本發(fā)明涉及到飛機發(fā)動機維修領域。特別是，本發(fā)明涉及預期或預測飛機發(fā)動機上維修作業(yè)的方法和系統(tǒng)。

背景技術：
通常，根據(jù)故障原因，直接在發(fā)動機上進行作業(yè)，不考慮其它參數(shù)。例如，如果檢測到漏油時，會對油路等采取行動。然而，飛機發(fā)動機維修作業(yè)可能要求長時間的停機，部件和勞動成本均很高。那么，為了優(yōu)化和計劃維修作業(yè)，車間維修工人積累的有關故障原因的工作經(jīng)驗就會用來形成基于威布爾定律的統(tǒng)計故障曲線。此時使用的工具包括系統(tǒng)地分配基于威布爾定律統(tǒng)計故障曲線的工作范圍。相同的平均工作范圍分配給所有故障原因的事實使得不可能考慮發(fā)動機的特性或歷史狀況。這就造成維修作業(yè)預測不準確，而且，引起發(fā)動機維修不徹底，結果，在送修后不久，發(fā)動機就會再次出現(xiàn)故障。為此，本發(fā)明的目的是對飛機發(fā)動機維修作業(yè)進行準確預測，從而避免出現(xiàn)任何上述不利情況。

技術實現(xiàn)要素：
本發(fā)明涉及到預測當前飛機發(fā)動機維修作業(yè)的方法，包括如下步驟：-比較適于所述當前發(fā)動機的一組故障模型，以選擇相關故障模型，該相關故障模型具有限定故障發(fā)生時所述發(fā)動機年齡的故障年齡；-根據(jù)有關所述當前發(fā)動機的一組參數(shù)，將所述當前發(fā)動機工作范圍的決策規(guī)則與所述相關故障模型進行聯(lián)系；以及-根據(jù)所述決策規(guī)則，確定在所述當前發(fā)動機上進行的必需的維修工作范圍。為此，該方法考慮了故障原因和其整個影響，以便區(qū)別發(fā)動機彼此之間的不同，并能非常詳細地聯(lián)系到每臺發(fā)動機所特有的技術工作范圍。這樣，就可以更為精確地預測和計劃維修作業(yè)。有利的是，所述參數(shù)組包括如下參數(shù)：故障年齡、所述當前發(fā)動機自從上次送修以來的運行時間、送修等級、所述當前發(fā)動機大量限壽部件(LLP)中每個部件可能的剩余使用壽命，和所述發(fā)動機修復限制條件。根據(jù)本發(fā)明的一個實施例,所述決策規(guī)則包括第一規(guī)則模塊，該模塊規(guī)定了與所述發(fā)動機運行時間有關的多個工作范圍，而且，其特征在于，根據(jù)與所述相關故障模型相聯(lián)系的所述故障年齡，有關工作范圍是在所述多個工作范圍中選取的。所述第一規(guī)則模塊是從此前在初始化階段期間所限定的一組第一規(guī)則模塊中選取的，所述第一規(guī)則模塊中每個都與確定的故障模型和確定的送修等級相聯(lián)系。有利的是，所述決策規(guī)則包括第二規(guī)則模塊，其限定了所述第一規(guī)則模塊工作范圍和維修作業(yè)之間的關系，且所述必需維修工作范圍的確定依據(jù)于所述相關工作范圍、所述發(fā)動機修復限制條件和所述當前發(fā)動機大量限壽部件(LLP)中每個可能的剩余使用壽命。有利的是，所述參數(shù)組在所述當前發(fā)動機維修作業(yè)后進行修改。所述故障模型源自在系列發(fā)動機上進行的操作經(jīng)驗的分析，由各種數(shù)據(jù)組成，包括發(fā)動機編號、每臺發(fā)動機的運行環(huán)境、每臺發(fā)動機的型號，每臺發(fā)動機的工作條件、每臺發(fā)動機的維修部位、每臺發(fā)動機進車間和出車間之間的持續(xù)時間。本發(fā)明還涉及到一種計算機程序，當其由處理裝置運行時，其包括實施基于上述特性的預測方法的編碼指令。本發(fā)明還涉及到預測當前飛機發(fā)動機上維修作業(yè)的系統(tǒng)，包括：-處理裝置，比較適于所述當前發(fā)動機的一組故障模型，以選擇相關故障模型，該相關故障模型具有限定故障發(fā)生時所述發(fā)動機年齡的故障年齡；-處理裝置，根據(jù)有關所述當前發(fā)動機的一組參數(shù)，處理裝置將所述當前發(fā)動機上工作范圍的決策規(guī)則與所述相關故障模型相聯(lián)系；以及-處理裝置，根據(jù)所述決策規(guī)則，處理裝置確定將應用到所述當前發(fā)動機上的必需的維修工作范圍。