燃气涡轮发动机100可以包括一个或多个传感器，其用于感测与燃气涡轮发动机100有关的信息。

燃烧段130包括燃烧室132和延伸到燃烧室132内的一个或多个燃料喷嘴134。燃料喷嘴134供应燃料以与进入燃烧室132的压缩空气混合。此外，燃料和压缩空气的混合物在燃烧室132内燃烧以形成燃烧气体136。如下文将更详细地描述的，燃烧气体136驱动涡轮140。

涡轮140包括气体发生器涡轮142和动力涡轮144。气体发生器涡轮142包括涡轮转子叶片146的一个或多个连续级，动力涡轮144包括涡轮转子叶片148的一个或多个连续级。气体发生器涡轮142通过气体发生器轴160驱动气体发生器压缩机110，且动力涡轮144通过动力涡轮轴170驱动输出轴180。

如在图2中示出的实施例中所示，气体发生器压缩机110和气体发生器涡轮142经由气体发生器轴160联接到彼此。在操作中，燃烧气体136驱动气体发生器涡轮142和动力涡轮144两者。当气体发生器涡轮142围绕中心线轴线102旋转时，气体发生器压缩机110和气体发生器轴160均围绕中心线轴线102旋转。另外，随着动力涡轮144旋转，动力涡轮轴170旋转并将旋转能量传送至输出轴180。作为实例，燃气涡轮发动机100可以是图1a和图1b的第一和第二燃气涡轮发动机40、42，并且输出轴180可以旋转飞行器10的主旋翼叶片24和尾旋翼叶片34两者。

图3、图4和图5是根据本申请的示例性实施例用于预测燃气涡轮发动机的一个或多个部件的ubl等效周期的示例性方法300的流程图。所述方法可以由任何适合的例如图9中描绘的计算系统执行。另外，尽管图3、图4和图5出于说明及论述的目的描绘以特定次序执行的步骤。所属领域的一般技术人员使用本说明书中所提供的公开内容将理解，本说明书中所公开的方法或过程中的任一个的各种步骤可以修改、扩展、同时执行、省略和/或重新布置，而不偏离本申请的范围。

在步骤302，所述方法包括对于可能影响lcf寿命消耗和ubl等效周期的参数，记录传感器数据。传感器数据可以是发动机飞行数据，并且可以包括与燃气涡轮发动机运行有关的参数。与发动机飞行数据相关的参数可以包括例如核心速度、涡轮燃气温度、涡轮燃气温度裕度和扭矩。传感器数据也可以是交通工作飞行数据，并且可以包括与飞行器运行有关的参数。与交通工作飞行数据有关的参数可以包括例如外部气温、总重量、海拔高度校正压力、垂直加速度、空速和与飞行器有关的采集位置。在一些实施例中，传感器数据可以是由健康及使用监测系统(healthandusagemonitoringsystem，hums)采集的数据，其可以包括与实际燃气涡轮发动机运行和实际飞行器运行有关的参数的综合和连续记录。

在步骤304，所述方法还可以包括确定在步骤302获得的记录是否有效。有效记录包括发动机飞行数据和交通工作飞行数据。如果在304确定所述记录无效，则所述方法前进到步骤306。如果所述记录有效，则所述方法前进到步骤308。

在步骤306，所述方法还可以包括确定在步骤302获得的记录是否包括指示飞行器的飞行的数据。如果确定飞行器执行了飞行，则ubl等效周期值被调节到一(1)周期计数的默认值，并存储在图5的步骤514。如果确定飞行器没有执行飞行，则ubl等效周期值被调节到零(0)周期计数的默认值，并存储在图5的步骤514。

在步骤308，所述方法还可以包括确定在步骤302获得的记录是否包括与飞行器的多次飞行有关的数据。如果确定所记录的数据与多次飞行有关，则在步骤310将信息按飞行分开并分类。如果所记录的数据与多次飞行不相关，则方法前进到步骤312。

在步骤312，所述方法包括确定在步骤302记录的数据是否指示可用飞行。当数据在一个或多个预定运行阈值之内时，数据指示可用飞行。运行阈值可以包括飞行器或gte的运行极限或与飞行器或gte的运行极限有关。例如，运行阈值可以由制造商定义或者由航空监管机构制定。例如，运行阈值可以与预定的或接近最大空速、海拔高度、扭矩或发动机核心速度有关。如果确定所述数据不指示可用飞行，则所述方法前进到步骤306，将ubl等效周期值调节到一(1)周期计数的默认值，并存储在图5的步骤514。

在步骤314，所述方法包括获得标识与飞行器关联的每个llp和gte的信息。标识信息可以包括粘附到飞行器或gte的品牌、型号和类型，以及飞行器和gte的每个llp的零件号或序列号。

