Το ΕΘΣ έχει αναπτύξει έγκυρες μεθόδους που επιτρέπουν την παρακολούθηση της κατάστασης των αεριοστροβίλων και τη διάγνωση βλαβών. Όλες αυτές οι μέθοδοι είναι το αποτέλεσμα μιας έντονης βασικής ερευνητικής δραστηριότητας για περισσότερα από 15 χρόνια, συμμετέχοντας σε διάφορα χρηματοδοτούμενα ερευνητικά έργα.
Οι διαγνωστικές μέθοδοι που έχουν αναπτυχθεί προγραμματίζονται σε FORTRAN ή σε γλώσσα VB και μπορούν να παραδοθούν είτε ως εκτελέσιμα αρχεία ή αρχεία DLL, που μπορούν να ενσωματωθούν σε άλλα συστήματα λογισμικού (π.χ. Microsoft Office Excel, MATLAB, κλπ). Επιπλέον, όλες οι μέθοδοι μπορούν να προσαρμοστούν για να ικανοποιήσουν τις συγκεκριμένες ανάγκες και τις απαιτήσεις του χρήστη.
Οι διαθέσιμες διαγνωστικές μέθοδοι είναι:
- Αναγνώριση Προτύπου
Η διαγνωστική αυτή μέθοδος επιτρέπει τη διάγνωση βλαβών σε αεριοστρόβιλους, χρησιμοποιώντας διάφορες τεχνικές αναγνώρισης προτύπων (Γεωμετρική Αναγνώριση Προτύπων, Στατιστική Αναγνώριση Προτύπων και Στατιστική Αναγνώριση Προτύπων με Βέλτιστες Οδηγίες).
Αυτή η διαγνωστική μέθοδος είναι μια μέθοδος ταξινόμησης. Ένα συγκεκριμένο δεδομένο καταχώρησης ταξινομείται σε μία προκαθορισμένη - μεταξύ πολλών - κατηγορία, που αντιπροσωπεύουν την κατάσταση της υγείας του κινητήρα. Αυτή η μέθοδος μπορεί να εφαρμοστεί σε ένα ευρύ φάσμα διαγνωστικών προβλημάτων που κυμαίνονται από την ανίχνευση δυσλειτουργιών του αισθητήρα των οργάνων μέτρησης αεριοστροβίλων έως τη διάγνωση των βλαβών των στοιχείων του κινητήρα.
- Πιθανοτικά Νευρωνικά Δίκτυα (ΠΝΔ)
Αυτή είναι επίσης μια μέθοδος ταξινόμησης, που βασίζεται σε μια συγκεκριμένη αρχιτεκτονική των Τεχνητών Νευρωνικών Δικτύων (ΤΝΔ), το Πιθανοτικό Νευρωνικό Δίκτυο (ΠΝΔ). Αυτή η μέθοδος εκτελεί περισσότερο στοχαστική παρά ντετερμινιστική αναγνώριση προτύπων, παρέχοντας επίσης ένα βαθμό εμπιστοσύνης ως προς το αποτέλεσμα της ταξινόμησης.
Η διαδικασία εκπαίδευσης (training procedure) της διαγνωστικής μεθόδου ΠΝΔ συνίσταται στην παραγωγή προσομοιωμένων συνθηκών λειτουργίας του κινητήρα, μέσω της χρήσης ενός μοντέλου απόδοσης του κινητήρα (ΕΡΜ).
Η μέθοδος αυτή εφαρμόζεται επίσης σε ένα ευρύ φάσμα διαγνωστικών προβλημάτων που κυμαίνονται από την ανίχνευση των δυσλειτουργιών του αισθητήρα των οργάνων μέτρησης αεριοστροβίλου έως τη διάγνωση των βλαβών των στοιχείων του κινητήρα.
Μία τυπική αρχιτεκτονική της διαγνωστικής μεθόδου ΠΝΔ παρουσιάζεται παρακάτω.
- Μπαγεσιανά Δίκτυα Belief (BBN)
Τα Μπαγεσιανά Δίκτυα Belief (BBN) είναι ένας τύπος εξειδικευμένου πιθανοτικού συστήματος που συνδυάζει τη Θεωρία Γραφημάτων με τη Θεωρία Πιθανοτήτων, επιτρέποντας την αποτελεσματική διαχείριση των μεταβλητών στοχαστικών και των πιθανοτικών πολλαπλασιασμών (probabilistic propagation).