附圖說明在閱讀作為引導性但非限定性的如下說明后，本發(fā)明的系統(tǒng)和方法的其它特性和優(yōu)點會更清楚地顯現(xiàn)出來，所述說明參照附圖，附圖如下：-圖1示出了本發(fā)明的系統(tǒng)或方法中使用的硬件裝置，所述方法或系統(tǒng)可以用來預測飛機發(fā)動機上的維修作業(yè)；-圖2示出了本發(fā)明的預測某一飛機發(fā)動機維修作業(yè)的方法；-圖3為圖2所示預測維修作業(yè)的方法的具體實施例；以及-圖4示出了本發(fā)明的第一規(guī)則模型的一個實施例，其限定了多個工作范圍。具體實施方式本發(fā)明的原則是充分利用系列發(fā)動機的故障歷史，以非常精確地預測未來的維修作業(yè)。于是，基于對故障原因影響最大的參數(shù)，可以更為詳細地推斷得出有關該發(fā)動機的工作范圍，無需監(jiān)測。圖1示出了本發(fā)明預測飛機發(fā)動機上維修作業(yè)的系統(tǒng)或方法中使用的設備裝置的示例。當發(fā)動機1送車間3修理期間，維修工人積累了有關故障原因和工作范圍的經(jīng)驗。預測系統(tǒng)5利用該工作經(jīng)驗來建立故障模型，從而可以預測在飛機發(fā)動機上將要進行的維修作業(yè)。更具體地來講，預測系統(tǒng)5包括計算機系統(tǒng)7，后者通常包括輸入裝置9、處理裝置11、存儲裝置13和輸出裝置15。應該注意的是，存儲裝置13可以包括計算機程序，其含有適用使用本發(fā)明預測方法的代碼指令。該計算機程序可以采用處理裝置11來運行，后者利用了存儲裝置13和輸入裝置9和輸出裝置15。從各個車間3工作經(jīng)驗中獲得的各種數(shù)據(jù)存儲在存儲裝置13內，以建立有關整個系列發(fā)動機的數(shù)據(jù)庫17。另外，有關這種發(fā)動機的其它數(shù)據(jù)也可記錄在數(shù)據(jù)庫17內，以增加有關該發(fā)動機的信息。為此，隨著時間的過去,數(shù)據(jù)庫17包括收集到的多種關于發(fā)動機1的測量結果和數(shù)據(jù)。這些數(shù)據(jù)包括每臺發(fā)動機的不同故障原因和工作范圍、經(jīng)過處理的或將要處理的發(fā)動機的編號、每臺發(fā)動機的工作環(huán)境、每臺發(fā)動機的型號和標識符、每臺發(fā)動機的運行條件、每臺發(fā)動機的維修部位、每臺發(fā)動機進車間和出車間之間的持續(xù)時間，等等。根據(jù)數(shù)據(jù)庫17內所記錄的有關該系列發(fā)動機的不同輸入數(shù)據(jù)，本發(fā)明的方法可模擬整個系列發(fā)動機的特性，預測發(fā)動機拆除次數(shù)和不同發(fā)動機工作范圍。另外，在確定拆卸計劃、工作范圍和不同發(fā)動機1在車間3內的送修日期時，根據(jù)發(fā)動機的年齡，這種方法還管理發(fā)動機的技術歷史。更具體地說，處理裝置11可設置成利用數(shù)據(jù)庫17內記錄的數(shù)據(jù)，以便確定統(tǒng)計故障模型，根據(jù)時間來模擬故障原因。更確切地說，處理裝置11將一組故障模型與每臺發(fā)動機型號及其用途相關聯(lián)。每個故障模型都可以根據(jù)時間用累積故障概率形式來表示(例如，見圖2和圖3)。有利的是，故障模型可以基于威布爾分布定律，該定律非常適合于建模發(fā)動機1部件壽命或故障。威布爾分布的概率密度f(t；β,η,γ)可以用下列形式表示：該定律極其靈活，因為其考慮了三個參數(shù)，即形狀參數(shù)β，尺度參數(shù)η和定位參數(shù)γ。而后，威布爾分布定律的分布功能或故障概率定義如下：由于該定律的靈活性,采用威布爾分布定律可以令人滿意地描述大量故障記錄。特別是，其可以重現(xiàn)其它概率律的特征，則正說明了這一點。