引擎队中的芯摩擦诊断

摘要

提供促进预测芯摩擦诊断的系统和技术。传感器组件能够收集燃气涡轮引擎的实时操作参数。分析组件能够在统计上组合第一值、第二值和第三值，以产生用于引擎的摩擦指示符。第一值能够基于从实时操作参数所得出的引擎的基本模式放置和基准基本模式放置的第一比较。第二值能够基于从实时操作参数所得出的引擎的振动谱和基准振动谱的第二比较。第三值能够基于引擎的实时操作参数和基准操作参数的第三比较。分类组件能够基于摩擦指示符来生成摩擦分类报告，该摩擦分类报告指示引擎中的摩擦的存在。

说明书

技术领域

本主题公开一般涉及引擎诊断，以及更特别涉及能够促进引擎队(engine fleet)中的预测芯摩擦诊断的系统和计算机实现方法。

发明内容

下面呈现概述以提供对本发明的一个或多个实施例的基本理解。本概述不旨在识别关键或重要元素，或描绘特定实施例的任何范围或权利要求的任何范围。其唯一目的是以简化形式呈现概念，作为稍后呈现的更详细描述的序言。在本文所述的一个或多个实施例中，描述促进引擎队的预测芯摩擦诊断的装置、系统、计算机实现方法、设备和/或计算机程序产品。

按照一个或多个实施例，提供一种系统。该系统能够包括存储器，该存储器能够存储计算机可执行组件。该系统能够进一步包括处理器，该处理器能够可操作耦合到存储器，并且能够执行存储器中存储的计算机可执行组件。在各种实施例中，计算机可执行组件能够包括传感器组件，该传感器组件能够从一个或多个传感器来收集燃气涡轮引擎的实时操作参数。在各种实施例中，计算机可执行组件能够进一步包括分析组件，该分析组件能够在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生用于燃气涡轮引擎的摩擦指示符。在各种方面中，一个或多个第一值能够基于燃气涡轮引擎的基本模式放置和基准（baseline）基本模式放置的第一比较，其中燃气涡轮引擎的基本模式放置能够从实时操作参数来得出。在各种实例中，一个或多个第二值能够基于燃气涡轮引擎的振动谱和基准振动谱的第二比较，其中燃气涡轮引擎的振动谱能够从实时操作参数来得出。在各种方面中，一个或多个第三值能够基于燃气涡轮引擎的实时操作参数和基准操作参数的第三比较。在一个或多个实施例中，计算机可执行组件能够进一步包括分类组件，该分类组件能够基于摩擦指示符来生成摩擦分类报告，该摩擦分类报告指示燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。在各种实施例中，分析组件能够经由第一机器学习算法来生成一个或多个第一值，该第一机器学习算法被训练成识别第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗（blade loss）的模式。在各种实例中，分析组件能够经由第二机器学习算法来生成一个或多个第二值，该第二机器学习算法被训练成识别第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。在各种方面中，分析组件能够经由第三机器学习算法来生成一个或多个第三值，该第三机器学习算法被训练成识别第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。在一个或多个实施例中，计算机可执行组件能够进一步包括地面（on-ground）数字孪生组件，该地面数字孪生组件能够基于摩擦分类报告来监测燃气涡轮引擎的性能，并且能够基于摩擦分类报告向燃气涡轮引擎推荐校正动作。在一个或多个实施例中，地面数字孪生组件能够通过监测与燃气涡轮引擎队关联的其他摩擦分类报告来跟踪该队中的新兴趋势，并且能够在所调度维护、维修和送修

按照一个或多个实施例，上述系统能够实现为计算机实现方法。

按照一个或多个实施例，上述系统能够实现为用于促进预测芯摩擦诊断的计算机程序产品，该计算机程序产品包括具有随其体现的程序指令的计算机可读存储器，所述程序指令由处理组件可执行，以便使该处理组件执行各种动作。

因为不同类型的引擎摩擦(例如轴向摩擦、径向摩擦、组合摩擦等)能够在严重性方面改变并且按照不同方式(例如冲击、高幅度振动；连续、低幅度振动；局部振动；全环振动；异常温度测量；异常压力测量；异常应力/张力测量；异常电气测量；异常质量流率测量；异常旋转速度测量；等等)证明其本身，所以单叉振动分析(例如仅操作参数分析、仅谱分析等)能够仅检测和/或预测引擎摩擦类型的子集。即使检测到摩擦，这类单叉分析也不能充分分类所检测摩擦的类型(例如轻轴向摩擦、重轴向摩擦、叶片损耗等)。为了解决这些问题，本主题要求保护革新的各种实施例能够基于机器学习模式识别来执行三叉振动分析(例如模式放置分析、振动谱分析、操作参数分析等)，以提供各种类型的引擎摩擦的可靠、容错检测和/或预测。在各种方面中，这种三叉方式能够改进摩擦检测功效，并且减少误报和/或漏报摩擦检测的数量。在各种方面中，这种三叉方式能够利用机器学习模式识别，以准确分类所检测摩擦(例如检测摩擦并且识别所检测摩擦的类型和/或严重性)。在一个或多个实施例中，本主题要求保护革新（innovation）能够生成作为三叉振动分析的函数的摩擦指示符，该摩擦指示符能够用来实时地跟踪和检测引擎摩擦，以及在引擎摩擦发生之前预测引擎摩擦(例如通过分析摩擦指示符随时间的幅值、斜率和/或可变性)。在各种实例中，摩擦指示符能够是连续可变标量而不是二进制摩擦或者无摩擦告警。在一个或多个实施例中，地面数字孪生体能够监测所分析引擎的摩擦指示符，并且能够基于所检测和/或所预测摩擦进行关于所分析引擎的校正和/或预防动作有关的推荐。在一个或多个实施例中，地面数字孪生体还能够监测引擎队，跟踪该队中的新兴摩擦指示符趋势，并且基于新兴摩擦指示符趋势向该队中的一个或多个引擎进行推荐。在各种实施例中，本主题要求保护革新能够在飞行器的全权数字引擎控制(FADEC)逻辑中实现，使得FADEC逻辑的预计/计划动作能够与所检测和/或所预测摩擦进行比较，以确定预计/计划动作是否适合。

本发明提供一组技术方案，如下。

技术方案1. 一种系统，包括：

存储器，其存储计算机可执行组件；以及

处理器，其可操作地耦合到所述存储器，所述处理器运行所述存储器中存储的所述计算机可执行组件，其中所述计算机可执行组件包括：

传感器组件，其从一个或多个传感器来收集燃气涡轮引擎的实时操作参数；

分析组件，其在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生用于所述燃气涡轮引擎的摩擦指示符，其中：

所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置和基准基本模式放置的第一比较；

所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱和基准振动谱的第二比较；以及

所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数和基准操作参数的第三比较；以及

分类组件，其基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

技术方案2. 如任意前述技术方案所述的系统，其中，所述分析组件：

经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；

经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及

经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

技术方案3. 如任意前述技术方案所述的系统，其中，所述分析组件经由加权平均在统计上组合所述一个或多个第一、第二和第三值。

技术方案4. 如任意前述技术方案所述的系统，其中，所述计算机可执行组件进一步包括：

检查组件，其基于所述摩擦分类报告来请求管道镜检查。

技术方案5. 如任意前述技术方案所述的系统，其中，所述计算机可执行组件进一步包括：

地面数字孪生组件，其基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能，并且基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

技术方案6. 如任意前述技术方案所述的系统，其中，所述地面数字孪生组件通过监测与所述燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势，并且在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。

技术方案7. 如任意前述技术方案所述的系统，其中：

所述实时和基准操作参数包括废气温度中的变化与芯速度中的变化以及排放压力与振动。

技术方案8. 如任意前述技术方案所述的系统，其中，所述基准基本模式放置、所述基准振动谱和所述基准操作参数对应于所述燃气涡轮引擎的正确性能，并且从开发引擎或现场引擎遗留数据来得出。

技术方案9. 一种计算机实现方法，包括：

由操作上耦合到处理器的装置来收集燃气涡轮引擎的实时操作参数；

由所述装置在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生用于所述燃气涡轮引擎的摩擦指示符，其中：

所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置和基准基本模式放置的第一比较；

所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱和基准振动谱的第二比较；以及

所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数和基准操作参数的第三比较；以及

由所述装置基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

技术方案10. 如任意前述技术方案所述的计算机实现方法，进一步包括：

由所述装置经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；

由所述装置经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及

由所述装置经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

技术方案11. 如任意前述技术方案所述的计算机实现方法，其中，在统计上组合所述一个或多个第一、第二和第三值采用加权平均。

技术方案12. 如任意前述技术方案所述的计算机实现方法，进一步包括：

由所述装置基于所述摩擦分类报告来初步选出用于潜在管道镜检查的所述燃气涡轮引擎。

技术方案13. 如任意前述技术方案所述的计算机实现方法，进一步包括：

由所述装置基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能；以及

由所述装置基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

技术方案14. 如任意前述技术方案所述的计算机实现方法，进一步包括：

由所述装置通过监测与燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势；以及

由所述装置在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。

技术方案15. 如任意前述技术方案所述的计算机实现方法，其中：

所述实时和基准操作参数包括废气温度中的变化与芯速度中的变化以及排放压力与振动。

技术方案16. 如任意前述技术方案所述的计算机实现方法，其中，所述基准基本模式放置、所述基准振动谱和所述基准操作参数对应于所述燃气涡轮引擎的正确性能，并且从开发引擎或现场引擎遗留数据来得出。

技术方案17. 一种用于促进芯摩擦诊断的计算机程序产品，所述计算机程序产品包括具有随其体现的程序指令的计算机可读存储器，所述程序指令由处理组件可执行，以便使所述处理组件：

从一个或多个传感器来收集燃气涡轮引擎的实时操作参数；

在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生所述燃气涡轮引擎的摩擦指示符，其中：

所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置和基准基本模式放置的第一比较；

所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱和基准振动谱的第二比较；以及

所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数和基准操作参数的第三比较；以及

基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

技术方案18. 如任意前述技术方案所述的计算机程序产品，其中，所述程序指令是进一步可执行的，以便使所述处理组件：

经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；

经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及

经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

技术方案19. 如任意前述技术方案所述的计算机程序产品，其中，所述程序指令是进一步可执行的，以便使所述处理组件：

基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能；以及

基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

技术方案20. 如任意前述技术方案所述的计算机程序产品，其中，所述程序指令是进一步可执行的，以便使所述处理组件：

通过监测与燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势；以及

在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。

附图说明

专利或申请文件包含通过颜色制成的至少一个附图。具有颜色附图的本专利或专利申请公布的副本将在请求和支付必要费用时由专利局提供。

图1图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性系统的高级框图。

图2图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性计算机实现方法的高级流程图。

图3图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性系统的框图。

图4图示按照本文所述的一个或多个实施例的包括模式放置组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图5图示按照本文所述的一个或多个实施例的包括振动谱组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图6A-C图示按照本文所述的一个或多个实施例的展示振动谱的叠加的示范颜色图表。

图7图示按照本文所述的一个或多个实施例的包括操作参数组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图8A-B图示按照本文所述的一个或多个实施例的展示操作参数分析的示范颜色图表。

图9A-C图示按照本文所述的一个或多个实施例的展示摩擦指示符分析的示范颜色图表。

图10图示按照本文所述的一个或多个实施例的包括检查组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图11A-B图示按照本文所述的一个或多个实施例的包括地面数字孪生组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图12图示按照本文所述的一个或多个实施例的包括FADEC组件的促进预测芯摩擦诊断的示例非限制性系统的框图。

图13图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性计算机实现方法的流程图。

图14图示按照本文所述的一个或多个实施例的包括初步选出（short listing）管道镜请求的促进预测芯摩擦诊断的示例非限制性计算机实现方法的流程图。

图15图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性计算机实现方法的流程图。

图16图示按照本文所述的一个或多个实施例的促进引擎队的预测芯摩擦诊断的示例非限制性计算机实现方法的流程图。

图17图示按照本文所述的一个或多个实施例的促进预测芯摩擦诊断的示例非限制性计算机实现方法的流程图。

图18图示其中能够促进本文所述的一个或多个实施例的示例非限制性操作环境的框图。

具体实施方式

以下详细描述仅是说明性的，并且不意在限制实施例和/或实施例的应用或使用。此外，不意在由前面的背景或概述部分或详细描述部分中呈现的任何明示或暗示的信息来约束。

现在参考附图描述一个或多个实施例，其中同样的参考标号通篇用于指代同样的元件。在以下描述中，出于解释的目的，阐述了许多特定细节以便提供对一个或多个实施例的更透彻理解。然而，在各种情况下，显然可在没有这些特定细节的情况下实践一个或多个实施例。

现代燃气涡轮引擎(例如Passport 20 (P20)和前沿航空推进(LEAP))具有很紧凑间隙(例如轴间隙、叶顶间隙等)，以提供更好的涡轮效率。但是，这类紧凑间隙能够增加转子-定子和/或转子-转子摩擦的风险。这种引擎摩擦能够不利地影响引擎芯模块的性能保持。因此，用于检测、预测和/或防止引擎摩擦的系统和/或方法是有利的。