Η διαγνωστική μέθοδος BBN, χρησιμοποιεί όλες τις διαγνωστικές παραμέτρους ενός αεριοστροβίλου ως στοχαστικές παραμέτρους. Η συσχέτιση μεταξύ των παραμέτρων αναπαράγεται από ένα μοντέλο απόδοσης του κινητήρα (EPM). Μόλις είναι διαθέσιμες πληροφορίες σχετικά με τον κινητήρα (π.χ. μετρήσεις που αποκτήθηκαν μεταξύ των σταθμών του κινητήρα), η τιμή των αντίστοιχων παραμέτρων ορίζεται, ενώ η αξία των υπόλοιπων (άγνωστοι) παράμετροι πολλαπλασιάζεται (propagated).
Μέχρι στιγμής, υπάρχουν δύο τύποι διάρθρωσης της διαγνωστικής μεθόδου BBN:
- Η στατική-BBN. Σε αυτή τη διαμόρφωση όλες οι διαγνωστικές παράμετροι ενός υπό εξέταση αεριοστροβίλου θεωρούνται ως στοχαστικές παράμετροι με σταθερές διακριτές τιμές.
- Η δυναμική-BBN. Σε αυτή τη διαμόρφωση όλες οι διαγνωστικές παράμετροι ενός αεριοστροβίλου που αντιπροσωπεύουν μετρήσιμα μεγέθη θεωρούνται στοχαστικές παράμετροι, οι τιμές των οποίων προσαρμόζονται δυναμικά, ώστε να αντανακλούν τις αποκτηθείσες μετρήσεις.
Μία τυπική αρχιτεκτονική της διαγνωστικής μεθόδου BBN παρουσιάζεται παρακάτω.
- Support Vector Machines (SVM)
Το SVM είναι μια σύγχρονη προσέγγιση στις μεθόδους ταξινόμησης, σύμφωνα με την οποία τα πρότυπα που εξετάζονται κατατάσσονται σε κατηγορίες, που χωρίζονται μεταξύ τους σε υπέρ-επίπεδα σε έναν πολυδιάστατο χώρο. Αυτά τα υπέρ-επίπεδα ορίζονται μέσα από γνωστά πρότυπα, τα λεγόμενα «διανύσματα υποστήριξης».
Στην διαγνωστική μέθοδο SVM, οι κατηγορίες είναι πιθανές καταστάσεις βλάβης του κινητήρα ή δυνατές συνθήκες για την υγεία του κινητήρα, ενώ τα πρότυπα είναι διανύσματα που αποκτήθηκαν από τις διαθέσιμες μετρήσεις στον κινητήρα. Τα απαιτούμενα υπέρ-επίπεδα ορίζονται μέσα από προσομοιωμένες συνθήκες λειτουργίας του κινητήρα με τη βοήθεια ενός μοντέλου απόδοσης του κινητήρα (EPM).
- Dempster-Schafer fusion method (D-S fusion)
Αυτή δεν είναι μία αυτόνομη διαγνωστική μέθοδος, αλλά μια μέθοδος που συγχωνεύει τα αποτελέσματα της ανεξάρτητης λειτουργίας διαγνωστικών μεθόδων. Η μέθοδος αυτή αντικατοπτρίζει την σύγχρονη διαγνωστική προσέγγιση, σύμφωνα με την οποία και προκειμένου να αυξηθεί η αξιοπιστία των διαγνωστικών συμπερασμάτων, αυτά πρέπει να εξάγονται λαμβάνοντας υπόψη περισσότερες από μία πηγές πληροφόρησης.
Η μέθοδος D-S fusion βασίζεται στη θεωρία των Demster-Schafer, στην οποία σε κάθε μεταβλητή δίνεται μια «μάζα» που αντανακλά την πεποίθησή μας για την αξία της.
Μία σχηματική παρουσίαση της μεθόδου D- fusion S, που εφαρμόζεται σε δύο διαγνωστικές μεθόδους, παρουσιάζεται στο παρακάτω σχήμα.
Τα δεδομένα που λαμβάνονται από τον υπό εξέταση κινητήρα επεξεργάζονται για να σχηματίσουν μία χαρακτηριστική εικόνα της κατάστασής του. Η χαρακτηριστική αυτή εικόνα είναι εισροή για δύο μεθόδους που λειτουργούν ανεξάρτητα και που επιτρέπουν η κάθε μία την εκτίμηση της κατάστασης της υγείας του κινητήρα (Μέθοδος-Α και Μέθοδος Β). Το αποτέλεσμα αυτών των δύο μεθόδων είναι το διαγνωστικό συμπέρασμα κάθε μεθόδου, το οποίο στη συνέχεια μετατρέπεται σε «μάζες», οι οποίες είναι οι μεταβλητές που αναφέρονται στην θεωρία Dempster-Schafer (D-S). Οι μάζες που συνδυάζονται τελικά, μέσω της χρήσης του κανόνα συνδυασμού Dempster, οδηγούν στις «συνδυασμένες μάζες». Αυτές οι «συνδυασμένες μάζες» είναι ένα μέτρο της πεποίθησής μας για την απόκλιση των παραμέτρων υγείας, δεδομένων των διαγνωστικών αποτελεσμάτων των δύο ανεξάρτητων μεθόδων, από τις οποίες προκύπτουν τα τελικά διαγνωστικά συμπεράσματα.