例如，如果β＝1，威布爾分布定律相當于指數(shù)分布；如果β＝2，威布爾分布定律相當于瑞利(Rayleigh)分布；如果3<β<4，威布爾分布定律相當于正態(tài)分布；如果β→∞，威布爾分布定律相當于狄拉克(Dirac)分布。在其它某些情況下，還可以重現(xiàn)二項式定律和泊松(Poisson)定律。顯然，對于隨著時間的過去具有幾種故障模式的發(fā)動機1的部件來講，威布爾定律可以根據(jù)部件的年齡采用不同參數(shù)來確定。例如，在開始時，部件的故障率可以下降(β<1)，表示“早期故障期”。換句話說，易碎部件在早期很快出現(xiàn)故障，在故障部件被更換后會，故障率下降。然后，故障率會在部件的整個使用年限期間保持不變(β＝1)。最后，在自然磨損階段，故障率開始增加(β>1)。那么，三種故障模式構成連續(xù)的浴盆形狀曲線。應該注意的是，其它統(tǒng)計定律也可用于易受某種非線性現(xiàn)象(諸如裂紋)的部件。更合適的對數(shù)-正態(tài)分布可用于這種現(xiàn)象。圖2示出了本發(fā)明的預測某型飛機發(fā)動機上的維修作業(yè)的方法。步驟E10涉及到數(shù)據(jù)、參數(shù)和輸入變量的初始化。這些輸入信息包括發(fā)動機型號、其運行環(huán)境、其工作條件、適于這種發(fā)動機的故障模型，等等。輸入信息還包括參數(shù)P1,P2,…，Pi在故障可能原因和工作范圍之間的聯(lián)系方面影響最大，和一組有關發(fā)動機1工作范圍的決策規(guī)則R。該組有影響的參數(shù)P1,P2,…，Pi包括發(fā)動機年齡和發(fā)動機修復限制條件參數(shù)。此外，決策規(guī)則R可以是根據(jù)不同故障模型和所有參數(shù)而建立的邏輯規(guī)則。在步驟E20，處理裝置11可以使用存儲裝置13中適合于所管制發(fā)動機1的所有的故障模型M1,M2,M3,…,Mn。根據(jù)(例如)以小時表示的時間或機翼下方發(fā)動機的循環(huán)數(shù)，每個故障模型都采用適用于0至100％之間的故障累積概率的定律來表示。應該注意的是，所述循環(huán)對應于所有飛行階段(起飛、飛行和降落)。這些故障模型M1,M2,M3,…,Mn可以顯示在作為輸出裝置15組成部分的屏幕上。在步驟E30，處理裝置11可以布置成將所有故障模型M1,M2,M3,…,Mn進行對比，從而選擇相關的故障模型Mi，該故障模型Mi具有故障年齡T0，其限定了發(fā)動機1在故障發(fā)生時將具有的年齡。有利的是，相關模型采用在所有故障模型M1,M2,M3,…,Mn上進行蒙特卡羅(Monte-Carlo)模擬法來選出。蒙特卡羅模擬法可以從對應于威布爾定律類的故障模型M1,M2,M3,…,Mn概率分布的隨機輸入中決定那些確定性輸出。由于大量數(shù)字定律，蒙特卡羅模擬可以將一次事件發(fā)生的確定性數(shù)字與該次事件發(fā)生的概率進行相關處理。在這種情況下，發(fā)動機1部件正常工作的概率分布H(t)可在時間t后以根據(jù)故障(或分布函數(shù))F(t)概率按如下公式來表示：式中，P是在時間t之后由蒙特卡羅模擬法提取的0和1之間的隨機數(shù)，對應于故障概率。為此，對應于故障發(fā)生時發(fā)動機年齡的時間t由下列公式給出：t＝-η×ln(1-P)1/β對于該組故障模型M1,M2,M3,…,Mn中的每個模型，處理裝置11可以進行這種計算，從而生成一組故障年齡{t1,t2,…,tn}。處理裝置11可配置成在該組故障年齡中選擇相關的故障年齡和對應于該年齡的故障模型。例如，相關故障年齡可以對應于最小時間應該注意的是，該相關故障年齡T0可表示送修的日期。在步驟E40，根據(jù)相對于該發(fā)動機1的該組參數(shù)P1,P2,…,Pi，處理裝置11配置成將發(fā)動機1的工作范圍決策規(guī)則R與相關故障模型Mi相聯(lián)系。