燃气涡轮引擎能够遭遇摩擦的不同类型、类别和/或严重性。例如，摩擦的严重性能够从轻(例如对接触区的低入射角、仅切向接触等)到重(例如对接触区的陡入射角、叶片碰撞等)而改变。在严重情况下，摩擦能够引起引擎中的叶片损耗(例如转子叶片和/或定子叶片的总损耗和/或部分损耗)。摩擦能够被分类为轴向(例如转子环形轴与引擎的中心轴上的其他组件的摩擦等)、径向(例如转子的叶尖与引擎壳体的侧壁和/或与从引擎壳体的侧壁向内径向突出的定子叶片的摩擦等)或两者的组合。在各种情况下，摩擦能够是部分(例如摩擦接触持续少于全部旋转循环)或者全环的(例如摩擦接触持续全部或基本上全部旋转循环)。引擎摩擦的这类不同类型和/或严重性能够按照不同方式证明其本身。例如，一些摩擦能够表现为特征在于转子与另一个组件的非恒定、周期接触/碰撞的高幅度、低频率、冲击振动，而其他摩擦能够表现为特征在于转子与另一个组件之间的恒定、连续接触的低幅度、高频率振动，等等。取决于摩擦的特定类型，症状能够采取相对于温度、压力、电压、电流、空气/燃料质量流率、空气速度、转子速度、应力/张力等的异常引擎传感器测量的形式出现。换言之，摩擦的不同类型/严重性能够呈现不同振动签名和/或操作参数签名(例如连续引擎操作数据)。仅利用一种分析模式(例如通过仅监测某些引擎操作参数来检测摩擦、仅通过监测引擎振动谱来检测摩擦等)的用于燃气涡轮引擎中的摩擦检测的系统能够仅检测能够发生的可能引擎摩擦的子集。例如，仅监测温度和压力测量的系统不能可靠地检测和/或预测主要通过其他操作参数中的异常所表现的摩擦的类型。此外，即使这种单叉方式检测引擎摩擦，它也不能充分分类和/或表征所检测摩擦的类型(例如轻、重、叶片损耗、轴向、径向、组合、部分、全环、受影响转子等)。此外，这类单叉方式倾向于是被动而不是主动的；它们尝试在摩擦已经发生时和/或之后检测摩擦，并且它们提供在摩擦发生之前预测摩擦的不充分能力。更进一步，这类单叉系统仅向引擎的操作员提供二进制告警(例如摩擦或者无摩擦)；这类系统没有使FADEC逻辑控制器能够将其预计动作与所检测/所预测摩擦进行比较以评估其预计动作的适当性。

本文所述的各种实施例包括促进引擎队的芯摩擦诊断的系统、计算机实现方法、设备和/或计算机程序产品。在一种或多种实例中，本主题要求保护革新能够利用三叉分析来促进引擎摩擦的检测和/或预测。在各种情况下，本主题要求保护革新能够利用经由监督学习所训练的机器学习模式识别，以比较当前和基准模式放置，比较当前和基准振动谱签名，并且比较与引擎关联的当前和基准操作参数。基于这些比较，能够生成摩擦指示符(例如连续标量值)，该摩擦指示符能够用来检测、预测和/或表征引擎摩擦。在各种实施例中，地面数字孪生体能够监测摩擦指示符，并且对引擎的FADEC逻辑进行用于校正和/或预防动作的推荐。在各种实施例中，地面数字孪生体能够同样监测引擎队(例如监测来自该队的摩擦指示符)，以便跟踪该队中的新兴摩擦指示符趋势。地面数字孪生体然后能够基于新兴趋势对一个或多个引擎进行推荐。在各种方面中，FADEC逻辑能够基于所检测/所预测摩擦来评估引擎的预计/计划的动作过程的适当性。

本主题革新的各种实施例能够用来使用硬件和/或软件来解决实际上是高度技术性的(例如促进燃气涡轮引擎摩擦的自动检测、预测和/或分类)、不是抽象的并且不能作为一组心理动作由人类来执行的问题。此外，所执行过程的一些能够由专用计算机来执行，所述专用计算机用于执行与引擎芯摩擦诊断相关的所定义任务(例如，燃气涡轮引擎的实时操作参数的收集、基于引擎的基本模式放置与基准模式放置的比较的第一值的生成、基于引擎的振动谱与基准振动谱的比较的第二值的生成、基于引擎的实时操作参数与基准操作参数的比较的第三值的生成、用来形成引擎的摩擦指示符的第一、第二和第三值的统计组合、基于摩擦指示符来检测/预测摩擦、比较摩擦指示符与FACED逻辑的计划动作以评估计划动作的功效、跟踪来自引擎队的摩擦指示符中的新兴趋势等)。在各种方面中，通过利用三叉分析来减少误报和/或漏报摩擦检测的数量，以准确地分类摩擦的所检测和/或所预测类型，并且基于所检测/所预测摩擦对引擎进行推荐，本主题要求保护革新能够对引擎芯摩擦诊断领域提供技术改进。这类芯摩擦诊断系统能够产生改进的摩擦诊断功效、增加的引擎芯模块耐用性、改进的性能保持、减少的非计划引擎去除、更好的组管理以及更好的返厂维修（shop visit）计划，并且因此构成现有技术中的切实且具体的技术改进。

图1图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性系统100的高级框图。如所示，芯摩擦诊断系统102能够利用基准引擎数据106，以便诊断和/或预测现场引擎104中的摩擦。在各种实施例中，现场引擎104能够是任何适当类型的燃气涡轮引擎(例如P20、LEAP、喷气引擎、涡扇引擎等)。在各种方面中，基准引擎数据106能够对应于现场引擎104的适当性能和/或健康操作，并且能够从一个或多个开发引擎(例如，诸如在实验室中之类的受控条件下的被测引擎)、现场引擎遗留数据(例如已知为正确表现或者最近保养的现场商业飞行器的引擎的数据)、理论性能阈值(例如，如由引擎的计算和/或分析模型所确定的引擎的理论操作)等得出。在各种实例中，基准引擎数据106能够包括已知为对应于现场引擎104的健康性能(例如无摩擦)的任何数据(例如温度、压力、电压、电流、空气质量流率、燃料质量流率、空气速度、应力/张力、旋转速度、振动幅度、加速度等)。能够在各种实施例中结合表征引擎的性能的某个方面的任何其他适当基准数据。

在一个或多个实施例中，芯摩擦诊断系统102能够经由传感器组件108从现场引擎104的一个或多个传感器来接收测量，由此产生现场引擎数据110。在各种方面中，传感器能够包括温度传感器、压力传感器、电压传感器、电流传感器、空气质量流率传感器、燃料质量流率传感器、应力/张力传感器、旋转速度传感器、振动幅度传感器、加速计等的任何传感器。能够在各种实施例中结合与现场引擎104关联的任何其他适当传感器和/或传感器数据。

在一个或多个实施例中，芯摩擦诊断系统102能够经由分析组件112来执行三叉分析，以通过将现场引擎数据110与基准引擎数据106进行比较来检测和/或预测现场引擎104中的摩擦。更特别地，在一个或多个实施例中，分析组件112能够执行模式放置分析114、叶片通过频率分析116和/或操作参数分析118。

在各种方面中，模式放置分析114能够包括从现场引擎数据110来确定现场引擎104的一个或多个基本模式(例如操作自然频率)。在各种实例中，这能够包括确定与现场引擎104关联的

在各种方面中，叶片通过频率分析116能够包括从现场引擎数据110来确定现场引擎104的一个或多个振动谱(例如作为频率的函数的振动幅度)。在各种实例中，这能够包括测量作为时间的函数的现场引擎104的一个或多个组件的振动幅度(例如经由加速计)，并且应用傅立叶变换(FFT)，以便将幅度测量从时域转换成频域。在各种实施例中，能够使用以数学方式将时域信号转换成频域的任何适当算法(例如傅立叶变换、傅立叶级数、拉普拉斯变换、Z变换、小波变换等)。在各种实例中，现场引擎104能够基于引擎中操作的转子的数量和/或位置来呈现不同的振动谱(例如在仅第1级转子进行操作情况下的第一振动谱、在第1级和第2级转子进行操作情况下的第二振动谱等)。一旦被得到，与现场引擎104关联的振动谱(例如FFT签名)能够与从基准引擎数据106所得出的一个或多个基准振动谱(例如与现场引擎104的适当/健康操作对应的FFT签名)进行比较。在各种实例中，这个比较能够包括在基准振动谱的一个或多个之上和/或上面叠加与现场引擎104关联的振动谱的一个或多个。在各种方面中，这个叠加能够通过被训练机器学习模式识别算法来分析。如上所述，引擎摩擦的不同类型和/或严重性和/或位置能够呈现不同症状(例如，摩擦的某些类型和/或严重性能够在频率的第一集合下表现为提高的振动幅度，而摩擦的其他类型和/或严重性能够在频率的另外某个集合下表现为降低的振动幅度，依此类推)。在各种情况下，机器学习算法能够被训练(例如经由监督学习、无监督学习、强化学习等)，以基于叠加(例如基于操作振动签名与基准振动签名的比较)来识别摩擦的特定类型和/或严重性。

在各种方面中，操作参数分析118能够包括将现场引擎104的实时操作参数(例如来自现场引擎数据110的温度测量、压力测量、电压测量、电流测量、空气/燃料质量流率测量、应力/张力测量等)与从基准引擎数据106所得出的基准操作参数(例如与现场引擎104的适当/健康性能对应的基准温度测量、压力测量、电压测量、电流测量、空气/燃料质量流率测量、应力/张力测量等)进行比较。在一个或多个实例中，这个比较能够包括跟踪芯速度的变化(例如ΔN2)与废气温度的变化(例如ΔEGT)和/或芯振动(例如N2 Vibe)与排放压力(例如PS3)。在各种方面中，这个比较能够通过被训练机器学习模式识别算法来执行。如上所述，引擎摩擦的不同类型和/或严重性和/或位置能够呈现不同症状(例如，摩擦的某些类型和/或严重性能够表现为某些引擎队件的提高提高温度和/或压力测量，而摩擦的其他类型和/或严重性能够表现为与其他引擎队件关联的降低电压和/或电流测量，依此类推)。在各种情况下，机器学习算法能够被训练(例如经由监督学习、无监督学习、强化学习等)，以基于实时操作参数与基准操作参数的比较来识别摩擦的特定类型和/或严重性。

在各种实施例中，被训练机器学习和/或模式识别算法能够包括任何适当数学、统计和/或计算分类技术。例如，在各种实施例中，被训练机器学习和/或模式识别算法能够包括任何适当数学、统计和/或计算技术，它们能够被训练(例如经由对已知数据集的监督学习)，以便将输入数据集分类为一个或多个输出分类(例如，以检测输入数据集中的模式和/或签名，并且将所检测模式和/或签名与输入数据集的一个或多个状态相互关连)。例如，机器学习和/或模式识别算法能够被训练(例如经由监督学习、无监督学习、强化学习等)，以便将包括引擎的模式放置、FFT谱和操作参数的特定输入数据集与那个引擎内的摩擦的特定类型、严重性和/或位置相互关连。在各种实施例中，被训练机器学习和/或模式识别算法能够包括一个或多个线性分类器(例如，生成式分类器，例如朴素贝叶斯、线性判别分析等；判别式分类器，例如逻辑回归、感知器、支持向量机等；线性仿射变换，其被优化成取得全局最小数；等等)。在各种实施例中，被训练机器学习和/或模式识别算法能够包括一个或多个非线性分类器(例如人工神经网络、非线性和/或高维支持向量机等)。

为了促进本主题要求保护革新的各种实施例的上述机器学习方面，考虑人工智能的以下论述。本文的革新的各种实施例能够采用人工智能(AI)来促进自动化本革新的一个或多个特征。组件能够将各种基于AI的方案用于执行本文所公开的各种实施例/示例。为了提供或帮助本革新的许多确定(例如确定、辨别、推断、计算、预测、预知、估计、推导、预报、检测、计算等)，本革新的组件能够检查准予它访问的数据的整体或子集，并且能够提供从如经由事件和/或数据所捕获的观测集合来推理或确定系统、环境等的状态。确定能够用来识别特定上下文或动作，或者能够生成例如对状态的概率分布。确定能够是概率性；即，基于数据和事件的考虑对感兴趣状态的概率分布的计算。确定还能够表示用于从事件和/或数据的集合来组成高级事件的技术。

这类确定能够引起从所观测事件和/或所存储事件数据的集合来构成新事件或动作，而无论事件是否在时间紧邻性方面相互关连以及事件和数据是否来自一个或数个事件和数据源。本文所公开的组件能够在执行与要求保护主题有关的自动和/或确定动作方面采用各种分类(显式训练(例如经由训练数据)以及隐式训练(例如经由观测行为、偏好、历史信息、接收外在信息等))方案和/或系统(例如支持向量机、神经网络、专家系统、贝叶斯信念网络、模糊逻辑、数据融合引擎等)。因此，分类方案和/或系统能够用来自动学习和执行多个功能、动作和/或确定。

