Report ECTM

تعریف پایش وضعیت

در اکثر مراجع شش مدل برای خرابی مطرح شده است که سه مدل از آن وابسته به زمان می‌باشد یعنی با گذشت زمان احتمال خرابی در یک قطعه و سیستم افزایش پیدا می‌کند. این مدل از خرابی‌ها در زمان وقوع از خود نوعی هشدار نشان می دهد. این هشدار شکست بالقوه نامیده می‌شود و به صورت شکست فیزیکی قابل تشخیصی تعریف می‌شود. عموما تغییر شرایط یک سیستم به صورت تدریجی اتفاق می افتد و این انحرافات از شرایط نرمال، عموما ورای حواس بشری هستند. بنابراین نیاز به ابزارهایی برای رصد این تغییرات است که بتواند وقوع یک خرابی در سیستم را پیشبینی کنند تا مهندسین تعمیرات و نگهداری، تدابیر لازم برای آن را بیندیشند. به این مجموع فرآیند پایش وضعیت (Condition Monitoring) و یا در برخی موارد پایش سلامت (Health Monitoring) می‌گویند.

پایش وضعیت در هواپیما

بیشتر خرابی‌های که سبب زمینگیر شدن یک هواپیما به مدت طولانی می‌شود، مشکلاتی است که در موتور یک هواپیما رخ می‌دهد. از طرف دیگر هر چقدر یک پرواز تاخیر داشته باشد و یا کنسل شود هزینه‌های سنگینی می‌تواند برای یک ایرلاین داشته باشد بنابراین لزوم پایش وضعیت موتورهای هواپیما همواره مورد توجه بوده است.

در بحث پایش وضعیت موتور (Engine Condition Monitoring)، نرم افزاهای تجاری در صنعت هوانوردی وجود دارد که عموما توسط کمپانی های بزرگ این صنعت توسعه داده شده است. با توجه به شرایط فعلی کشور دسترسی به این منابع مقدور نبوده و علارغم اهمیت این موضوع، فعالیت‌ها در این زمینه بسیار محدود بوده است.

جدیدترین خدماتی که اکنون برای پایش وضعیت موتور در دنیا انجام می شود، خدمات پایش موتور در لحظه (Real-time) است. این برنامه‌ها به این صورت عمل میکند که اطلاعات حیاتی موتور را از طریق ماهواره‌ها دریافت می‌کنند و وضعیت موتور را بررسی می‌کنند در صورتی که نیاز به تعمیراتی باشد دستورالعمل‌های لازم را برای مهندسین تعمیرات نگهداری اعلام کرده تا بلافاصله بعد از فرود هواپیما اقدامات مورد نیاز بر روی موتور صورت گیرد. این اتفاق باعث می‌شود فرآیند عیب‌یابی پیش از فرود هواپیما انجام شود بنابراین زمان ذخیره شده صرف تعمیرات می‌شود و از این طریق، مدت زمان زمینگیر بودن هواپیما به کمترین میزان خود می‌رسد.

نحوه کارکرد نرم افزارهای پایش وضعیت  ECM

همانطور که پیشتر اشاره شد اساس کارکرد نرم افزارهای ECM پیش‌بینی برخی از داده‌های حیاتی موتور است که نشان دهنده‌ی وضعیت سلامت موتور می‌باشد. اما سوال اینجاست این پارامترها کدام است و چگونه می‌توان این پارامترها رو پیشبینی کرد؟

نکته جالب توجه شباهت پایش سلامت انسان و موتور می باشد. در پایش وضعیت موتور عموما سه پارامتر دمای گازهای خروجی (EGT)، جریان سوخت (FF) و سرعت دوران کمپرسور فشار بالا (N2) جهت عیب یابی توسط مهندسان بررسی می‌شود. این درحالی است که برای بررسی وضعیت سلامت یک انسان سه پارامتر دما، فشار خون و ضربان توسط دکتر بررسی می‌شود که این پارامترها به در موتور به ترتیب معادل EGT، FF و N2 می‌باشد. تمامی این پارامترهای موتور در یک هواپیما در بخش‌های مختلفی ذخیره می‌شود اما قسمتی که اطلاعات به راحتی ذخیره و در درسترس قرار دارد بخش QAR (Quick Access Recorder) هواپیما می باشد. بنابراین اطلاعات از این بخش به راحتی قابل خواندن می باشد. این اطلاعات عموما در فرمت یک فایل متنی قابل بازخوانی است.

در تمامی علوم مهندسی و پزشکی همواره پیش بینی یک رویداد بسیار حائز اهمیت بوده است برای همین از مدت‌ها پیش روش‌ها و الگوریتم‌هایی برای این منظور توسعه داده شده است. برای آنکه بتوان برنامه‌ای با قابلیت پیشبینی ایجاد کرد باید بتوان آن را بر اساس داده‌های پیشین تعلیم داد به نحوی که هرچه داده‌های بیشتری به آن داده شود مهارت پیشبینی آن بهبود یابد به این فرآیند که یادگیری ماشین (Machine Learning) گفته می‌شود اساس پیشبینی یک رویداد می باشد. پژوهش‌های اخیر در بحث پایش وضعیت موتور از الگوریتم‌های ژنتیک، کولونی مورچه،  شبکه عصبی و منطق فازی و… می باشد که هر یک مزایا و معایبی برخوردارند.