在步骤316，所述方法包括将在步骤314获得的标识信息与所记录的飞行数据关联。

在步骤318，所述方法前进到图4的步骤402。

图4是根据本申请的示例性实施例用于预测燃气涡轮发动机的一个或多个部件的ubl等效周期的示例性方法300的流程图的续图。在404，所述方法包括根据本申请的示例性实施例使用机器学习训练模型。可以根据本申请的示例性实施例训练模型，包括图6及7描绘的以及对图6及7的描述。

在步骤406，所述方法包括生成任务或飞行统计以由模型处理。可以基于由于lcf出现损坏的特定的发动机位置或部件标识任务统计。可以基于这些参数标识任务统计，所述参数可以包括例如与燃气涡轮发动机和飞行器有关的核心速度、涡轮燃气温度、涡轮燃气温度裕度和扭矩。

在步骤408，所述方法包括将模型施加至任务统计，以获得燃气涡轮发动机的一个或多个部件的预测ubl寿命。

在步骤410，所述方法包括将预测ubl寿命与特定于燃气涡轮发动机的一个或多个部件中每一个的预定下界极限和预定上界极限比较。可以通过基于物理的方法使用或者不使用飞行数据获得上界极限和下界极限，并且上界极限和下界极限可以基于由gte或llp的制造商定义的运行阈值。

如果在步骤410确定预测ubl寿命在上界极限和下界极限内，则预测ubl寿命传送至(504)。如果在步骤410确定预测ubl寿命大于上界极限，则在步骤414修改预测ubl寿命使其等于存储在(418)的第一备用ubl值，并且第一备用ubl值传送至(504)。第一备用ubl值可以等于gte的上界极限。

如果在步骤410确定预测ubl寿命小于下界极限，则在步骤416修改预测ubl寿命使其等于存储在418的第二备用ubl值，并且第二备用ubl值传送至504。第二备用ubl值可以等于gte的下界极限。

在步骤420，所述方法前进到图5的步骤502。

图5是根据本申请的示例性实施例用于预测燃气涡轮发动机的一个或多个部件的ubl等效周期的示例性方法300的流程图的续图。在步骤506，所述方法包括通过用ubllcf寿命因子(步骤508)乘以传送至步骤504的ubl值，计算lcfubl寿命。ubllcf寿命因子(步骤508)是一个预定值，其基于在需要维修或更换部件或llp之前可能消耗的特定部件或llp的总生命期的百分比。

在步骤510，所述方法包括用在步骤506确定的lcfubl寿命除ubl寿命极限(步骤512)，计算ubl等效周期。ubl寿命极限(步骤512)是一个预定值，其基于在需要维修或更换部件或llp之前可能消耗的特定部件或llp的总生命期的百分比。在步骤510计算的ubl等效周期代表每个部件或llp的每次飞行或运行时段消耗的周期寿命。

图6是根据本申请的示例性实施例用于构建lcf寿命消耗预测模型的示例性方法600的流程图。所述方法可以由任何适合的例如图9中描绘的计算系统执行。另外，尽管图6描绘出于说明和论述的目的而以特定次序执行的步骤。所属领域的一般技术人员使用本说明书中所提供的公开内容将理解，本说明书中所公开的方法或过程中的任一个的各种步骤可以修改、扩展、同时执行、省略和/或重新布置，而不偏离本申请的范围。

在步骤602，所述方法包括获得可能影响lcf寿命消耗的参数的历史传感器数据。历史传感器数据可以是飞行数据，并且可以包括与gte运行有关的参数。在一些实施例中，传感器数据可以是由健康及使用量监测系统(hums)采集的数据，其可以包括与实际gte运行有关的参数的综合和连续记录。所述参数可以包括例如与燃气涡轮发动机和飞行器有关的核心速度、涡轮燃气温度、涡轮燃气温度裕度和扭矩。

在步骤604，所述方法还可以包括获得历史环境条件数据。历史环境条件数据可以包括与燃气涡轮发动机运行所处的环境以及飞行器运行的方式有关的数据。实例包括外部气温、总重量、海拔高度校正压力、垂直加速度、空速以及与燃气涡轮发动机和飞行器有关的采集位置。

在步骤606，所述方法可以包括获得指示实际lcf寿命消耗的数据。这可以用来确定用于训练模型的背景事实。可以以各种不同的方式获得指示实际lcf寿命消耗的数据。例如，可以通过lcf分析技术获得此数据。可以通过其它基于物理的方法使用或不使用飞行数据获得此数据。