分类器能够如通过f(z) = confidence(class)将输入属性向量z = (z1, z2,z3, z4, zn)映射到关于输入属于某类的置信度。这种分类能够采用基于概率和/或统计的分析(例如考虑（factoring into）分析效用和成本)来确定要自动执行的动作。支持向量机(SVM)能够是能够被采用的分类器的示例。SVM通过查找可能输入的空间中的超表面进行操作，其中超表面尝试分离触发标准与非触发事件。直观地，这使分类对于与训练数据接近但不相同的测试数据是正确的。其他定向和非定向模型分类方式包括例如朴素贝叶斯、贝叶斯网络、决策树、神经网络、模糊逻辑模型和/或提供不同独立模式的概率分类模型，其中任何能够被采用。如本文所使用的分类还包含统计回归，所述统计回归用来开发优先级模型。

如上所述，模式放置变化、振动签名变化和操作参数变化均不一定是摩擦的每一种可能类型的症状。现场引擎104的不同组件之间的摩擦的不同类型和/或严重性和/或位置再次能够呈现不同症状。例如，第一转子的严重轴向摩擦能够对应于基本模式放置的变化的某个幅值，第二转子的中等径向摩擦能够对应于振动谱的变化的某个不同幅值，以及第三转子的轻组合摩擦能够对应于操作参数的变化的又一个不同幅值。在各种方面中，现场引擎104的不同组件之间的不同类型和/或严重性能够对应于模式放置、振动签名和/或操作参数的不同组合的不同变化。另外，在各种情况下，模式放置、振动签名和/或操作参数甚至在引擎摩擦不存在的情况下也能够发生变化(例如通过其他问题和/或环境条件等引起的变化)。因此，与这些分析的任一个单独相比，全部三种类型的分析组合为单个引擎摩擦诊断范例能够准确检测/预测更宽阵列的摩擦。因此，这类三叉分析改进摩擦检测/预测的功效，减少误报和/或漏报摩擦指示的数量，并且允许所检测/所预测摩擦的准确分类/表征。

在各种实施例中，模式放置分析114、叶片通过频率分析116和操作参数分析118的每个能够输出量化其相应比较的一个或多个值(例如标量、向量、矩阵等)(例如，通过模式放置分析114所输出的一个或多个值能够量化现场引擎104的基本模式放置与基准模式放置之间的比较，通过叶片通过频率分析116所输出的一个或多个值能够量化现场引擎104的操作振动谱与基准振动谱之间的比较，等等)。在各种方面中，这一个或多个值能够通过相应被训练机器学习算法来生成，并且因此这些值能够表示所检测/所预测摩擦的类型、严重性和/或位置的指示。在各种实例中，分析组件112能够在统计上组合（例如经由加权平均等等）由三个分析的每个所输出的一个或多个值，以产生芯摩擦指示符120(例如连续和/或离散标量值)。在一个或多个实施例中，能够实现用于把来自三个分析的一个或多个值组合为单个标量的任何适当数学计算和/或统计技术。在各种情况下，芯摩擦指示符120能够被跟踪和/或随时间标绘，以检测、预测和/或分类引擎摩擦。在各种实施例中，芯摩擦指示符120能够是向量和/或其他阵列。在各种实例中，向量/阵列中的一个或多个第一元素能够对应于摩擦的总似然。在这类实施例中，与摩擦似然对应的第一元素能够是连续标量，并且能够随时间标绘，以检测和/或预测引擎摩擦。在各种实施例中，一个或多个第二元素能够被包含在向量/阵列中，并且能够对应于摩擦的类型。在各种方面中，第二元素能够是用来识别、分类和/或表征所检测和/或所预测引擎摩擦的类型的离散标量(例如，0表示径向摩擦，1表示轴向摩擦，2表示组合摩擦，3表示部分摩擦，4表示全环摩擦等等)。在各种实例中，一个或多个第三元素能够被包含在向量/阵列中，以识别所检测/所预测摩擦的严重性(例如轻、重、叶片损耗等)。这类第三元素在一些情况下能够是离散标量(例如，0表示轻摩擦，1表示重摩擦，2表示叶片损耗等等)。在各种其他情况下，第三元素能够是连续的，以更好地指示严重性的等级(例如，更接近1的值能够指示更大严重性，而更接近零的值能够指示更小严重性等等)。在一些情况下，一个或多个第四元素能够被包含在向量/阵列中，以识别现场引擎104的哪一个转子被所检测/所预测摩擦折磨(例如，1能够表示转子1受影响，2能够表示转子2受影响等等)。在各种实施例中，芯摩擦指示符120能够是能够检测和/或预测现场引擎104的摩擦的类型和/或严重性和/或位置的任何标量、向量、矩阵等。

在一个或多个实施例中，芯摩擦诊断系统102能够基于芯摩擦指示符120经由分类组件122来生成摩擦分类报告。在各种实施例中，摩擦分类报告能够指示现场引擎104的转子与定子之间或者转子与另一个转子之间的摩擦或者现场引擎104的任何其他组件之间的摩擦的存在。在各种实例中，分类组件122能够分类和/或表征所检测/所预测摩擦(例如，分类和/或表征为轻、重、严重等；分类和/或表征为轴向、径向、组合等)。在各种方面中，分类组件122能够识别现场引擎104的一个或多个转子的哪一些当前正遭遇所检测摩擦，和/或将要遭遇所预测摩擦。在各种情况下，分类组件122能够采用随机森林算法来分析芯摩擦指示符120。

如上所述，由于分析组件112能够利用被训练机器学习模式识别算法，并且由于不同转子上的摩擦的不同类型和/或严重性能够呈现症状的不同模式(例如不同模式放置签名、不同振动谱签名、不同操作参数签名等)，所以分析组件112在各种情况下能够被训练成基于将现场引擎数据110与基准引擎数据106进行比较来识别摩擦的哪一种类型和/或严重性正折磨(或者将要折磨)现场引擎104的哪一个转子。

在一个或多个实施例中，芯摩擦诊断系统102能够基于摩擦分类报告和/或芯摩擦指示符120来准备对现场引擎104的管道镜检查124的请求。在各种实例中，芯摩擦诊断系统102能够准备对于鉴于所检测和/或所预测摩擦是适当的任何其他类型的维护和/或保养的请求。在一些方面中，芯摩擦诊断系统102能够初步选出用于潜在检查和/或潜在保养的现场引擎104。

图2图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性计算机实现方法200的高级流程图。在一些情况下，计算机实现方法200能够通过系统100来实现。

在各种实施例中，动作202能够包括从一个或多个传感器来收集(例如经由传感器组件108)来自引擎(例如现场引擎104)的现场数据(例如现场引擎数据110)。

在各种实例中，动作204能够包括通过分析(例如经由分析组件112)现场数据与对应于引擎的适当性能的基准数据(例如基准引擎数据106)来生成芯摩擦指示符(例如芯摩擦指示符120)。

在各种方面中，动作206能够包括其中分析包括经由机器学习算法将从现场数据所辨别的引擎的基本模式放置与从基准数据所辨别的基准基本模式放置进行比较(例如模式放置分析114)。

在各种实施例中，动作208能够包括其中分析包括经由机器学习算法将从现场数据所辨别的引擎的叶片通过频谱与从基准数据所辨别的基准叶片通过频谱进行比较(例如叶片通过频率分析116)。

在各种实例中，动作210能够包括其中分析包括经由机器学习算法将从现场数据所辨别的引擎的实时操作参数与从基准数据所辨别的基准操作参数进行比较(例如操作参数分析118)。

在各种方面中，动作212能够包括基于芯摩擦指示符来确定(例如经由分类组件122)引擎的转子与定子之间的摩擦的存在。

在各种实施例中，动作214能够包括基于芯摩擦指示符来请求管道镜检查(例如对管道镜检查的请求124)。

图3图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性系统300的框图。

如所示，芯摩擦诊断系统102能够利用基准引擎数据106，以检测、预测和/或分类现场引擎104中的摩擦。如所示，现场引擎104的现场引擎数据110在各种实施例中能够包括与现场引擎104关联的温度、压力、电压、电流、空气/燃料质量流率、旋转速度、振动幅度等。如所示，基准引擎数据106能够包括基准模式放置306(例如与现场引擎104的健康性能对应的自然频率)、基准振动谱308(例如与现场引擎104的健康性能对应的FFT签名)和/或基准操作参数310(例如与现场引擎104的健康性能对应的温度、压力、电压、电流、空气/燃料质量流率、旋转速度、振动幅度、应力/张力等的测量)。

在各种实施例中，芯摩擦诊断系统102能够包括处理器302(例如计算机处理单元、微处理器等)和计算机可读存储器304，该计算机可读存储器304可操作地和/或在操作上和/或在通信上连接/耦合到处理器302。存储器304能够存储计算机可执行指令，所述计算机可执行指令在由处理器302执行时能够使处理器302和/或芯摩擦诊断系统102的其他组件(例如传感器组件108、分析组件112、分类组件122等)执行一个或多个动作。在各种实施例中，存储器304能够存储计算机可执行组件(例如传感器组件108、分析组件112、分类组件122等)，并且处理器302能够执行计算机可执行组件。

在一个或多个实施例中并且如上所述，芯摩擦诊断系统102能够经由传感器组件108来检测现场引擎数据110(例如，传感器组件108能够检测表征现场引擎104的当前性能的实际操作参数)。

在各种方面中并且如上所述，分析组件112能够从现场引擎数据110来生成与现场引擎104的当前操作关联的基本模式放置、振动谱和实时操作参数。分析组件然后能够分别将这些基本模式放置、振动谱和实时操作参数与基准模式放置306、基准振动谱308和基准操作参数310进行比较。在各种情况下，基于这些比较，分析组件112能够确定如针对基准模式放置306、基准振动谱308和基准操作参数310所测量的基准模式放置、振动谱和实时操作参数的相应变化。在各种实施例中并且如上所述，分析组件112能够采用被训练机器学习算法，该被训练机器学习算法能够识别摩擦的哪些类型、严重性和/或位置对应于所确定变化(例如，机器学习算法能够识别与当前和基准模式放置、当前和基准振动谱以及当前和基准操作参数中检测的特定模式/签名/异常对应的现场引擎104中的摩擦的类型、严重性和/或位置)。在各种情况下，分析组件112能够在统计上组合上述三个比较的结果，以产生摩擦指示符(例如芯摩擦指示符120)。

在各种实施例中，芯摩擦诊断系统102能够经由分类组件122基于摩擦指示符来生成摩擦分类报告，该摩擦分类报告指示现场引擎104的组件之间的摩擦的存在。

图4图示按照本文所述的一个或多个实施例的包括模式放置组件的能够促进预测芯摩擦诊断的示例非限制性系统400的框图。如所示，系统400在各种实施例中能够包括与系统300相同的组件，并且能够进一步包括模式放置组件402。

在各种实施例中，模式放置组件402能够促进模式放置分析114，如上所述。在一个或多个实施例中，模式放置组件402能够经由任何适当数学、计算和/或统计技术(例如FFT)从现场引擎数据110来确定现场引擎104的基本模式放置(例如操作自然频率)。换言之，模式放置组件402能够确定与现场引擎104的各种组件关联的自然频率的一个或多个集合(例如第一转子的自然频率、第二转子的自然频率等)以及与现场引擎104总体关联的集体自然频率的一个或多个集合。自然频率能够表示系统在任何驱动或阻尼力不存在的情况下趋向于振荡的频率(例如Hz)(例如在没有系统的外部激励和/或对系统的干扰的情况下的系统的振动的操作频率)。现场引擎104的自然频率能够随时间而变化(例如随使用而变化)。在各种实例中，自然频率的这些变化(例如基本模式放置的变化)能够对应于现场引擎104中的摩擦。实际上，在各种方面中，基本模式放置的变化的不同程度能够对应于不同摩擦的不同类型、严重性和/或位置。例如，现场引擎104中的第1级转子的轻轴向摩擦能够对应于现场引擎104的自然频率的某个增加，现场引擎104中的第2级转子的中等径向摩擦能够对应于现场引擎104的自然频率的不同增加，以及第3级转子的重组合摩擦能够对应于现场引擎104的自然频率的又一不同变化等等。模式放置组件402能够经由训练(例如使用已知为与摩擦的特定类型、严重性和/或位置对应的模式放置签名的监督学习)来学习这些对应性。在各种情况下，模式放置组件402能够基于现场引擎数据110来确定现场引擎104的基本模式放置，能够将所确定基本模式放置与基准模式放置306进行比较，并且能够基于该比较来识别现场引擎104中的摩擦的类型和/或严重性和/或位置。在各种方面中，模式放置组件402能够利用被训练机器学习模式识别，以识别摩擦的哪些类型、严重性和/或位置对应于经由当前和基准模式放置比较所检测的模式/签名/异常。

图5图示按照本文所述的一个或多个实施例的包括振动谱组件的能够促进预测芯摩擦诊断的示例非限制性系统500的框图。如所示，系统500在各种实施例中能够包括与系统400相同的组件，并且能够进一步包括振动谱组件502。