- Probabilistic Aggregation Fusion Method
Το ΕΘΣ έχει αναπτύξει μια μέθοδο που ασχολείται με τις πληροφορίες με πιθανοτική μορφή. Η μέθοδος αυτή χρησιμοποιεί την έννοια της γραμμικής δεξαμενής γνώμης (opinion pool), προκειμένου να συνδυάσει τα συμπεράσματα (ή τις αποφάσεις) με μεθόδους που λειτουργούν ανεξάρτητα, προκειμένου να αντλήσει μια βελτιωμένη και πιο ακριβή διαγνωστικά τελική απόφαση. Δύο διαμορφώσεις της ανωτέρω μεθόδου έχουν αναπτυχθεί μέχρι τώρα, ο απλός συνδυασμός και η παράλληλη συσσωμάτωση (aggregation). Αυτή η μέθοδος απαιτεί μια κοινή πιθανοτική μορφή όλων των χρησιμοποιούμενων μεθόδων και μπορεί να συζευχθεί με τις τεχνικές που μετατρέπουν τις διαθέσιμες πληροφορίες στο πεδίο των πιθανοτήτων. Επίσης, η επιλογή της βαρύτητας είναι κρίσιμη για την αποτελεσματικότητα της παρούσας μεθόδου και για τον σκοπό αυτό έχουν αναπτυχθεί δύο συγκεκριμένες μεθοδολογίες, δηλαδή η «απαισιόδοξη» και «αισιόδοξη» προσέγγιση. .
- Μέθοδος Συγχώνευσης Ασαφούς Λογικής (Fuzzy Logic Fusion Method (FL fusion)
Αυτή η τεχνική είναι μία τεχνική συγχώνευσης πληροφοριών δύο σταδίων που επιτρέπει το συνδυασμό των διαγνωστικών αποφάσεων ανεξάρτητων διαγνωστικών μεθόδων. Οι διαγνωστικές μέθοδοι που ενεργούν ανεξάρτητα παρέχουν εκτιμήσεις για την κατάσταση του κινητήρα και η τελική απόφαση προέρχεται από το συνδυασμό αυτών των εκτιμήσεων μέσα στο πλαίσιο της πιθανοτικής συγκέντρωσης και της ασαφούς ταξινόμησης. Σημειώνεται ότι η μέθοδος ταξινόμησης ασαφούς λογικής έχει σχεδιαστεί με δύο διαμορφώσεις, μια που χρησιμοποιεί μόνο ασαφή σύνολα και μία που χρησιμοποιεί ένα πλήρες σύστημα ασαφών συμπερασμάτων.
- Μέθοδος Συγχώνευσης Παραγόντων Βεβαιότητας (Certainty Factors Fusion Method) (CF fusion)
Η μέθοδος αυτή περιλαμβάνει μια ad hoc μέθοδο πιθανοτικής συλλογιστικής για την αντιμετώπιση της αβεβαιότητας με έναν αποτελεσματικό και εύκολο τρόπο. Η CF αποτελεί μία δημοφιλή εναλλακτική λύση για την πιθανοτική αιτιολόγηση για τις περιπτώσεις όπου τα διαθέσιμα στοιχεία για την ολοκλήρωση μιας διαγνωστικής εργασίας δεν επιτρέπουν μια παραδοσιακή πιθανοτική προσέγγιση. Η CF επιχειρεί να μετρήσει την εμπιστοσύνη που τίθεται σε μια ορισμένη υπόθεση (η οποία στην περίπτωση αυτή είναι μια κατηγορία σφάλματος ή μια δεδομένη κατάσταση της υγείας του κινητήρα) από έναν ειδικό (η οποία στην προκειμένη περίπτωση είναι μια διαγνωστική μέθοδος που λειτουργεί ανεξάρτητα) δεδομένης της ύπαρξης κάποιων αποδείξεων (που σε αυτή την περίπτωση είναι οι διαθέσιμες διαγνωστικές πληροφορίες ή μετρήσεις). Ένας παράγοντας βεβαιότητας ορίζεται βασιζόμενος σε δύο λειτουργίες, την MB (μέτρο της πίστης) και την MD (μέτρο της δυσπιστία). Η βάση γνώσεων της μεθόδου αποτελείται από κανόνες IF-THEN. Η μέθοδος που περιγράφεται συνδυάζει τις εκτιμήσεις των ανεξάρτητων διαγνωστικών μεθόδων και παρέχει ένα τελικό συμπέρασμα για το πιο φιλτραρισμένη και ακριβή διάγνωση.