有利的是，該組有影響的參數(shù)包括發(fā)動機修復限制條件和關于發(fā)動機年齡的參數(shù)，這些參數(shù)包含故障發(fā)生時發(fā)動機年齡，以小時或上次送修以來工作循環(huán)表示的發(fā)動機技術歷史(或運行持續(xù)時間)，對應于車間3內發(fā)動機送修次數(shù)的等級或SV(送修指數(shù))，以及發(fā)動機1大量限壽部件(LLP)中每個的可能的剩余使用壽命。在步驟E50，處理裝置11配置成可根據(jù)這些決策規(guī)則R確定在發(fā)動機1上將要進行的必需維修的工作范圍(Wf)。為此，處理裝置11將故障最可能的原因(換言之，相關故障模式)和有影響的參數(shù)之間進行聯(lián)系，所述有影響的參數(shù)包括發(fā)動機歷史、修復限制條件和送修等級，以便在步驟E30所確定的相關故障年齡T0所表示的送修時計劃出盡可能最真實的工作范圍。圖3示出了圖2所示維修作業(yè)預測方法的具體實施例。如前面附圖中步驟E10那樣，步驟E11涉及數(shù)據(jù)、參數(shù)P1,…,Pi、和輸入變量的初始化。更具體地說，根據(jù)該實施例，有關發(fā)動機1工作范圍的該組決策規(guī)則R包括一組第一規(guī)則模塊R1和一組第二規(guī)則模塊R2。第一規(guī)則模塊R1組是這樣定義的，即這些第一模塊中每個模塊都與確定的故障模型有關和送修車間3的確定的送修等級(SV)有關。圖4示出了第一規(guī)則模塊的實施例，該模塊限定了與發(fā)動機運行時間相關的多個水平L1,L2,L3或工作范圍。換句話說，針對不同的工作范圍，第一規(guī)則模塊R1包括選擇工作范圍的“關鍵機翼下時間”。不同的工作范圍可能會涉及到低壓壓氣機LP、高壓壓氣機HP、燃燒室、高壓渦輪THP、低壓渦輪TBP等。例如，對發(fā)動機核心燃氣發(fā)生器(換句話說，由高壓壓氣機HP，燃燒室和高壓渦輪THP組成的裝置)采取行動，從而可以重新形成排氣溫度(EGT)范圍。圖4給出的實施例說明了三個水平,表示根據(jù)發(fā)動機1翼下時間t，由于某種故障原因X而要求的工作范圍的特性。該圖示出的第一水平L1，稱之為小送修(SV)，在0至2000循環(huán)之間，第二水平L2稱之為中等送修(SV)，在2000至5000循環(huán)之間，以及第三水平L3稱之為大型送修(SV)，翼下時間超過5000循環(huán)。小送修(SV)水平對應于工作范圍減少的送修，中等送修(SV)水平對應于發(fā)動機核心燃氣發(fā)生器上進行的工作范圍，以及大型送修(SV)水平對應于包括發(fā)動機“核心”和低壓渦輪TBP的工作范圍。例如，第一規(guī)則模塊R1可對應于表列數(shù)據(jù)，采用逗號分隔值形式，使用csv(逗號分隔值)格式的文件，所述格式稱之為“卡片”。為此，對于圖4所示的一級送修，該卡片結構如下：-卡片的日期；水平；原因X；水平1；等級1；發(fā)動機型號；發(fā)動機額定值(換句話說，根據(jù)發(fā)動機推力輸出，發(fā)動機的子模型)；0；2000；小型送修(SV)。-卡片的日期；水平；原因X；水平2；等級1；發(fā)動機型號；發(fā)動機額定值；2000；5000；中等送修(SV)。-卡片的日期；水平；原因X；水平3；等級1；發(fā)動機型號；發(fā)動機額定值；5000；50000；大型送修(SV)。每個水平L1，L2，L3的下限和上限都針對相對于其環(huán)境的每臺發(fā)動機類型。有利的是，這些限值都可以根據(jù)車間3內所完成的工作范圍的使用經(jīng)驗來修改或調整。此外，針對第一模塊R1的每個水平L1，L2，L3，根據(jù)發(fā)動機1修復限制條件，所有第二規(guī)則模塊R2限定最終的工作范圍。換句話說，對于每個第一規(guī)則模塊R1，都存在一個第二規(guī)則模塊R2，其限定了第一規(guī)則模塊工作范圍和最終維修作業(yè)之間的關系。第二規(guī)則模塊R2還可以用逗號隔開值(csv)格式的文件或卡片來建立。圖3中的步驟E20和E30類似于參照圖2描述的步驟。為此，在步驟E20中，處理裝置11設有一組故障模型M1,M2,M3,…,Mn適用于發(fā)動機1。