在各种实施例中，振动谱组件502能够促进叶片通过频率分析116，如上所述。在一个或多个实施例中，振动谱组件502能够经由任何适当数学、计算和/或统计技术(例如FFT、功率谱密度、谱图等)从现场引擎数据110来确定现场引擎104的振动谱(例如作为振动频率的函数的振动幅度)。换言之，振动谱组件502能够确定与现场引擎104关联的一个或多个频域振动签名。分析系统的振动的一种方式是要测量作为时间的函数的幅度(例如距离)(例如称作时域分析)。虽然现实世界振动在时域上通常很复杂，但是它们能够表达为具有不同幅度和频率的简单正弦曲线(例如正弦、余弦等)的系列(例如合计)。分析频域中的振动能够简化分析，并且帮助识别进行组合以产生总体振动的组成正弦曲线的幅度和频率。现场引擎104的频域振动签名能够随时间而变化(例如随使用而变化)。在各种实例中，频域振动签名的这些变化(例如不同频率下的幅度的不同变化)能够对应于现场引擎104中的摩擦。实际上，在各种方面中，频域振动签名的变化的不同程度能够对应于不同摩擦的不同类型、严重性和/或位置。例如，现场引擎104中的第1级转子的重轴向摩擦能够对应于某个频率下的振动幅度的某个增加，现场引擎104中的第2级转子的轻径向摩擦能够对应于不同频率下的振动幅度的不同增加，以及现场引擎104中的第3级转子的中等组合摩擦能够对应于又一不同频率下的又一不同振动幅度等等。振动谱组件502能够经由训练(例如使用已知为与摩擦的特定类型、严重性和/或位置对应的频域振动签名的监督学习)来学习这些对应性。在各种情况下，振动谱组件502能够基于现场引擎数据110来确定现场引擎104的一个或多个振动谱(例如频域振动签名)，能够将所确定振动谱与基准振动谱308进行比较，并且能够基于该比较来识别现场引擎104中的摩擦的类型和/或严重性和/或位置。在各种方面中，振动谱组件502能够利用被训练机器学习模式识别，以识别摩擦的哪些类型、严重性和/或位置对应于经由当前和基准振动谱比较所检测的模式/签名/异常。

图6A-C图示按照本文所述的一个或多个实施例的展示振动谱的叠加的示范图表600a、600b和600c。图6A-C中所示的值只是示范性的。

图6A描绘与现场引擎104的适当和/或健康性能对应的振动谱(例如FFT签名)的示范图表600a。也就是说，图6A描绘基准振动谱308的示范图表。如所示，图表600a具有四个子图（subplot）(例如602、604、606和608)。如所示，子图602表示现场引擎104的健康版本中的裸转子的FFT谱。如能够看到，有效振动分量(例如大于或等于0.2 mm的幅度)在大约10 Hz、20 Hz、60 Hz、70 Hz、80 Hz、100 Hz和140 Hz下存在。子图604表示当第1级转子正操作时的现场引擎104的FFT谱。如能够看到，在大约10 Hz、20 Hz、60 Hz和100 Hz下的振动分量保持为基本上相同。但是如所示，第1级转子的操作能够使70 Hz振动分量在幅度上实质上增加、使80 Hz振动分量在幅度上实质上减少、使140 Hz振动分量在幅度上实质上减少以及使新振动分量在160 Hz下出现，如子图604上标记为“第1级BPF”，其中“BPF”代表“叶片通过频率”。子图606表示当第1级和第2级叶片正操作时的现场引擎104的健康版本的FFT谱。如能够看到，在大约20 Hz下的振动分量略微减少，在大约60 Hz下的振动分量消失，以及新振动分量在大约220 Hz下出现，如子图606上标记为“第2级BPF”。子图608表示当第1级、第2级和第3级叶片正操作时的现场引擎104的健康版本的FFT谱。如能够看到，新振动分量在大约260 Hz下出现，如子图608上标记为“第3级BPF”。如图6A中所示，现场引擎104的健康版本的振动谱能够取决于现场引擎104内当前操作的叶片级(例如转子)的数量和/或位置。在各种实施例中，能够使用开发引擎(例如在受控设定中测试)、通过使用现场引擎遗留数据(例如已经在商业使用中的现场引擎)等建立图6A中所描绘的基准振动谱。虽然图6A仅描绘三级叶片，但是任何数量的叶片级能够被结合到各种实施例中。

图6B描绘与现场引擎104(例如不一定是健康、适当或最佳性能)的当前操作对应的振动谱(例如FFT签名)的示范图表600b。也就是说，图6A描绘从现场引擎数据110所得出的振动谱的示范图表。如所示，图表600b具有四个子图(例如610、612、614和616)。如所示，子图610表示现场引擎104中的裸转子（bare rotor）的FFT谱。如能够看到，20 Hz振动分量的振动幅度接近子图602中所示的两倍，80 Hz振动分量已经消失，以及新振动分量在大约160 Hz、220 Hz和260 Hz下出现。要注意，如图6A中所示，160 Hz能够对应于第1级BPF，220Hz能够对应于第2级BPF，以及260 Hz能够对应于第3级BPF。要注意子图610如何描绘这些频率下的振动尖峰，尽管在子图610中没有第1级、第2级或第3级叶片正在操作的事实。在各种实施例中，这能够指示摩擦的某种类型、严重性和/或位置。子图612表示当第1级叶片正操作时的现场引擎104的FFT谱。如能够看到，20 Hz分量实质上减少，80 Hz和140 Hz分量再度出现并且实质上增加，160 Hz分量(例如对应于第1级BPF)实质上增加(例如多于三倍)，220Hz和260 Hz分量(例如分别对应于第2级BPF和第3级BPF)实质上增加(例如接近两倍)，以及若干高频分量出现(例如320 Hz、400 Hz、460 Hz等)。子图614表示当第1级叶片和第2级叶片正操作时的现场引擎104的FFT谱。如能够看到，有效120 Hz分量出现，160 Hz分量实质上减少，以及高频分量实质上减少。子图616表示当第1级、第2级和第3级叶片正操作时的现场引擎104的FFT谱。如能够看到，20 Hz、60 Hz、140 Hz和260 Hz分量实质上增加，以及高频分量保持。如图6B中所示，现场引擎104的振动谱能够取决于现场引擎104内当前操作的叶片级(例如转子)的数量和/或位置。在各种实施例中，图6B中所描绘的振动谱能够从现场引擎数据110来得出。虽然图6B仅描绘三级叶片，但是任何数量的叶片级能够被结合到各种实施例中。

图6C描绘与现场引擎104的适当性能(例如无摩擦)对应的基准振动谱之上所叠加的现场引擎104的振动谱的示范图表600c。如所示，蓝图能够表示基准FFT谱，而红图能够表示现场引擎FFT谱。如能够看到，现场引擎FFT中的大约220 Hz下的振动分量多于基准FFT中的220 Hz分量的两倍(例如与0.4 mm之下相比的超过0.8 mm)。在各种实施例中，这能够指示第2级叶片的严重摩擦。如所示，现场引擎FFT中还存在实质高频振动分量，如图6C中标记为“其他高频分量”。如上所述，不同类型、严重性和/或位置(例如第1级叶片/转子、第二级叶片/转子、第3级叶片/转子等)能够呈现FFT签名的不同变化(例如，如从基准引擎数据106所测量)。通过在基准/健康FFT签名之上叠加现场FFT签名，这些变化能够被量化并且与现场引擎104中的摩擦的特定类型、严重性和/或位置相互关连(例如通过被训练机器学习模式识别算法)。

图7图示按照本文所述的一个或多个实施例的包括操作参数组件的能够促进预测芯摩擦诊断的示例非限制性系统700的框图。如所示，系统700在各种实施例中能够包括与系统500相同的组件，并且能够进一步包括操作参数组件702。

在各种实施例中，操作参数组件702能够促进操作参数分析118，如上所述。在一个或多个实施例中，操作参数组件702能够通过将现场引擎数据110中的实时操作参数与基准操作参数310进行比较，来确定现场引擎104的操作参数的变化。在一个或多个实例中，这个比较能够包括跟踪芯速度的变化(例如ΔN2)与废气温度的变化(例如ΔEGT)和/或芯振动(例如N2 Vibe)与排放压力(例如PS3)。在各种实例中，现场引擎104的实时操作参数(例如操作温度、操作压力、操作电压、操作电流、操作应力/张力、操作空气/燃料质量流率、操作旋转速度等)能够随时间而变化(例如随使用而变化)。在各种实例中，操作参数的这些变化(例如，如与基准操作参数310相比的增加/减少的操作温度、增加/减少的操作压力、增加/减少的操作电压等)能够对应于现场引擎104中的摩擦。实际上，在各种方面中，实时操作参数的变化的不同程度能够对应于不同摩擦的不同类型、严重性和/或位置。例如，现场引擎104中的第1级转子的重组合摩擦能够对应于废气温度的某个变化，现场引擎104中的第2级转子的中等径向摩擦能够对应于排放压力的不同变化，以及现场引擎104中的第3级转子的轻轴向摩擦能够对应于空气质量流率的又一不同变化，等等。操作参数组件702能够经由训练(例如使用已知为与摩擦的特定类型、严重性和/或位置对应的操作参数签名的监督学习)来学习这些对应性。在各种情况下，操作参数组件702能够将现场引擎104的实时操作参数(例如来自现场引擎数据110)与基准操作参数310(例如来自基准引擎数据106)进行比较，并且能够基于该比较来识别现场引擎104中的摩擦的类型和/或严重性和/或位置。在各种方面中，操作参数组件702能够利用被训练机器学习模式识别，以识别摩擦的哪些类型、严重性和/或位置对应于经由当前和基准操作参数比较所检测的模式/签名/异常。

图8A-B图示按照本文所述的一个或多个实施例的展示操作参数分析的示范图表800a和800b。图8A-B所示的值只是示范性的。

图8A描绘作为芯速度的变化(ΔN2)的函数的废气温度(ΔEGT)的变化的示范图表800a。单位能够是任何适当单位(例如对于温度的华氏、摄氏、开氏或兰金；对于速度的每分钟转数等)。如所示，图表800a上的不同颜色能够对应于不同引擎序列号(例如现场引擎104的不同构造/型号和/或现场引擎104的一个构造/型号的不同迭代等)。在各种实施例中，在现场引擎104的实际操作期间，现场引擎104的废气温度的变化能够被跟踪并且相对现场引擎104的芯速度的变化来标绘。该标绘图然后能够与废气温度的变化相对(对应于现场引擎104的正确/健康操作的)芯速度的变化的基准标绘图(例如，图8A中未示出)进行比较。在各种实施例中，ΔEGT与ΔN2的斜率对于健康操作应当是恒定的(例如大约60度)。也就是说，基准标绘图能够示出符合这个恒定斜率的数据。在各种情况下，位于这个特定恒定斜率之外的任何ΔEGT与ΔN2测量能够被认为是反常的，并且在一些情况下指示摩擦。例如，在图表800a上圈出异常行为802，因为被圈出的数据点造成与指示健康操作的恒定斜率不同的斜率(例如，青色数据点的斜率远低于60度)。如上所述，由于不同摩擦能够按照不同方式显现其本身，所以图800a和ΔEGT与ΔN2的基准标绘图之间的不同变化能够对应于现场引擎104中的不同摩擦的不同类型、严重性和/或位置。在各种方面中，操作参数组件702能够采用被训练机器学习模式识别算法(例如对具有已确认/已知摩擦的引擎的ΔEGT与ΔN2的图所训练)来确定这些变化，并且将它们与特定摩擦相互关连。

图8B每作为芯振动(N2 Vibe)的函数的排放压力(PS3，能够代表“第3级叶片之后的压力”)的示范图表800b。单位能够是任何适当单位(例如，对于压力的Pa、psi、巴、mm Hg；对于N2 Vibe的mm、μm等)。如所示，图表800b上的不同颜色能够对应于不同引擎序列号(例如现场引擎104的不同构造/型号和/或现场引擎104的一个构造/型号的不同迭代等)。在各种实施例中，在现场引擎104的实际操作期间，现场引擎104的排放压力能够被跟踪并且相对现场引擎104的芯振动来标绘。该标绘图然后能够与排放压力相对(对应于现场引擎104的正确/健康操作的)铁芯振动的基准标绘图(例如，图8B中未示出)进行比较。在各种实施例中，表示PS3与N2 Vibe的数据点应当位于与现场引擎104的正确操作关联的某个特性曲线上。也就是说，基准标绘图能够示出与正确操作关联的特性曲线。在图8B中所示的示例中，图8B中的数据点的大多数位于特性曲线上，而被圈出的数据点位于曲线之外并且因此表示异常行为804。在一些情况下，这能够指示摩擦。如上所述，由于不同摩擦能够按照不同方式显现其本身，所以图800b和PS3与N2 Vibe的基准标绘图之间的不同变化能够对应于现场引擎104中的不同摩擦的不同类型、严重性和/或位置。在各种方面中，操作参数组件702能够采用被训练机器学习模式识别算法(例如对具有已确认/已知摩擦的引擎的PS3与N2Vibe的图所训练)来确定这些变化，并且将它们与特定摩擦相互关连。

