CN111401676A - 在传感器数据存在的情形下改进维护计划的系统和方法 - Google Patents
在传感器数据存在的情形下改进维护计划的系统和方法 Download PDFInfo
- Publication number
- CN111401676A CN111401676A CN202010004437.8A CN202010004437A CN111401676A CN 111401676 A CN111401676 A CN 111401676A CN 202010004437 A CN202010004437 A CN 202010004437A CN 111401676 A CN111401676 A CN 111401676A
- Authority
- CN
- China
- Prior art keywords
- maintenance
- sensor
- data
- historical
- generating
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 277
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013439 planning Methods 0.000 title abstract description 7
- 230000006872 improvement Effects 0.000 claims abstract description 33
- 238000003860 storage Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 20
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000001788 irregular Effects 0.000 claims description 12
- 239000010705 motor oil Substances 0.000 claims description 8
- 239000003921 oil Substances 0.000 claims description 8
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 239000012530 fluid Substances 0.000 claims description 7
- 230000036541 health Effects 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000002596 correlated effect Effects 0.000 abstract description 4
- 238000007689 inspection Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 18
- 230000008569 process Effects 0.000 description 18
- 230000009471 action Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 9
- 238000013507 mapping Methods 0.000 description 8
- 230000008439 repair process Effects 0.000 description 8
- 230000001186 cumulative effect Effects 0.000 description 7
- 238000002955 isolation Methods 0.000 description 7
- 230000015556 catabolic process Effects 0.000 description 6
- 238000006731 degradation reaction Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000013506 data mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000012384 transportation and delivery Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 238000009877 rendering Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
- G06Q10/063116—Schedule adjustment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G06Q50/40—
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Abstract
本公开涉及在传感器数据存在的情形下改进维护计划的系统和方法。提供了用于生成传感器驱动的优化和/或改进的维护程序的系统和方法。接收用于装置类型的第一维护计划;第一维护计划限定装置类型的维护任务并限定要执行维护任务的间隔。接收历史传感器数据、历史定期维护数据和历史不定期维护数据并进行相关联以确定传感器数据的预测值。接收装置类型的装置的操作员的一个或多个维护改进目标,并且至少基于传感器数据的预测值和维护改进目标生成传感器驱动的优化和/或改进的维护程序。传感器驱动的优化和/或改进的维护程序包括限定的间隔中调整的间隔。
Description
技术领域
本公开涉及在传感器数据存在的情形下改进维护计划的系统和方法。
背景技术
机队操作员遵循维护计划,以便提供有效的操作和机队利用。这种交通工具的示例包括但不限于飞机、空运交通工具、汽车、无人机(UAV)、海上交通工具(船舶、潜艇等)等。就飞机而言,维护计划数据(MPD)通常由制造商提供给飞机的操作员,并且通常包括与推荐的调度维护任务、它们的间隔、所需访问相关的信息和其他相关信息。维护任务通常分组并在标识为“检查包”的包中执行。
在一些操作场景中,操作员将MPD用作起点,并基于财务考虑(例如,从服务中移除车辆并执行特定检查包的成本)来调整其维护计划时间表。然而,对实际操作条件和可用历史数据不了解的维护计划时间表调整会导致进行的维护比所需要的更频繁(从而增加成本),或低于将操作风险维持在低于利用历史维护数据和传感器数据的目标可接受维护计划之下的最佳频率。
发明内容
下面参照以下列出的附图详细描述所公开的示例。提供以下概述以说明本文公开的一些示例。然而,并不意味着将所有示例限于任何特定配置或操作序列。