例如，第一故障模型M1是關于排氣溫度EGT的故障原因，第二故障模型M2是核心裝置的故障原因，第三故障模型M3是低壓渦輪TBP的故障原因，而第n個故障模型Mn則是關于風扇的故障原因。那么，在步驟E30中，處理裝置11比較適于發(fā)動機1的所有故障模型M1,M2,M3,…Mn，以選擇相關的故障模型Mi，該故障模型Mi具有在發(fā)生故障時發(fā)動機1將具有的年齡T0。參照前一個示例，假設相關模型Mi是在18千次循環(huán)時的用于排氣溫度EGT的第一故障模型M1，該模型是在比較了故障模型M1,M2,M3,…，Mn之后選出的，初始限壽部件LLP在用于核心裝置的第二故障模型M2上可能是20千次循環(huán)，在用于低壓渦輪TBP的第三故障模型M3上可能是25千次循環(huán)，以及在用于風扇的第n個故障模型Mn上可能是30千次循環(huán)。在步驟E41和E42時，根據(jù)與發(fā)動機相關的該組參數(shù)P1,…,Pi，處理裝置11配置成可將具有第一和第二規(guī)則模型的決策規(guī)則與相關故障模型Mi進行聯(lián)系。更具體地來講，在步驟E41時，處理裝置11將第一規(guī)則模塊R1與相關故障模型Mi進行聯(lián)系，所述第一規(guī)則模塊R1限定了與發(fā)動機1運行時間有關的多個工作范圍L1，L2，L3。然后，根據(jù)在步驟E30中選擇的與相關故障模型Mi相關聯(lián)的故障年齡，處理裝置11在所述多個工作范圍L1，L2，L3中選擇相關水平。該第一規(guī)則模塊R1可以提供維修作業(yè)的最小工作范圍。在前一個示例的情況下，在18千次循環(huán)時，有關排氣溫度EGT故障的相關故障模型M1是在第一規(guī)則模塊R1的第二水平L2中，后者與在“核心”裝置上進行的最小工作的中等送修(SV)相聯(lián)系。在步驟E42時，處理裝置11選擇第二規(guī)則模塊R2，其限定了與有關故障模型Mi相聯(lián)系的第一規(guī)則模塊R1工作范圍L1，L2，L3和對應的維修作業(yè)之間的關系。根據(jù)在步驟E41時選擇的有關水平L2、發(fā)動機修復限制條件和發(fā)動機1每個限壽部件LLP可能的剩余使用壽命，第二規(guī)則模塊R2可使處理裝置11能夠確定所要求的維修工作范圍。例如，原因X的第二規(guī)則模塊R2和送修等級1的卡片可以按照如下結構建立：原因X編號；原因X；水平1；限壽部件LLP需求(是/否)；風扇限壽部件LLP需求(是/否)；核心裝置限壽部件LLP需求(是/否)；低壓渦輪限壽部件TBPLLP需求(是/否)；最終工作范圍代碼；綜合工作范圍(是/否)；最終工作范圍。在上面所述示例中，讓我們假設發(fā)動機1的修復限制條件是送修期間限壽部件LLP為8千次循環(huán)。換句話說，發(fā)動機1必須重新維修，以便保持良好狀態(tài)，能在出廠后保持至少8000次循環(huán)。假定剩余的使用時間是：核心裝置2000次循環(huán)，低壓渦輪TBP7000次循環(huán)，以及風扇12000次循環(huán)。因此，核心裝置的限壽部件和低壓渦輪TBP的限壽部件都將必須更換，這樣，所有的限壽部件都可能使用8000次循環(huán)以上。因此，核心裝置和低壓渦輪TBP的限壽部件都是必須的，這會增加初始核心裝置工裝范圍，等于核心裝置+低壓渦輪TBP。為此，基于此前確定的有關故障年齡T0，由于所述第一和第二決策模塊，處理裝置11確定在車間3送修期間將要在發(fā)動機1上進行的所要求的維修工作范圍Wf(最終工作范圍)。有利的是，該組參數(shù)可在當前發(fā)動機上的維修作業(yè)完成后進行修改。這樣，就可以考慮該工作范圍的結果以便精確確定下一個工作范圍。應該看到，當預測最佳維修作業(yè)時，可以考慮所有如下參數(shù)：故障年齡，送修等級，發(fā)動機每個限壽部件LLP可能的剩余使用壽命，以及發(fā)動機的修復限制條件。很顯然，本發(fā)明的方法可以同樣適用于更多參數(shù)或僅僅其中所述部分參數(shù)。例如，有關送修等級的參數(shù)可以忽略不計。