在各种实施例中，模式放置组件402、振动谱组件502和操作参数组件702的每个能够输出量化其相应比较/分析的结果的一个或多个值(例如标量、向量、阵列、连续值、离散值等)。在一些实施例中，模式放置组件402能够执行现场引擎104的基本模式放置(例如从现场引擎数据110所得出)与基准基本模式放置(例如基准模式放置306)之间的第一比较。模式放置组件402能够经由第一机器学习算法(该第一机器学习算法被训练成识别这个第一比较中的模式/签名)来生成一个或多个第一值，其中模式/签名指示摩擦的特定类型、严重性和/或位置(例如无摩擦、转子1的轻轴向摩擦、转子2的重径向摩擦、转子3的叶片损耗等)。在各种方面中，第一值能够量化如由模式放置组件402所检测/所预测的现场引擎104中的摩擦的似然、类型、严重性和/或位置。在一些实施例中，振动谱组件502能够执行现场引擎104的一个或多个振动谱(例如从现场引擎数据110所得出)与一个或多个基准振动谱(例如基准振动谱308)之间的第二比较。振动谱组件502能够经由第二机器学习算法(该第二机器学习算法被训练成识别这个第二比较中的模式/签名)来生成一个或多个第二值，其中模式/签名指示摩擦的特定类型、严重性和/或位置(例如无摩擦、转子1的轻组合摩擦、转子2的重轴向摩擦、转子3的叶片损耗等)。在各种方面中，第二值能够量化如由振动谱组件502所检测/所预测的现场引擎104中的摩擦的似然、类型、严重性和/或位置。在一些实施例中，操作参数组件702能够执行现场引擎104的实时操作参数(例如从现场引擎数据110所得出)与基准操作参数(例如基准操作参数310)之间的第三比较。操作参数组件702能够经由第三机器学习算法(该第三机器学习算法被训练成识别这个第三比较中的模式/签名)来生成一个或多个第三值，其中模式/签名指示摩擦的特定类型、严重性和/或位置(例如无摩擦、转子1的轻径向摩擦、转子2的重组合摩擦、转子3的叶片损耗等)。在各种方面中，第三值能够量化如由操作参数组件702所检测/所预测的现场引擎104中的摩擦的似然、类型、严重性和/或位置。

在各种情况下，分析组件112能够在统计上组合(例如经由加权平均和/或经由任何其他统计技术)一个或多个第一、第二和第三值，以产生摩擦指示符(例如芯摩擦指示符120)。在各种方面中，相同权重能够被指配给第一、第二和第三值。例如，模式放置组件402能够指示存在转子2的轻径向摩擦，而振动谱组件502和操作参数组件702能够指示不存在转子2的摩擦。在这种情况下，经由第一、第二和第三值的平均来计算摩擦指示符使摩擦指示符略高于全部三个分析指示无摩擦时的情况，但是仍然足够低以指示总体上存在转子2的摩擦的极低似然。作为另一方面，不同权重能够被指配给第一、第二和第三值。在前一示例中，虽然三个分析中只有一个分析指示任何摩擦的存在，但是被指配给模式放置组件402的较重权重能够引起加权平均(例如摩擦指示符)足够高以指示转子2的轻径向摩擦的可估计似然。在各种情况下，能够由本领域的技术人员来选择不同的适当权重。

在各种实例中，正如芯摩擦指示符120在一些实施例中能够是连续和/或离散标量而在其他实施例中能够是向量或矩阵(例如，其中向量或矩阵的一些元素能够表示摩擦的似然，其他元素能够表示摩擦的类型，其他元素能够表示摩擦的严重性，以及又一些元素能够表示摩擦的位置)，一个或多个第一值、一个或多个第二值和/或一个或多个第三值能够是连续和/或离散标量、向量、矩阵等。

在各种实施例中，通过分析组件112所生成的摩擦指示符能够被分析，以便检测和/或预测现场引擎104中的摩擦的类型、严重性和/或位置，如以下所述。

图9A-C图示按照本文所述的一个或多个实施例的展示摩擦指示符分析(例如阈值分析、斜率分析、可变性分析等)的示范图表。图9A-C中所示的值只是示范性的。

图9A描绘图示摩擦指示符(例如芯摩擦指示符120)随时间(例如飞行日期)的标绘图的示范图表900a。如所示，红色数据点对应于飞行器的左边引擎，而蓝色数据点对应于飞行器的右边引擎。在一些实例中，摩擦指示符能够是连续和/或离散标量，在此情况下，相对时间的标绘是直接了当的。在一些实例中，摩擦指示符能够是向量或矩阵，在此情况下，向量或矩阵的元素的任何元素(和/或从向量或矩阵的元素所得出的某个其他值，例如欧几里德距离、行列式（determinant）等)能够相对时间来标绘。例如，如果摩擦指示符是向量(其中一个元素指示摩擦的似然)，则那个元素能够相对时间来标绘，以得到图表900a。在各种实施例中，摩擦指示符(或者图表900a中标绘的摩擦指示符的元素，为了简洁起见，所述元素在这里将称作摩擦指示符)的幅值能够与摩擦极限902进行比较。在一些实施例中，摩擦极限902能够是阈值，高于该阈值，摩擦被认为存在(例如被检测)，而低于该阈值，摩擦被认为仍未存在(例如未检测到)。在这类实施例中，如果摩擦指示符超过摩擦极限902，则能够检测到摩擦。在一些实施例中，摩擦极限902能够是阈值，高于该阈值，摩擦被认为是似乎可能和/或即将来临的(例如被预测)，而低于该阈值，摩擦被认为不是似乎可能和/或即将来临的(例如未预测)。在这类实施例中，如果摩擦指示符超过摩擦极限902，则摩擦能够被预测为即将来临和/或可能不久发生。如图表900a中所示，潜在摩擦904是超越摩擦极限902的右边引擎(蓝色)的那些摩擦指示符读数。这类数据点能够指示根据具体情况，在对应飞行日期对右边引擎已经检测和/或预测摩擦。如所示，左边指示符(红色)的摩擦指示符读数没有超过摩擦极限902。因此，根据具体情况，对左边引擎没有检测或预测摩擦。在各种情况下，摩擦极限902能够从开发引擎和/或现场引擎遗留数据来得出(例如基于来自如管道镜检查中所确认的具有已知摩擦的引擎的摩擦指示符)。在各种方面中，能够实时监测摩擦指示符，以确定它是否超过摩擦极限902。在各种实例中，能够在相关引擎的一个或多个操作段之后(例如在保养/维护期间、在长途旅行之后等)监测如随时间所标绘的摩擦指示符。

图9B描绘图示摩擦指示符(例如芯摩擦指示符120)随时间(例如飞行日期)的标绘图的另一个示范图表900b。在各种实施例中，所标绘的摩擦指示符能够表示摩擦的似然，以及相对时间的摩擦指示符的斜率(例如与摩擦指示符关联的趋势线的斜率、与摩擦指示符关联的散射标绘图段的斜率等)能够与阈值斜率进行比较，以预测摩擦。也就是说，如果在给定时间周期内的摩擦指示符的斜率超过斜率阈值，则能够预测摩擦发生。在各种实施例中，摩擦指示符斜率的幅值能够对应于预测中的置信度(例如，与极缓斜率相比，极陡斜率能够引起潜在的即将来临摩擦的更强预测)。在各种实施例中，一直到所预测摩擦具体化之前的剩余时间能够基于摩擦指示符的当前斜率和摩擦指示符的当前幅值来估计(例如，当通过获取摩擦指示符的当前斜率(已知)、与剩余时间(未知)相乘并且加入当前摩擦指示符幅值(已知)所得到的量超过摩擦极限902(已知)时，摩擦能够发生)。如图表900b中所示，高摩擦指示符斜率906是呈现充分陡的斜率的右边引擎(蓝色)的那些摩擦指示符读数。这类数据点能够指示在对应飞行日期对右边引擎已经预测摩擦。如所示，左边指示符(红色)的摩擦指示符读数没有呈现与高摩擦指示符斜率906同样陡的任何斜率。因此，对左边引擎没有预测摩擦。在各种情况下，斜率阈值能够从开发引擎和/或现场引擎遗留数据来得出(例如基于来自如管道镜检查中所确认的具有已知摩擦的引擎的摩擦指示符)。在各种方面中，能够实时监测摩擦指示符，以确定它是否超过斜率阈值。在各种情况下，能够在相关引擎的一个或多个操作段之后(例如在保养/维护期间、在长途旅行之后等)监测如随时间所标绘的摩擦指示符。

图9C描绘图示摩擦指示符(例如芯摩擦指示符120)随时间(例如飞行日期)的标绘图的另一个示范图表900c。在各种实施例中，所标绘的摩擦指示符能够表示摩擦的似然，以及摩擦指示符的可变性(例如给定时间间隔中的最高与最低摩擦指示符读数之间的差、给定时间间隔中的全部摩擦指示符读数的标准偏差和/或方差等)能够与阈值可变性进行比较，以便预测摩擦。也就是说，如果在给定时间周期内的摩擦指示符的可变性超过可变性阈值，则能够预测摩擦发生。在各种实施例中，摩擦指示符可变性的幅值能够对应于预测中的置信度(例如，与极窄可变性相比，极大差/可变性能够引起潜在的即将来临摩擦的更强预测)。如图表中900c所示，高摩擦指示符可变性908表示给定时间间隔中(例如在从2012年2月27日至2012年3月12日的两周周期中)的最高摩擦指示符读数与给定时间间隔中的最低摩擦指示符读数之间的差超过可变性阈值的右边引擎(蓝色)的那些摩擦指示符读数。这类数据点能够指示对右边引擎已经预测摩擦。如所示，左边指示符(红色)的摩擦指示符读数没有呈现与右边引擎同样高的任何可变性。实际上，左边引擎在从2012年2月27日至2012年3月12日的两周间隔内呈现低摩擦指示符可变性910。因此，对左边引擎没有预测摩擦。在各种情况下，可变性阈值能够从开发引擎和/或现场引擎遗留数据来得出(例如基于来自如管道镜检查中所确认的具有已知摩擦的引擎的摩擦指示符)。在各种方面中，能够实时监测摩擦指示符，以确定它是否超过可变性阈值。在各种情况下，能够在相关引擎的一个或多个操作段之后(例如在保养/维护期间、在长途旅行之后等)监测如随时间所标绘的摩擦指示符。

在各种实施例中，图表900a、900b和/或900c的一个或多个能够通过分类组件122来生成和/或分析，以确定和/或预测引擎摩擦。在各种情况下，分类组件122能够利用机器学习分类算法(例如随机森林)基于摩擦指示符来检测和/或预测摩擦。

在各种实施例中，当如上所述检测和/或预测摩擦和/或潜在摩擦时，本主题要求保护革新能够执行对现场数据110(例如连续引擎操作数据CEOD)的部分和/或全部的更全面和/或增强分析，以便确认这类所检测和/或所预测摩擦。在各种情况下，在这种全CEOD分析之后能够进行对管道镜检查的调用。管道镜检查调查结果能够用于引擎健康估计，将引擎加入航线的观察名单，改进性能保持(例如调度高压力涡轮机主动间隙控制维护)，并且增强返厂维修计划。

图10图示按照本文所述的一个或多个实施例的包括检查组件的能够促进预测芯摩擦诊断的示例非限制性系统100的框图。如所示，系统100在各种实施例中能够包括与系统700相同的组件，并且能够进一步包括检查组件1002。

在一个或多个实施例中，检查组件1002能够基于摩擦指示符(例如芯摩擦指示符120)和/或分类组件122所生成的摩擦分类报告来请求对现场引擎104的管道镜检查。例如，如果检测和/或预测摩擦，则能够由检查组件1002自动请求和/或调度管道镜检查。在各种实施例中，检查组件1002能够基于摩擦指示符和/或摩擦分类报告来请求和/或调度任何其他类型的适当保养和/或维护。在一些实例中，检查组件1002能够初步选出用于潜在管道镜检查和/或用于任何其他类型的保养和/或维护的现场引擎104。

图11A-B图示按照本文所述的一个或多个实施例的包括地面数字孪生组件的能够促进预测芯摩擦诊断的示例非限制性系统1100a和1100b的框图。如所示，系统1100a在各种实施例中能够包括与系统1000相同的组件，并且能够进一步包括地面数字孪生组件1102。