به طور مثال الگوریتم شبکه عصبی که اساس کارکرد آن الهام گرفته از نرون‌های مغز می باشد یکی از الگوریتم‌های متداولی است که در پایش اطلاعات از آن استفاده می‌شود. برای بهره بری از این مدل، داده‌های موتور سالم در طول یک بازه‌ی زمانی وارد این الگوریتم شده و مدل مذکور بر اساس این داده‌ها تعلیم داده می شود. بنابراین زمانی که شرایط موتور به سمت شرایط غیرطبیعی سوق پیدا کند، می‌تواند پتانسیل خرابی را تشخیص دهد و به مهندسین جهت انجام اقدام تعمیراتی هشدار دهد.

engine condition trend monitoring

محدودیت­هایی که شبکه عصبی به همراه دارد این است که تنها زمان اقدام تعمیراتی را اعلام می‌کند و توان تشخیص نوع اقدام تعمیراتی را ندارد. این موضوع سبب شده است که در کنار مدل شبکه عصبی از مدل منطق فازی برای تصمیم‌گیریِ درستِ اقدام تعمیراتی استفاده کرد. برای این منظور الگوریتم منطق فازی کمک می‌کند تا علاوه بر تشخیص زمان ایجاد پتانسیل خطر در یک سیستم، توانایی تشخیص اقدام تعیراتی مورد نظر را وجود داشته باشد. به طور مثال با بهره‌گیری از این مدل می توان فهمید که چه زمانی پارامتر جریان سوخت (FF) رفتار غیرطبیعی از خود نشان می‌دهد و برای رفع این موضوع باید کدام یک از اقدامات تعمیراتی را انجام داد. نکته حائز اهمیت این است که با توجه با قابلیت یادگیری این سیستم، با گذشت زمان مدل ما خبره‌تر شده و پیشبینی‌های آن دقیق‌تر شده‌است. اکنون شرکت های بزرگ صنعت هوانوردی در حال ارائه خدمات پایش وضعیت موتور می باشند که با توجه به بانک اطلاعاتی آن‌ها، این خدمات با دقت بالایی در حال ارائه می‌باشد.

نحوه ارائه خدمات

نحوه ارائه خدمات ECTM مبتنی بر نرم افزار می باشد که این نرم افزار در سه فاز آماده ارائه خدمات می باشد. در فاز اول دو سری گزارش کوتاه­مدت و بلندمدت ارائه خواهد شد. گزارش کوتاه مدت به صورت دو هفته یک بار و گزارش بلندمدت سه ماه یک بار ارائه می­شود. در این گزارشات نمودارهای عملکردی EGT، FF، N2، تحلیل ارتعاشاتی موتور و روغن و EGT margin ارائه خواهد شد و در انتهای هر گزارش وابسته به روند موتور توصیه­هایی ارائه می­شود.

فاز اول: تحلیل رفتار جریان در موتور:

در این فاز پارامترهای عملکردی موتور استخراج و با دستیابی به داده­های پیوسته­ی موتور در طی زمان روند تغییرات پارامترها شناسایی شده و توصیه­های اولیه گزارش می­شود. در این بخش پارامترهای دیگری مانند ارتعاشات در موتور، تحلیل و بررسی روغن و همچنین بورسکوپ­ها مورد بررسی قرار خواهد گرفت.

فاز دوم یافتن نقطه خرابی (Action Point):

همانطور که پیش‌تر اشاره شد زمانی که داده­های پروازی افزوده می­شود، کنترل تغییرات به صورت دستی امکان­پذیر نیست و کلان داده‌ها نیاز به ابزارهایی برای کنترل دارند. بنابراین نیاز به الگوریتمی است که بتواند بر اساس رفتار پیشین موتور، رفتار موتور در آینده را پیش­بینی کند. پس می­توان با در دست داشتن داده­های جامعی از موتور از الگوریتم­های هوش مصنوعی بهره­­مند شد و ماشینی را بر اساس رفتار موتور در شرایط سالم تعلیم داد، نتیجتاً با انحراف داده­ پروازی موتور از خط معیار آن، ماشین این نقطه را پیش­بینی کرده و در اختیار کاربر قرار می­دهد تا اقدامات پیشگیرانه لازم را انجام دهد.

فاز سوم: عیب­یابی

در این بخش، عیب­یابی دقیق­تر و کامل­تر با استفاده از الگوریتم­های منطق فازی در اختیار کاربر قرار می­گیرد. بدین منظور، با بررسی تمامی احتمالات موجود، تشکیل و وزن­دهی به قوانین مورد نیاز به عنوان ورودی الگوریتم استفاده می­شود و در قالب یک منطق اساسی، الگوریتم عیب­یابی ایجاد می­شود. تفاوت این فاز با توصیه­های اولیه در فاز اول این است که مستقیماً قوانین حاکم بر موتور به­طور دقیق بررسی شده و اعمال می­گردد و خروجی آن تصمیم­گیری برای رفع عیب سیستم یا قطعه مورد نظر می­باشد.

تمامی این فازها به صورت گزارش تحلیلی هفتگی و ماهانه به خطوط هوایی ارائه می شود و نکته حائز اهمیت این است که این نرم افزار منعطف است و می تواند بر اساس نیاز مشتری شخصی سازی شود.