- Συνδυαστική Μέθοδος
Η μέθοδος αυτή δίνει τη δυνατότητα να εντοπιστούν οι αποκλίσεις των παραμέτρων υγείας της απόδοσης του κινητήρα (δηλαδή Ν) από έναν περιορισμένο αριθμό των μετρούμενων μεγεθών απόδοσης (δηλαδή Μ). Σύμφωνα με τη μέθοδο αυτή, το σύνολο των μετρήσεων τροφοδοτείται σε ένα προσαρμοσμένο διαγνωστικό μοντέλο και παράγεται μια μοναδική λύση (εκτιμώμενη απόκλιση των παραμέτρων Μ από N). Η διαδικασία εφαρμόζεται για όλους τους διαφορετικούς δυνατούς συνδυασμούς παραμέτρων, δηλαδή όσες φορές όσες ο αριθμός όλων των πιθανών συνδυασμών Ν ανά Μ Σημειώνεται ότι κάθε λύση ελέγχεται επίσης έτσι ώστε να είναι εντός των προκαθορισμένων ορίων. Στην επιδείνωση του κινητήρα, για παράδειγμα, οι παράμετροι της υγείας των επιδόσεων όλων των μερών μειώνονται, εκτός από τη λειτουργία της ροής του στροβίλου που μπορεί είτε να μειώνεται είτε να αυξάνεται. Αν μια τέτοια λύση υπερβαίνει αυτά τα όρια, τότε δεν λαμβάνεται υπόψη. Τέλος, η μέθοδος συνδυάζει όλες αυτές τις λύσεις από τους διάφορους συνδυασμούς, προκειμένου να παραχθεί η πιο πιθανή από αυτές. Η διαγνωστική μέθοδος που περιγράφεται εδώ βασίζεται στην ύπαρξη ενός μοντέλου απόδοσης του κινητήρα, το οποίο αντιπροσωπεύει τη σχέση μεταξύ των παραμέτρων υγείας και τις μετρήσεις κατά μήκος του κινητήρα και μπορεί να προσομοιώσει τόσο υγιή όσο και ελαττωματική λειτουργία. Ο χρήστης μπορεί να χρησιμοποιήσει οποιοδήποτε μοντέλο κινητήρα διαφορετικής πολυπλοκότητας (και ακρίβειας).
- Μέθοδος Εντοπισμού Επιδείνωσης
Η μέθοδος αυτή δίνει επίσης τη δυνατότητα να εντοπιστούν οι αποκλίσεις των παραμέτρων υγείας της απόδοσης του κινητήρα από έναν περιορισμένο αριθμό μετρούμενων μεγεθών απόδοσης. Η βασική διαφορά αυτής της μεθόδου σε σύγκριση με την συνδυαστική μέθοδο έγκειται στο ότι ο διαγνωστικός αλγόριθμος ελαχιστοποιεί της κατάλληλη συνάρτηση κόστους για συγκεκριμένες συνθήκες λειτουργίας του κινητήρα. Η ελαχιστοποίηση της συνάρτησης του τυποποιημένου κόστους επιτυγχάνεται με τη χρήση της μεθόδου Simplex Downhill πολυδιάστατα. Σε αυτή τη μέθοδο εκτελείται επίσης έλεγχος, έτσι ώστε οι λύσεις να βρίσκονται εντός των προκαθορισμένων ορίων. Σε περίπτωση που υπερβαίνουν αυτά τα όρια προστίθεται μία ποινή στην συνάρτηση κόστους. Η διαγνωστική μέθοδος που περιγράφεται βασίζεται στην ύπαρξη ενός μοντέλου απόδοσης του κινητήρα, το οποίο αντιπροσωπεύει τη σχέση μεταξύ των παραμέτρων υγείας και των μετρήσεων κατά μήκος του κινητήρα και μπορεί να προσομοιώσει τόσο υγιή όσο και ελαττωματική λειτουργία. Ο χρήστης μπορεί να χρησιμοποιήσει οποιοδήποτε μοντέλο κινητήρα διαφορετικής πολυπλοκότητας (και ακρίβειας).