在一个或多个实施例中，地面数字孪生组件1102能够监测现场引擎104的性能(例如监测摩擦指示符、摩擦分类报告和/或现场引擎数据110等)。在各种实施例中，地面数字孪生组件1102能够基于摩擦指示符、摩擦分类报告和/或现场引擎数据110等对现场引擎104(例如对控制现场引擎104的FADEC逻辑)和/或对现场引擎104的人类操作员推荐校正、预防和/或改良动作。在各种方面中，地面数字孪生组件1102能够基于摩擦指示符、摩擦分类报告和/或现场引擎数据110等建议不采用被认为有损害、破坏性和/或未达最佳标准的某些动作。数字孪生体能够是物理实体(例如物联网装置等)的数字模型/表示，它服从物理实体的动力学(例如，数字孪生体能够按照与物理实体对刺激起反应的相同、基本上相同和/或近似相同的方式对该刺激起反应)。数字孪生体能够允许物理实体的潜在动作和/或操作在实际实现之前经过数字模拟，这能够允许潜在动作/操作的有效成本效益分析，并且因此允许更好的实体管理。在各种实施例中，地面数字孪生组件1102能够创建现场引擎104的数字孪生体。例如，地面数字孪生组件1102能够生成现场引擎104的分析和/或计算模型，使得该模型模仿现场引擎104的热力、流体动力、空气动力、结构和/或振动特性(例如经由有限元分析(FEA)、计算流体动力学(CFD)等)。在一些方面中，地面数字孪生组件1102能够连续、持续、周期和/或非周期地更新现场引擎104的数字孪生体(例如向数字孪生体发送摩擦指示符和/或摩擦分类报告)。例如，如果摩擦指示符和/或摩擦分类报告检测/预测现场引擎104中的摩擦的特定类型、严重性和/或位置，则地面数字孪生组件1102能够更新现场引擎104的数字孪生体，以包括摩擦的所检测/所预测类型、严重性和/或位置。对数字孪生体所执行的现场引擎104的数字模拟则能够考虑所检测/所预测摩擦，并且相应地进行适当推荐。

在各种实施例中，地面数字孪生组件1102能够基于来自管道镜检查和/或其他保养/维护(例如由检查组件1002所请求的那些保养/维护)的结果来更新现场引擎104的数字孪生体。在这类情况下，所检测/所预测摩擦的存在能够通过管道镜检查、保养和/或维护来确认和/或否认，以及数字孪生体能够基于芯摩擦诊断系统102的检测/预测是否正确来更新。如果检测/预测是正确的，则数字孪生体能够被更新成指示芯摩擦诊断系统102的机器学习算法(例如由模式放置组件402、振动谱组件502和/或操作参数组件702所采用的模式识别算法)适当地起作用。如果检测/预测是不正确的，则数字孪生体能够被更新成指示芯摩擦诊断系统102的机器学习算法的至少一个要求附加训练和/或校正(例如对神经网络权重的手动和/或自动调整等)。在这类情况下，地面数字孪生组件1102能够采用自学习算法，该自学习算法基于摩擦指示符、摩擦分类报告和/或所检测/所预测摩擦的存在的确认或否认来改进数字孪生体。在各种实施例中，能够采用任何适当自学习算法。例如，如果摩擦指示符和/或摩擦分类报告检测/预测现场引擎104中的转子2的轻组合摩擦的存在，但是后一管道镜检查否认这个检测/预测以及而是发现转子2的中等径向摩擦，则地面数字孪生组件1102能够相应地更新数字孪生体，并且能够引起分析组件112的重新校准。在这种重新校准中，由分析组件112所采用的机器学习算法的一个或多个的自动和/或手动调整能够被执行，使得分析组件112在模式放置、振动签名和操作参数比较中所观测的模式/签名与转子2的中等径向摩擦相互关连，而不再与转子2的轻组合摩擦相互关连。

图11B描绘本主题要求保护革新的一个或多个实施例，其中地面数字孪生组件1102能够在通信上耦合到燃气涡轮引擎队1104以及耦合到现场引擎104。如所示，燃气涡轮引擎队1104能够包括一个或多个其他现场引擎(例如1106、1108、1110、1112等)。虽然仅示出四个其他现场引擎，但是任何数量的其他现场引擎在各种实施例中能够处于燃气涡轮引擎队1104中。在各种方面中，现场引擎104能够被认为是燃气涡轮引擎队1104的组成部分。在各种实例中，地面数字孪生组件1102能够跟踪燃气涡轮引擎队1104中的新兴趋势(例如跟踪来自燃气涡轮引擎队1104的一个或多个其他摩擦指示符和/或摩擦分类报告)。例如，在各种实例中，数字孪生体能够是全局数字孪生体，该全局数字孪生体不仅表示单个现场引擎104，而且还表示处于燃气涡轮引擎队1104中与现场引擎104相同的构造/型号的全部其他引擎。在各种方面中，地面数字孪生组件1102能够基于来自燃气涡轮引擎队1104中的其他引擎的每个的被监测摩擦指示符和/或摩擦分类报告以及来自现场引擎104的摩擦指示符和/或摩擦分类报告来更新全局数字孪生体。在各种实例中，这种全局数字孪生体基本上允许燃气涡轮引擎队1104中的每个引擎从燃气涡轮引擎队1104中的其他引擎的错误进行学习。例如，如上所述，如果现场引擎104中的所检测/所预测摩擦被后一管道镜检查否认，则地面数字孪生组件1102能够基于该否认来引起分析组件112的重新校准/更新。在其中采用全局数字孪生体的这种情况下，能够对燃气涡轮引擎队1104中的全部引擎同时调度和/或执行相同/相似校正重新校准/更新(例如使得整组从单个引擎的错误进行学习)。类似地，如果燃气涡轮引擎队1104中的引擎之一的所检测/所预测摩擦被后一管道镜检查证明是不正确的，则能够相应地更新/重新校准与现场引擎104对应的分析组件112。在各种实施例中，地面数字孪生组件1102能够在所调度维护、维修和/或送修之前对燃气涡轮引擎队1104执行主动工作范围识别。也就是说，地面数字孪生组件1102在各种实施例中能够监测整个燃气涡轮引擎队1104，并且能够根据需要请求和/或执行保养和维护。在各种实施例中，地面数字孪生组件1102能够在新兴趋势(例如该队中的引擎的每个的摩擦指示符随时间的标绘图中的趋势)的搜索中监测来自现场引擎104和燃气涡轮引擎队1104的摩擦指示符。在各种实施例中，地面数字孪生组件1102的推荐能够基于这些新兴趋势。例如，如果现场引擎104的摩擦指示符和/或摩擦分类报告在摩擦的特定类型、严重性和/或位置的存在被确认之前呈现特定模式(例如，如图表900a、900b和/或900c中的幅值、模式、斜率模式、可变性模式等)，则地面数字孪生组件1102能够在燃气涡轮引擎队1104中的引擎的摩擦指示符和/或摩擦分类报告中搜索这类模式，以便抢先检测、预测和/或防止该队中的摩擦的相同类型、严重性和/或位置。

图12图示按照本文所述的一个或多个实施例的包括FADEC组件的能够促进预测芯摩擦诊断的示例非限制性系统1200的框图。如所示，系统1200在各种实施例中能够包括与系统1100相同的组件，并且能够进一步包括FADEC组件1202。

在一个或多个实施例中，FADEC组件1202能够是能够操作现场引擎104的全权数字引擎控制逻辑和/或程序。在各种方面中，FADEC组件1202能够生成现场引擎104的预计和/或计划动作/操作(例如全油门加速度、某个其他加速度速率、最大减速度、某个其他减速度速率、失速、断电等)。在各种实例中，FADEC组件1202能够比较和/或排列（rank）来自现场引擎104的数字孪生体的摩擦指示符、摩擦分类报告和/或结果与预计/计划动作，以便评估预计/计划动作的适当性。例如，FADEC组件1202能够预计以特定速率来加速现场引擎104。但是，摩擦指示符能够识别和/或指定现场引擎104具有摩擦的特定类型、位置和严重性、哪一个摩擦能够使这种加速度是有风险和/或危险的(例如以预计速率进行加速能够加剧摩擦和/或以其他方式引起对现场引擎104的损坏等)。在各种方面中，FADEC组件1202能够利用摩擦指示符，以确定在给定所检测摩擦以及在以所检测摩擦来实现这种预计加速度时能够引起的损坏的程度和/或似然的情况下，预计加速度速率是不适当的。FADEC组件1202然后能够确定给定所检测摩擦的情况下的更适当动作过程(例如保持推力、减速、请求着陆等)。在一些实例中，FADEC组件1202能够基于在给定所检测摩擦的情况下能够产生于这种预计/计划动作的实现的风险的等级和/或损坏的等级来判定是否实现预计/计划的动作过程。在各种方面中，FADEC组件1202能够基于预测摩擦(例如基于预计/计划动作在给定基于摩擦指示符和/或摩擦分类报告的预测的情况下是否可能使仍未存在的摩擦具体化)来判定是否实现预计/计划的动作过程。

图13图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性计算机实现方法1300的流程图。

在各种实施例中，动作1302能够包括由操作上耦合到处理器的装置来收集(例如经由传感器组件108)燃气涡轮引擎(例如现场引擎104)的实时操作参数(例如现场引擎数据110)。

在各种实例中，动作1304能够包括由装置在统计上组合(例如经由分析组件112)一个或多个第一值(例如模式放置组件402所生成的值)、一个或多个第二值(例如振动谱组件502所生成的值)和一个或多个第三值(例如操作参数组件702所生成的值)，以产生摩擦指示符(例如铁芯摩擦指示符120)。

在各种方面中，动作1306能够包括其中一个或多个第一值基于从实时操作参数所得出的燃气涡轮引擎的基本模式放置(例如操作自然频率)和基准基本模式放置(例如基准模式放置306)的第一比较(例如模式放置分析114)。

在各种实施例中，动作1308能够包括其中一个或多个第二值基于从实时操作参数所得出的燃气涡轮引擎的振动谱(例如FFT签名)和基准振动谱(例如基准振动谱308)的第二比较(例如叶片通过频率分析116)。

在各种实例中，动作1310能够包括其中一个或多个第三值基于燃气涡轮引擎的实时操作参数和基准操作参数(例如基准操作参数310)的第三比较(例如操作参数分析118)。

在各种方面中，动作1312能够包括由装置基于摩擦指示符来生成(例如经由分类组件122)摩擦分类报告，该摩擦分类报告指示燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

图14图示按照本文所述的一个或多个实施例的包括初步选出管道镜请求的能够促进预测芯摩擦诊断的示例非限制性计算机实现方法1400的流程图。如所示，计算机实现方法1400在各种实施例中能够包括与计算机实现方法1300相同的动作，并且能够进一步包括动作1402。

动作1402能够包括由装置基于摩擦分类报告来初步选出(例如经由检查组件1002)用于潜在管道镜检查的燃气涡轮引擎。

图15图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性计算机实现方法1500的流程图。如所示，计算机实现方法1500在各种实施例中能够包括与计算机实现方法1300相同的动作，并且能够进一步包括动作1502和1504。

在各种实例中，动作1502能够包括由装置基于摩擦分类报告来监测(例如经由地面数字孪生组件1102)燃气涡轮引擎的性能。

在各种方面中，动作1504能够包括由装置基于摩擦分类报告向燃气涡轮引擎推荐(例如经由地面数字孪生组件1102)校正动作。

图16图示按照本文所述的一个或多个实施例的能够促进引擎队的预测芯摩擦诊断的示例非限制性计算机实现方法1600的流程图。如所示，计算机实现方法1600在各种实施例中能够包括与计算机实现方法1500相同的动作，并且能够进一步包括动作1602和1604。

在各种实例中，动作1602能够包括由装置通过监测与燃气涡轮引擎队关联的其他摩擦分类报告来跟踪(例如由地面数字孪生组件1102)该队中的新兴趋势。

在各种方面中，动作1604能够包括由装置在所调度维护、维修和送修之前执行(例如经由地面数字孪生组件1102)燃气涡轮引擎队的主动工作范围识别。

图17图示按照本文所述的一个或多个实施例的能够促进预测芯摩擦诊断的示例非限制性计算机实现方法1700的流程图。如所示，计算机实现方法1700在各种实施例中能够包括与计算机实现方法1300相同的动作，并且能够进一步包括动作1702、1704和1706。

在各种实施例中，动作1702能够包括由装置经由第一机器学习算法来生成(例如经由模式放置组件402)一个或多个第一值，该第一机器学习算法被训练成识别第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

在各种实例中，动作1704能够包括由装置经由第二机器学习算法来生成(例如经由振动谱组件502)一个或多个第二值，该第二机器学习算法被训练成识别第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

在各种方面中，动作1706能够包括由装置经由第三机器学习算法来生成(例如经由操作参数组件702)一个或多个第三值，该第三机器学习算法被训练成识别第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

在本主题要求保护革新的各种实施例中，三叉分析(例如模式放置、振动谱、实时操作参数等)能够在除了飞行器中的燃气涡轮引擎之外的技术领域中实现。在各种实施例中，能够对于其中振动分析和振动缺陷检测、预测和/或表征是有益的任何技术环境中的应用来一般化本文所述的三叉分析。

在本主题要求保护革新的各种实施例中，摩擦指示符(例如与引擎摩擦的似然、类型、严重性和/或位置对应的标量、向量、矩阵等)能够作为从引擎所收集的实时数据(例如实时操作参数、实时基本模式放置、实时FFT振动谱等)的函数来生成。被训练机器学习模式识别算法能够搜索实时数据中与摩擦的已知/确认似然、类型、严重性和/或位置相互关连的反常模式/签名。摩擦指示符能够被理解为通过检测、预测和/或表征引擎内的潜在摩擦的似然、类型、严重性和/或位置来预测引擎的健康的诊断组件。作为实时数据的函数的这种摩擦指示符能够帮助更好的组管理、芯磨损、裂缝、蠕变、耐用性、性能和寿命估计的更有效诊断，并且甚至帮助预测舱室噪声级以及总体设计评估和评定。