在步骤608，可以使用机器学习技术基于指示实际lcf寿命消耗的数据和飞行数据训练模型。在一些实施例中，可以在训练模型时考虑环境数据。可以根据本申请的示例性实施例构建任何适合类型的模型。例如，可以构建随机森林模型(“rf模型”)和/或神经网络模型(“nn模型”)。在一些实施例中，可以使用正则化或不经过正则化的非线性回归。在一些实施例中，可以使用一个或多个梯度提升机、人工神经网络、自组织映射和/或深度学习。在一些实施例中，可以构建lcf寿命消耗的rf回归模型。

图7是根据本申请的示例性实施例使用机器学习训练模型的示例性方法700的流程图。如上文讨论的，可以通过获得飞行数据(步骤602)，获得指示实际lcf寿命消耗的数据(步骤606)和/或通过获得环境条件数据(604)，训练模型。

在步骤712，所述方法可以包括预处理数据。例如，可以处理原始飞行数据以识别由故障传感器、不完全或双重数据获取、通过传输或存储的不正确数据类型转换引起的质量问题。

在步骤714，所述方法可以包括执行运行分类。例如，可以基于预处理的飞行数据对运行分类。可以标识出适合机器学习模型开发的运行。

在步骤716，所述方法可以包括基于飞行数据确定适当特征的特征工程以用于训练模型。在下面详细地讨论实例特征。

在一些实施例中，确定停留时间特征。停留时间特征可以包括在所选的发动机参数保持在由上界和下界规定的某些范围内时飞行的持续时间。所选的发动机参数可以包括例如在各个位置的温度、核心发动机速度或加速度。可以针对个别发动机单独地或者各个发动机总体地确定上界和下界。

在一些实施例中，确定处于某值时间(time-at-value)和超过某值时间(time-above-value)的特征。例如，处于某值时间和超过某值时间特征可以包括当所选发动机参数保持在所选下界或超过所选下界时飞行的持续时间。所选发动机参数可以包括在各个位置的温度或核心发动机速度。可以从个别发动机单独地或者从各个发动机总体地提供下界。

在一些实施例中，可以确定滚动窗口特征。滚动窗口特征可以包括例如在所选长度的一个滚动窗口中所选发动机参数的统计聚合值或其组合。统计聚合函数可以包括平均值、中值、最大值、最小值、标准偏差、四分位差、和、积、预选值计数、所有前述函数的累加值、所有前述函数的对数变换等。组合可以包括乘积、除法、减法、加法、另一特征的指数幂等等。对于被组合的某些特征，可以使用或者不使用不一致的滚动窗口长度。所选发动机参数包括但不限于在各个位置的温度和核心发动机速度或扭矩。取决于采样间隔，在已知飞行中，滚动窗口长度在1个采样间隔变化到最大长度之间变化。

在一些实施例中，可以确定与疲劳有关的已知运行周期的计数。特定运行周期定义为从一个发动机速度带(由上下阈值规定)运动到另一速度带然后回到原始发动机速度带的一个完整周期，其是影响lcf寿命消耗的已知因素。此运行周期的计数可被用作输入特征。

在一些实施例中，可以确定由同一发动机执行的不同飞行中的累积特征。可以从各次飞行中提取上面的所有特征。然而，一个特定的发动机可能在其生命期中执行几千次的飞行。不同任务的所有上述特征的累积效应因此也可以用作输入特征。

在一些实施例中，可以执行特征优化。可以基于相似性识别特征组。在模型训练期间，可以基于特定的发动机位置或llp识别重要特征，在所述特定的发动机位置或llp，由于lcf已经造成损坏，由于lcf造成的损坏在增大或者lcf寿命消耗为最大。这些重要特征然后被用作机器学习模型的优化特征。也可以基于个别发动机识别重要特征。

在步骤718，所述方法可以包括训练、调整和交叉验证一个或多个模型。在一些实施例中，一个或多个模型可以将输入特征映射到lcf寿命消耗或每个周期的其它从属变量。

图8描绘了使用根据本申请的实施方式构建的模型基于实时或近实时飞行数据预测lcf寿命消耗的示例性方法800的流程图。所述方法800可以由任何适合的例如图9中描绘的计算系统执行。另外，尽管图8描绘出于说明和论述的目的而以特定次序执行的步骤。所属领域的一般技术人员使用本说明书中所提供的公开内容将理解，本说明书中所公开的方法或过程中的任一个的各种步骤可以修改、扩展、同时执行、省略和/或重新布置，而不偏离本申请的范围。

在步骤802，所述方法可以包括访问所述模型。可以在之前使用如上面讨论的机器学习技术训练所述模型。所述模型可以将飞行数据与lcf寿命消耗相关联。所述方法可以包括获得传感器数据(例如飞行数据)(步骤804)和/或指示飞行器的运行条件的数据(步骤806)。指示飞行器的运行条件的数据可以包括与飞行器运行所处的环境和飞行器运行的方式关联的数据。实例包括外部气温、总重量、海拔高度校正压力、垂直加速度、空速以及与燃气涡轮发动机和飞行器有关的采集位置。基于这些数据，可以施加(步骤808)模型以获得预测的lcf寿命消耗(步骤810)。用来确定预测的lcf寿命消耗(步骤810)的飞行数据可以反馈回模型以用在预测下一周期的lcf寿命消耗中。

