[论文解读] Fault prediction in aircraft engines using Self-Organizing Maps

Marie Cottrell, Patrice Gaubert+5 more|arXiv (Cornell University)|Jul 8, 2009

Advanced Statistical Methods and Models参考文献 1被引用 6

一句话总结

本文提出了一种基于自组织映射（SOM）的飞机发动机故障预测系统，用于可视化随时间演变的多维发动机传感器数据。通过将核心转速、滑油压力及环境变量等高维飞行测量数据投影到二维SOM上，该方法可追踪数据轨迹以检测异常模式，从而在故障实际发生前实现早期识别。

ABSTRACT

Aircraft engines are designed to be used during several tens of years. Their maintenance is a challenging and costly task, for obvious security reasons. The goal is to ensure a proper operation of the engines, in all conditions, with a zero probability of failure, while taking into account aging. The fact that the same engine is sometimes used on several aircrafts has to be taken into account too. The maintenance can be improved if an efficient procedure for the prediction of failures is implemented. The primary source of information on the health of the engines comes from measurement during flights. Several variables such as the core speed, the oil pressure and quantity, the fan speed, etc. are measured, together with environmental variables such as the outside temperature, altitude, aircraft speed, etc. In this paper, we describe the design of a procedure aiming at visualizing successive data measured on aircraft engines. The data are multi-dimensional measurements on the engines, which are projected on a self-organizing map in order to allow us to follow the trajectories of these data over time. The trajectories consist in a succession of points on the map, each of them corresponding to the two-dimensional projection of the multi-dimensional vector of engine measurements. Analyzing the trajectories aims at visualizing any deviation from a normal behavior, making it possible to anticipate an operation failure.

研究动机与目标

• 解决老旧飞机发动机在数十年运行中实现零故障概率的维护挑战。
• 通过使用飞行中传感器数据实现早期故障预测，提升维护效率。
• 通过可视化其时间演变过程，克服多维发动机测量数据的复杂性。
• 检测与正常运行行为的偏差，以在故障发生前预测发动机故障。
• 通过提供发动机健康趋势随时间变化的可视化、可解释表示，支持维护决策。

提出的方法

• 收集包含核心转速、风扇转速、滑油压力、外界温度、高度和飞机速度等在内的多维飞行数据。
• 将每个发动机测量向量投影到二维自组织映射（SOM）上，以实现降维和可视化。
• 将每台发动机的时间演化过程表示为一系列对应于时间戳测量值的连续地图节点轨迹。
• 利用SOM的拓扑排序特性，保留测量值之间的相似性，从而实现异常的可视化检测。
• 分析轨迹中与预期模式的偏离，以识别潜在退化或早期故障。
• 利用SOM的无监督特性，在无需故障事件预先标注的情况下检测未知故障模式。

实验结果

研究问题

• RQ1 自组织映射能否有效可视化多维飞机发动机传感器数据的时间演变？
• RQ2 SOM上的轨迹模式在多大程度上能揭示指示早期故障的正常发动机行为偏差？
• RQ3 SOM方法在实际故障发生前检测发动机运行异常的能力如何？
• RQ4 在SOM上可视化发动机轨迹是否能支持现实航空运营中的主动维护决策？
• RQ5 基于SOM的方法在飞行过程中面对环境和运行条件变化时的鲁棒性如何？

主要发现

• SOM成功地将高维发动机数据投影到二维可视化空间，同时保留了测量值之间的有意义关系。
• SOM上的轨迹清晰呈现出正常运行的模式，使异常或退化行为可被直观区分。
• 在已知故障事件发生前，观察到轨迹路径与典型路径的偏离，表明具有早期预警潜力。
• 该方法无需依赖标注的故障数据即可检测异常行为，证明了其在无监督故障检测中的有效性。
• 可视化能力使维护工程师能够直观理解发动机健康趋势，支持及时干预。
• 该方法通过使用赛峰（SNECMA）和达索航空（Dassault Aviation）的真实数据得到验证，证实了其在发动机监控中的实际适用性。