为了提供本文所述的各种实施例的附加上下文，图18和下面的讨论旨在提供合适的计算环境1800的简要的一般描述，其中可以实现本文描述的实施例的各种实施例。虽然上面已经在可以在一个或多个计算机上运行的计算机可执行指令的一般上下文中描述了实施例，但是本领域技术人员将认识到，实施例还可以与其他程序模块结合和/或作为硬件和软件的组合来实现。

通常，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、组件、数据结构等。此外，本领域技术人员将理解，可以用其他计算机系统配置来实践本发明的方法，其他计算机系统配置包括单处理器或多处理器计算机系统、小型计算机、大型计算机、物联网(IoT)装置、分布式计算系统、以及个人计算机、手持计算装置、基于微处理器的或可编程的消费类电子装置等，其中的每个可以可操作地耦合到一个或多个关联装置。

本文的实施例的所示实施例还可以在分布式计算环境中实践，在分布式计算环境中，某些任务由通过通信网络链接的远程处理装置执行。在分布式计算环境中，程序模块可以位于本地和远程存储器存储装置中。

计算装置通常包括各种介质，其可以包括计算机可读存储介质、机器可读存储介质和/或通信介质，这两个术语在本文中彼此不同地使用，如下所述。计算机可读存储介质或机器可读存储介质可以是计算机可以访问的任何可用存储介质，并且包括易失性和非易失性介质，可移除和不可移除介质。作为示例而非限制，可以结合用于存储诸如计算机可读或机器可读指令、程序模块、结构化数据或非结构化数据之类的信息的任何方法或技术来实现计算机可读存储介质或机器可读存储介质。

计算机可读存储介质可以包括但不限于随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、闪存或其他存储器技术、压缩盘只读存储器(CD ROM)、数字多功能盘(DVD)、蓝光盘(BD)或其他光盘存储设备、磁性卡带、磁带、磁盘存储设备或其他磁存储装置、固态驱动器或其他固态存储装置或可用于存储所需信息的其他有形和/或非暂时性介质。在这方面，应将本文中应用于存储设备、存储器或计算机可读介质的术语“有形”或“非暂时性”理解为仅排除传播中的暂时性信号本身作为修饰语，而不放弃本身不仅是传播中的暂时性信号的所有标准存储设备、存储器或计算机可读介质的权利。

计算机可读存储介质可以由一个或多个本地或远程计算装置例如经由访问请求、查询或其他数据检索协议来访问，以便针对该介质存储的信息进行多种操作。

通信介质通常在诸如载波或其他传输机制之类的调制数据信号的数据信号中体现计算机可读指令、数据结构、程序模块或其他结构化或非结构化数据，并且包括任何信息传递或传输介质。术语“调制数据信号”或“信号”是指具有采用在一个或多个信号中将信息编码的这种方式来设置或改变其一个或多个特性的信号。作为示例而非限制，通信介质包括诸如有线网络或直接连接之类的有线介质，以及诸如声学、RF、红外和其他无线介质之类的无线介质。

再次参考图18，用于实现本文所述方面的各种实施例的示例环境1800包括计算机1802，计算机1802包括处理单元1804、系统存储器1806和系统总线1808。系统总线1808将包括但不限于系统存储器1806的系统组件耦合到处理单元1804。处理单元1804可以是各种市售处理器中的任何一个。双微处理器和其他多处理器架构也可以用作处理单元1804。

系统总线1808可以是几种类型的总线结构中的任何一种，其可以进一步使用各种市售总线架构中的任何一种互连到存储器总线(具有或不具有存储器控制器)、外围总线和本地总线。系统存储器1806包括ROM 1810和RAM 1812。基本输入/输出系统(BIOS)可以存储在非易失性存储器中，非易失性存储器例如ROM、可擦除可编程只读存储器(EPROM)、EEPROM，所述BIOS包含基本例程，其有助于在计算机1802中的元素之间，例如在启动期间传递信息。RAM 1812还可以包括高速RAM，例如用于高速缓存数据的静态RAM。

计算机1802还包括内部硬盘驱动器(HDD)1814(例如，EIDE、SATA)、一个或多个外部存储装置1816(例如，磁软盘驱动器(FDD)1816、记忆棒或闪存驱动器读取器、存储卡读取器等)和驱动器1820，例如，诸如固态驱动器、光盘驱动器，其可以从磁盘1822进行读写，磁盘1822例如CD-ROM光盘、DVD、BD等。备选地，在涉及固态驱动器的情况下，将不包括磁盘1822，除非是分开的。虽然内部HDD 1814被示为位于计算机1802内，但是内部HDD 1814也可以被配置成供在合适的机箱(未示出)中的外部使用。此外，虽然在环境1800中未示出，但是除了或替代HDD 1814，可以使用固态驱动器(SSD)。HDD 1814、(一个或多个)外部存储装置1816和驱动器18200可以分别通过HDD接口1824、外部存储接口1826和驱动器接口1828连接到系统总线1808。用于外部驱动器实现的接口1824可以包括通用串行总线(USB)和电气与电子工程师协会(IEEE)1394接口技术中的至少一者或两者。其他外部驱动器连接技术在本文描述的实施例的考虑之内。

驱动器及其关联的计算机可读存储介质提供数据、数据结构、计算机可执行指令等的非易失性存储。对于计算机1802，驱动器和存储介质以合适的数字格式容纳任何数据的存储。虽然以上对计算机可读存储介质的描述是指相应类型的存储装置，但本领域技术人员应理解，计算机可读的其他类型的存储介质，无论是当前存在的还是将来开发的，也可以在示例操作环境中使用，并且此外，任何这样的存储介质都可以包含用于执行本文描述的方法的计算机可执行指令。

多个程序模块可以存储在驱动器和RAM 1812中，包括操作系统1830、一个或多个应用程序1832、其他程序模块1834和程序数据1836。操作系统、应用、模块和/或数据中的全部或部分也可以被缓存在RAM 1812中。可以利用各种市售操作系统或操作系统的组合来实现本文描述的系统和方法。

计算机1802可以可选地包括仿真技术。例如，管理程序(未示出)或其他中间设备可以仿真用于操作系统1830的硬件环境，并且仿真的硬件可以可选地不同于图18所示的硬件。在这样的实施例中，操作系统1830可以包括计算机1802处托管的多个VM的一个虚拟机(VM)。此外，操作系统1830可以为应用1832提供运行时环境，例如Java运行时环境或.NET框架。运行时环境是一致的执行环境，其允许应用程序1832在包括运行时环境的任何操作系统上运行。类似地，操作系统1830可以支持容器，并且应用程序1832可以采用容器的形式，它们是轻巧、独立、可执行的软件包，其包括例如用于应用的代码、运行时、系统工具、系统库和设置。

此外，计算机1802可以启用安全模块，例如可信处理模块(TPM)。例如，利用TPM，引导组件散开(hash)下一个引导组件，并且等待结果与安全值的匹配，随后加载下一个引导组件。该过程可以发生在计算机1802的代码执行栈中的任何层处，例如在应用程序执行级别或在操作系统(OS)内核级别上应用，从而在任何代码执行级别实现安全。

用户可以通过一个或多个有线/无线输入装置(例如键盘1838、触摸屏1840和指向装置，例如鼠标1842)将命令和信息输入计算机1802。其他输入装置(未示出)可以包括麦克风、红外(IR)遥控器、射频(RF)遥控器或其他遥控器、操纵杆、虚拟现实控制器和/或虚拟现实耳机、游戏手柄、触控笔、图像输入装置(例如(一个或多个)照相机)、手势传感器输入装置、视觉运动传感器输入装置、情绪或面部检测装置、生物计量输入装置(例如指纹或虹膜扫描仪)等。这些和其他输入装置通常通过输入装置接口1844连接到处理单元1804，该输入装置接口1844可以耦合到系统总线1808，但是可以通过其他接口连接，其他接口例如并行端口、IEEE 1394串行端口、游戏端口、USB端口、IR接口、BLUETOOTH®接口等。

监视器1846或其他类型的显示装置也可以经由诸如视频适配器1848之类的接口连接到系统总线1808。除了监视器1846之外，计算机通常还包括其他外围输出装置(未示出) ，例如扬声器、打印机等。

计算机1802可以使用经由有线和/或无线通信与一个或多个远程计算机(例如(一个或多个)远程计算机1850)的逻辑连接在网络环境中操作。(一个或多个)远程计算机1850可以是工作站、服务器计算机、路由器、个人计算机、便携式计算机、基于微处理器的娱乐设备、对等装置或其他公共网络节点，并且通常包括相对于计算机1802所述的许多或所有元件，尽管为简单起见，仅示出了存储器/存储装置1852。所描绘的逻辑连接包括与局域网(LAN)1854和/或更大的网络(例如，广域网(WAN)1856)的有线/无线连接。这样的LAN和WAN联网环境在办公室和公司中是常见的，并且促进企业范围的计算机网络，例如企业内联网，其中的全部都可以连接到全球通信网络，例如因特网。

当在LAN联网环境中使用时，计算机1802可以通过有线和/或无线通信网络接口或适配器1858连接到本地网络1854。适配器1858可以促进与LAN 1854的有线或无线通信，适配器1858还可以包括布置在其上的无线接入点(AP)，以用于在无线模式中与适配器1858进行通信。

当在WAN联网环境中使用时，计算机1802可以包括调制解调器1860，或者可以经由(例如通过因特网)在WAN 1856上建立通信的其他手段连接到WAN 1856上的通信服务器。调制解调器1860可以是内部的或外部的，以及有线或无线装置，可以经由输入装置接口1844连接到系统总线1808。在联网环境中，相对于计算机1802或其部分描绘的程序模块可以存储在远程存储器/存储装置1852中。应当理解，所示的网络连接是示例，并且可以使用在计算机之间建立通信链路的其他手段。

当在LAN或WAN联网环境中使用时，计算机1802可以访问云存储系统，或者除了或代替上述外部存储设备1816的其他基于网络的存储系统，例如但不限于提供信息存储或处理的一个或多个方面的网络虚拟机。通常，可以例如相应地通过适配器1858或调制解调器1860在LAN 1854或WAN 1856上建立计算机1802和云存储系统之间的连接。在将计算机1802连接到关联的云存储系统时，外部存储接口1826可以在适配器1858和/或调制解调器1860的帮助下，像其他类型的外部存储那样管理由云存储系统提供的存储。例如，外部存储接口1826可以被配置成提供对云存储源的访问，就好像这些源物理上连接到计算机1802一样。

计算机1802可操作以与可操作地在无线通信中布置的任何无线装置或实体进行通信，无线装置或实体例如，打印机、扫描仪、台式和/或便携式计算机、便携式数据助手、通信卫星、与可无线检测的标签相关联的任何设备或位置的任何一段(例如信息亭、报摊、商店货架等)和电话。这可以包括无线保真(Wi-Fi)和BLUETOOTH®无线技术。因此，该通信可以是与常规网络相同的预定义结构，或者仅仅是至少两个装置之间的自组织通信。

本发明可以是处于任何可能的技术细节集成水平的系统、方法、设备和/或计算机程序产品。计算机程序产品可以包括(一个或多个)计算机可读存储介质，其上具有计算机可读程序指令，用于使处理器执行本发明的方面。该计算机可读存储介质可以是有形装置，该有形装置可以保留和存储供指令执行装置使用的指令。计算机可读存储介质可以是例如但不限于电子存储装置、磁存储装置、光存储装置、电磁存储装置、半导体存储装置或前述的任何合适的组合。计算机可读存储介质的更特定示例的非穷举列表还可以包括以下：便携式计算机软盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码装置，例如打孔卡或凹槽中的凸起结构，其上记录了指令，以及上述的任何合适组合。如本文所使用的，计算机可读存储介质不应被理解为本身是暂时性信号，例如无线电波或其他自由传播的电磁波(其通过波导或其他传输介质(例如，穿过光纤电缆的光脉冲))，或通过导线传送的电信号。

本文所述的计算机可读程序指令可以从计算机可读存储介质下载到相应的计算/处理装置，或者经由网络(例如，因特网、局域网、广域网和/或无线网络)下载到外部计算机或外部存储装置。网络可以包括铜传输电缆、光传输光纤、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理装置中的网络适配器卡或网络接口从网络接收计算机可读程序指令，并转发计算机可读程序指令以存储在相应的计算/处理装置内的计算机可读存储介质中。用于执行本发明的操作的计算机可读程序指令可以是汇编器指令、指令集架构(ISA)指令、机器指令、机器相关指令、微码、固件指令、状态设置数据、集成电路的配置数据、或以一种或多种编程语言(包括面向对象的编程语言(例如Smalltalk，C ++等)和过程编程语言(例如“C”编程语言或类似编程语言))的任何组合编写的源代码或目标代码。计算机可读程序指令可以完全在用户的计算机上、部分在用户计算机上作为独立软件包执行，部分在用户计算机上并且部分在远程计算机上或完全在远程计算机或服务器上执行。在后一种情况下，远程计算机可以通过任何类型的网络(包括局域网(LAN)或广域网(WAN))连接到用户计算机，或者可以与外部计算机建立连接(用于例如，通过使用因特网服务提供商的因特网)。在一些实施例中，包括例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)的电子电路可以通过利用计算机可读程序指令的状态信息来个性化电子电路来执行计算机可读程序指令，以便执行本发明的方面。