图9是根据本申请的示例性实施例可用于实施机器学习系统900的示例性计算系统的框图。机器学习系统900可以在一个或多个云计算环境、一个或多个地面系统、或前述的组合上实施。如图所示，机器学习系统900可以包括一个或多个计算装置902。一个或多个计算装置902可包括一个或多个处理器904和一个或多个存储器装置906。一个或多个处理器904可包括任何合适处理装置，例如微处理器、微控制器、集成电路、逻辑装置或其它合适处理装置。一个或多个存储器装置906可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、ram、rom、硬盘驱动器、闪存驱动器或其它存储器装置。

一个或多个存储器装置906可存储可由一个或多个处理器904存取的信息，包括可由一个或多个处理器904执行的计算机可读指令908。指令908可以是在由一个或多个处理器904执行时致使一个或多个处理器904进行操作的任何指令集。指令908可以是以任何合适编程语言编写的软件，或可在硬件中实施。在一些实施例中，指令908可由一个或多个处理器904执行以致使一个或多个处理器904执行操作，例如，用于对lcf消耗、llp的使用寿命消耗和剩余可用寿命建模的操作和/或一个或多个计算装置902的任何其它操作或功能。

存储器装置906可进一步存储可由处理器904存取的数据910。例如，数据910可以包括与飞行器10的一个或多个gte的类型或模型关联的历史飞行和发动机性能数据。数据910还可以包括对于与gte的一个或多个运行时段关联的或与飞行器10的每次飞行任务关联的一个或多个gte的实际飞行数据和实际发动机性能数据。实际飞行数据和实际发动机性能数据可以包括核心速度、涡轮燃气温度、涡轮燃气温度裕度、扭矩、外部气温、总重量、海拔高度校正压力、垂直加速度、空速以及采集位置。实际飞行数据和实际发动机性能数据可以包括导航信息、与交通工作控制或控制机构关联的数据、与地理坐标关联的数据和/或如本说明书所描述的与飞行器关联的任何其它数据。数据910可以包括根据本申请的实例实施例的用于对lcf消耗建模的一个或多个表、函数、算法、模型和方程式等。

一个或多个计算装置902还可包括用于例如与系统的其它部件通信的通信接口912。通信接口912可以包括用于与一个或多个网络相接的任何合适部件，包括例如发射器、接收器、端口、控制器、天线或其它合适部件。通信接口912能够实现一个或多个云计算环境和一个或多个地面系统之间、一个或多个云计算环境和交通工具(例如图10中描绘的那些)之间以及一个或多个地面系统和交通工具之间的通信。此外，通信接口912能够实现两个或更多个云计算环境之间、两个或更多个地面系统和两个或更多个交通工具之间的通信。

现参考图10，描绘根据本申请的实例实施例的实例交通工具1000。本申请的系统和方法可在飞行器、直升机、船、潜水艇、火车和/或任何其它合适的交通工具上实施。虽然本说明书中参考飞行器实施方案来描述本发明，但这仅在于充当实例且并非限制性的。所属领域的技术人员将了解，本发明的系统和方法可在不偏离本发明的范围的情况下在其它交通工具上实施。

本说明书中所论述的技术参考基于计算机的系统和由基于计算机的系统采取的行动以及发送到基于计算机的系统和从基于计算机的系统发送的信息。所属领域的技术人员将认识到，基于计算机的系统的固有灵活性实现大量可能的配置、组合以及任务和功能性在部件之间和在部件当中的划分。举例来说，本说明书中所论述的过程可使用单个计算装置或以组合形式工作的多个计算装置来实施。数据库、存储器、指令和应用程序可在单个系统上实施或跨越多个系统分布。分布式部件可依序或并行操作。

尽管各种实施例的具体特征可能在某些图式中示出而未在其它图式中示出，但这仅仅是为了方便起见。根据本发明的原理，图式的任何特征可结合任何其它图式的任何特征被引用和/或要求保护。

本书面描述用实例来公开包括最佳模式的本发明，且还使所属领域的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所并入的方法。本发明的可获专利的范围由权利要求书限定，且可以包括所属领域的技术人员所想到的其它实例。如果其它此类实例的结构要素与权利要求书的字面意义相同，或如果此类实例的等效结构要素与权利要求书的字面意义无显著差别，那么此类实例意图处于权利要求书的范围内。