本文参考根据本发明实施例的方法、设备(系统)和计算机程序产品的流程图图示和/或框图描述了本发明的各方面。将理解的是，流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令来实现。可以将这些计算机可读程序指令提供给通用计算机、专用计算机或其他可编程数据处理设备的处理器以产生机器，使得经由计算机的处理器或其他可编程数据处理来执行的指令创建用于实现一个或多个流程图和/或框图框中指定的功能/动作的部件(means)。这些计算机可读程序指令还可以存储在计算机可读存储介质中，该计算机可读存储介质可以指导计算机、可编程数据处理设备和/或其他装置以特定方式运作，使得其中存储有指令的计算机可读存储介质包括制品，该制品包括实现一个或多个流程图和/或框图框中指定的功能/动作的各方面的指令。也可以将计算机可读程序指令加载到计算机、其他可编程数据处理设备或其他装置上，以使一系列操作动作在计算机、其他可编程设备或其他装置上执行以产生计算机实现的过程，使得在计算机、其他可编程设备或其他装置上执行的指令实现一个或多个流程图和/或框图框中指定的功能/动作。

附图中的流程图和框图示出了根据本发明的各种实施例的系统、方法和计算机程序产品的可能的实现的架构、功能和操作。在这方面，流程图或框图中的每个框可以表示指令的模块、分段或部分，其包括用于实现(一个或多个)指定的逻辑功能的一个或多个可执行指令。在一些备选实施例中，框中指定的功能可以不按图中指出的顺序发生。例如，取决于所涉及的功能，实际上可以基本上同时执行连续示出的两个框，或者有时可以按相反的顺序执行这些框。还将注意，框图和/或流程图图示的每个框以及框图和/或流程图图示的框的组合可以由基于专用硬件的系统来实现，基于专用硬件的系统执行指定功能或动作或执行专用硬件和计算机指令的组合。

虽然以上已经在一个和/或多个计算机上运行的计算机程序产品的计算机可执行指令的一般上下文中描述了主题，但是本领域技术人员将认识到，本公开也可以或可以是与其他程序模块结合实现的。通常，程序模块包括执行特定任务和/或实现特定抽象数据类型的例程、程序、组件、数据结构等。此外，本领域技术人员将理解，可以用其他计算机系统配置来实践本发明的计算机实现的方法，其他计算机系统配置包括单处理器或多处理器计算机系统、小型计算装置、大型计算机以及计算机、手持计算装置(例如PDA、电话)，基于微处理器或可编程的消费类或工业电子装置等。所示出的方面也可以在分布式计算环境中实践，在分布式计算环境中，任务由通过通信网络链接的远程处理装置执行。但是，本公开的一些方面(如果不是全部的话)可以在独立计算机上实践。在分布式计算环境中，程序模块可以位于本地和远程存储装置中。

如在本申请中使用的，术语“组件”、“系统”、“平台”、“接口”等可以指代和/或可以包括计算机相关实体或与具有一种或多种特定功能的可操作机器相关的实体。本文公开的实体可以是硬件、硬件和软件的组合、软件或执行中的软件。例如，组件可以是但不限于在处理器上运行的过程、处理器、对象、可执行文件、执行线程、程序和/或计算机。作为说明，在服务器上运行的应用和服务器都可以是组件。一个或多个组件可以驻留在执行的过程和/或线程中，并且组件可以位于一个计算机上和/或分布在两个或多个计算机之间。在另一个示例中，相应的组件可以从其上存储有各种数据结构的各种计算机可读介质执行。组件可以例如根据具有一个或多个数据分组的信号经由本地和/或远程过程进行通信(例如，来自一个组件的数据与本地系统、分布式系统中的另一组件交互和/或跨网络(诸如因特网)经由信号与其他系统交互)。作为另一示例，组件可以是具有由电气或电子电路操作的机械零件提供的特定功能的设备，该机械零件由处理器执行的软件或固件应用操作。在这种情况下，处理器可以在设备内部或外部，并且可以执行软件或固件应用程序的至少一部分。作为又一个示例，组件可以是通过不具有机械零件的电子组件提供特定功能的设备，其中电子组件可以包括处理器或其他部件，以执行至少部分地赋予电子组件功能的软件或固件。在一方面，组件可以例如在云计算系统内经由虚拟机来仿真电子组件。

另外，术语“或”旨在表示包含性“或”而不是排他性“或”。也就是说，除非另有指定或上下文中明确，否则“X采用A或B”意在表示任何自然的包含性排列。也就是说，如果X采用A；X采用B；或X采用A和B两者，则在任何上述情况下均满足“X采用A或B”。此外，在主题说明书和附图中使用的冠词“一”和“一个”通常应被解释为意指“一个或多个”，除非另有说明或从上下文清楚地理解为是单数形式。如本文所使用的，术语“示例”和/或“示例性”用于表示充当示例、实例或说明。为了避免疑问，本文公开的主题不受这些示例的限制。另外，本文中描述为“示例”和/或“示例性”的任何方面或设计不必被解释为比其他方面或设计优选或有利，也不意味着排除本领域普通技术人员已知的等效示例性结构和技术。

如在本说明书中所采用的，术语“处理器”可以基本上指代包括但不限于单核处理器的任何计算处理单元或装置；具有软件多线程执行能力的单处理器；多核处理器；具有软件多线程执行能力的多核处理器；具有硬件多线程技术的多核处理器；并行平台；和具有分布式共享存储器的并行平台。另外，处理器可以指集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑装置(CPLD)、分立的门或晶体管逻辑、分立的硬件组件或其任何组合设计成执行本文所述的功能。此外，处理器可以利用纳米级架构，例如但不限于基于分子和量子点的晶体管、开关和门，以便优化空间使用或增强用户设备的性能。处理器也可以被实现为计算处理单元的组合。在本公开中，诸如“存储”、“存储设备”、“数据存储”、“数据存储设备”、“数据库”以及与组件的操作和功能有关的基本上任何其他信息存储组件之类的术语被用来指代“存储器组件”、体现在“存储器”中的实体或包括存储器的组件。应当理解，本文所述的存储器和/或存储器组件可以是易失性存储器或非易失性存储器，或者可以包括易失性和非易失性存储器两者。作为说明而非限制，非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除ROM(EEPROM)、闪存或非易失性随机存取存储器(RAM)(例如铁电RAM(FeRAM)。易失性存储器可以包括RAM，例如，RAM可以充当外部高速缓存存储器。通过说明而非限制，RAM有多种形式，例如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双倍数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外，本文公开的系统或计算机实现的方法的存储器组件意在包括但不限于包括这些以及任何其他合适类型的存储器。

上面已经描述的内容仅包括系统和计算机实现的方法的示例。当然，出于描述本公开的目的，不可能描述组件或计算机实现的方法的每种可能的组合，但是本领域的普通技术人员可以认识到，本公开的许多其他组合和置换是可能的。此外，在详细描述、权利要求、附录和附图中使用“包含”、“具有”、“具备”等术语的程度上，此类术语以类似于术语“包括”的方式意在是包含性的，术语“包含”当在权利要求中被用作过渡词时解释为“包括”。

已经出于说明的目的呈现了各种实施例的描述，但并不意在是穷举的或限于所公开的实施例。在不脱离所描述的实施例的范围和精神的情况下，许多修改和变型对于本领域普通技术人员将是明显的。选择了本文使用的术语是为了最好地解释实施例的原理，对市场上发现的技术的实际应用或技术上的改进，或者使本领域的其他普通技术人员能够理解本文公开的实施例。

要求保护的本发明的各种实施例的另外方面由以下条款的主题提供：

1. 一种系统，包括：存储器，其存储计算机可执行组件；以及处理器，其可操作地耦合到所述存储器，所述处理器执行所述存储器中存储的所述计算机可执行组件，其中所述计算机可执行组件包括：传感器组件，其从一个或多个传感器来收集燃气涡轮引擎的实时操作参数；分析组件，其在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生所述燃气涡轮引擎的摩擦指示符，其中：所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置与基准基本模式放置的第一比较；所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱与基准振动谱的第二比较；并且所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数与基准操作参数的第三比较；以及分类组件，其基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

2. 如任何前述条款所述的系统，其中，所述分析组件：经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

3. 如任何前述条款所述的系统，其中，所述分析组件经由加权平均在统计上组合所述一个或多个第一、第二和第三值。

4. 如任何前述权利要求所述的系统，其中，所述计算机可执行组件进一步包括：检查组件，其基于所述摩擦分类报告来请求管道镜检查。

5. 如任何前述条款所述的系统，其中，所述计算机可执行组件进一步包括：地面数字孪生组件，其基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能，并且基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

6. 如任何前述条款所述的系统，其中，所述地面数字孪生组件通过监测与所述燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势，并且在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。

7. 如任何前述条款所述的系统，其中，所述实时和基准操作参数包括废气温度的变化与芯速度的变化以及排放压力与振动。

8. 如任何前述权利要求所述的系统，其中，所述基准基本模式放置、所述基准振动谱和所述基准操作参数对应于所述燃气涡轮引擎的正确性能，并且从开发引擎或现场引擎遗留数据来得出。

9. 一种计算机实现方法，包括：由操作上耦合到处理器的装置来收集燃气涡轮引擎的实时操作参数；由所述装置在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生所述燃气涡轮引擎的摩擦指示符，其中：所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置与基准基本模式放置的第一比较；所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱与基准振动谱的第二比较；并且所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数与基准操作参数的第三比较；以及由所述装置基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

10. 如任何前述条款所述的计算机实现方法，进一步包括：由所述装置经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；由所述装置经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及由所述装置经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

11. 如任何前述条款所述的计算机实现方法，其中在统计上组合所述一个或多个第一、第二和第三值采用加权平均。

12. 如任何前述条款所述的计算机实现方法，进一步包括：由装置基于所述摩擦分类报告来初步选出用于潜在管道镜检查的所述燃气涡轮引擎。

13. 如任何前述条款所述的计算机实现方法，进一步包括：由所述装置基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能；以及由所述装置基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

14. 如任何前述条款所述的计算机实现方法，进一步包括：由所述装置通过监测与所述燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势；以及由所述装置在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。

15. 如任何前述条款所述的计算机实现方法，其中，所述实时和基准操作参数包括废气温度的变化与芯速度的变化以及排放压力与振动。

16. 如任何前述条款所述的计算机实现方法，其中，所述基准基本模式放置、所述基准振动谱和所述基准操作参数对应于所述燃气涡轮引擎的正确性能，并且从开发引擎或现场引擎遗留数据来得出。

17. 一种用于促进芯摩擦诊断的计算机程序产品，所述计算机程序产品包括具有随其体现的程序指令的计算机可读存储器，所述程序指令由处理组件可执行，以便使所述处理组件：从一个或多个传感器来收集燃气涡轮引擎的实时操作参数；在统计上组合一个或多个第一值、一个或多个第二值和一个或多个第三值，以产生所述燃气涡轮引擎的摩擦指示符，其中：所述一个或多个第一值基于从所述实时操作参数所得出的所述燃气涡轮引擎的基本模式放置与基准基本模式放置的第一比较；所述一个或多个第二值基于从所述实时操作参数所得出的所述燃气涡轮引擎的振动谱与基准振动谱的第二比较；并且所述一个或多个第三值基于所述燃气涡轮引擎的所述实时操作参数与基准操作参数的第三比较；以及基于所述摩擦指示符来生成摩擦分类报告，所述摩擦分类报告指示所述燃气涡轮引擎的转子与定子之间或者转子与另一个转子之间的摩擦的存在。

18. 如任何前述条款所述的计算机程序产品，其中，所述程序指令是进一步可执行的，以便使所述处理组件：经由第一机器学习算法来生成所述一个或多个第一值，所述第一机器学习算法被训练成识别所述第一比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；经由第二机器学习算法来生成所述一个或多个第二值，所述第二机器学习算法被训练成识别所述第二比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式；以及经由第三机器学习算法来生成所述一个或多个第三值，所述第三机器学习算法被训练成识别所述第三比较中指示没有摩擦、轻摩擦、重摩擦或叶片损耗的模式。

19. 如任何前述条款所述的计算机程序产品，其中所述程序指令是进一步可执行的，以便使所述处理组件：基于所述摩擦分类报告来监测所述燃气涡轮引擎的性能，并且基于所述摩擦分类报告向所述燃气涡轮引擎推荐校正动作。

20. 如任何前述条款所述的计算机程序产品，其中所述程序指令是进一步可执行的，以便使所述处理组件：通过监测与所述燃气涡轮引擎队关联的其他摩擦分类报告来跟踪所述队中的新兴趋势；以及在所调度维护、维修和送修之前执行所述燃气涡轮引擎队的主动工作范围识别。