本文公开的一些方面和实现涉及用于生成传感器驱动的优化(或改进)维护程序(SDOMP)的方法。示例方法包括:接收用于装置类型的第一维护计划,第一维护计划限定用于装置类型的维护任务并限定要执行维护任务的间隔;接收历史传感器数据(包括传感器警报数据)、历史定期维护数据、历史不定期维护数据以及将传感器警报与维护任务链接的文档;将历史传感器数据与历史定期维护数据和历史不定期维护数据相关联,以确定传感器数据的预测值;接收装置类型的装置的操作员的一个或多个维护改进目标;以及至少基于传感器数据的预测值和维护改进目标,生成SDOMP,所生成的SDOMP包括所限定的间隔中的调整的间隔。
本文还提供了用于生成SDOMP的系统和方法。接收装置类型的第一维护计划;第一维护计划限定装置类型的维护任务并限定要执行维护任务的间隔。接收历史传感器数据、历史定期维护数据和历史不定期维护数据并进行相关联以确定传感器数据的预测值。接收装置类型的装置的操作员的一个或多个维护改进目标,以及至少基于传感器数据的预测值和维护改进目标,生成SDOMP。SDOMP包括所限定的间隔中的调整的间隔。
附图说明
下面参照以下列出的附图详细描述所公开的示例:
图1是装置生产和服务方法的框图。
图2是用于本公开的各个方面的装置200的框图。
图3是特定飞行装置201的示意性透视图。
图4是计算设备400的存储区域410的实现的框图。
图5示出了重叠概率密度曲线和驱动检测概率和虚警概率值的阈值。
图6示出了用于检测需要维修或其他维护动作的条件的概率的累积分布函数(CDF)。
图7示出了图6的CDF曲线的改变的阈值。
图8图示了如何确定图7的改变的阈值。
图9是用于实现本公开的各方面的过程流的实现的框图。
图10是实现警报显示。
图11是传感器映射操作的实现的框图。
图12是与生成SDOMP 430相关的相关事件的时间线的图示。
图13示出了非例行发现和维护消息之间的关系。
图14A至图14D示出利用传感器数据的各种情形的净效益。
图15是示出确定是否增加维护任务的操作的实现的流程图。
图16是示出生成SDOMP 430的操作的实现的流程图。
图17是示出用于生成SDOMP 430的过程的框图。
图18是示出适于实现本公开的各个方面的系统的实现的框图。
在所有附图中,相应的附图标记表示相应的部分。
具体实施方式
将参照附图详细描述各种实施例。只要可能,在所有附图中使用相同的附图标记来表示相同或相似的部件。在整个本公开中涉及特定实现和实现的参照仅出于说明性目的而提供,但是除非相反地指示,否则并不意味着限制所有实现。
当结合附图阅读时,将更好地理解以上概述以及某些实施例的以下详细描述。如本文所用的,以单数引用并且前面有词语“一”或“一个”的元件或步骤应当被理解为不一定排除多个元件或步骤。此外,对“一个实施例”的引用并不旨在被解释为排除也并入所陈述的特征的额外实施例的存在。此外,除非明确相反地陈述,否则“包含”或“具有”具有特定特性的一个或多个元件的实施例能够包括不具有该特性的额外元件。
装置上的传感器用于开发基于传感器的预测工具以预测故障的目的。这具有用预测性维护代替预防性维护的可能性。然而,传感器通常由通常不具备完整检查程序知识的组件供应商或设计工程师来部署。因此,传感器和维护任务之间的功能映射使得能够通过虚拟(传感器使能)检查来改进检查间隔。遗憾的是,由于一些传感器数据的概率性质,一些操作员可能忽略警报,并假设其为假警报。这阻碍了传感器的全部潜在益处的实现。通常,由于一些警报是超过阈值的传感器测量的二进制条件,因此传感器警报是传感器数据的子集。
概率传感器数据可以以修改的检查间隔的形式转换成客观的、严格的和可执行的信息,而不只依赖于操作员对警报的解释。因此,当传感器至少部分是故障或退化的预测器时,通过降低维护成本、提高效率和增加装置利用率来实现传感器的益处。
本公开的各方面提供了一种用于生成传感器驱动的优化维护程序(SDOMP)的计算机实现的方法、装置和计算机程序产品。接收装置类型的第一维护计划;第一维护计划限定装置类型的维护任务并限定要执行维护任务的间隔。接收历史传感器数据、历史定期维护数据(historical scheduled maintenance data)和历史不定期维护数据并进行相关联以确定传感器数据的预测值。接收装置类型的装置的操作员(例如,装置或装置的机队(fleetof the apparatus)的所有者、负责装置或装置的机队的管理员、或操作装置的用户)的一个或多个维护改进目标,并且至少基于传感器数据的预测值和维护改进目标来生成SDOMP。SDOMP包括所限定的间隔中的调整的间隔。
对于特定装置(例如,特定装置或装置机队的类型或模型),历史维护数据包括在批准的维护计划(AMP)下针对每个维护事件所产生的成本。历史维护数据包括历史定期维护数据和历史不定期维护数据。维护事件是与装置的组件的维护、修理或替换相关的任何事件。在一个实施例中,维护事件包括例如功能部件故障、系统故障、功能丧失、功能降低、服务中断、腐蚀、磨损、响应时间慢、效率降低、燃料效率降低、轮胎压力丧失,或需要维护、修理或替换组件或组件的子部分的任何其他事件。此外,每个维护事件包括一个或多个维护包(maintenance package),并且每个维护包包括一个或多个维护任务。如本文所用的,维护任务是与检查、维护、修理和/或替换组件或子组件相关的任务。使用历史维护数据,分析包括一个或多个维护包的维护事件,以确定与每个维护任务相关的成本。
使用传感器数据和历史维护数据、成本,以及一个或多个维护改进目标(例如,由该装置或该装置的机队的操作员提供)、可用资源(例如,在任何给定时间的工人和设施可用性)、以及用于装置的总操作寿命周期的限定时间长度(例如,拥有装置或装置的机队的操作员限定的时间长度)、多个维护任务中的每一个,本公开的方面使计划维护事件的频率最小化,并且在使未计划服务中的维护任务的发生最小化的同时,通过预防性计划维护任务的优化或改进调度来改进装置调度。例如,通过增加维护任务的间隔(例如,执行维护任务之间的天数),拥有该设备或该设备的机队的操作员(例如,基于租赁协议)在装置或该设备的机队上执行该特定维护任务的总操作寿命周期内的次数减少。通过推迟特定维护任务的维护,与执行特定维护相关的成本也被推迟。对于租用的装置或装置的机队,增加的间隔可以使得特定的维护被推迟超过装置的租用返回日期。这样,假设在执行特定维护之前将装置返回,则装备公司将不会承担特定维护的成本。
定期维护活动是预先计划的那些维护活动,而不定期维护活动是由于故障或非例行发现而发生的那些活动。例行发现(routine finding)是在检查期间(无论是定期还是不定期)检测或确定为预期的情形,例如在一定量的使用之后轮胎上的胎面深度。非例行发现是在检查期间(无论是定期还是不定期)检测或确定的意外情形,例如在超出预期的状态下和/或功能缺失的状态下某些组件的腐蚀或劣化。
更具体地参照附图,在如图1所示的装置制造和服务方法100和图2中提供的装置200的上下文中描述了本公开的实施例。首先转到图1,示出了根据实施例描述的装置(例如,装置200)制造和服务方法的示图。在一个实施例中,在预生产期间,装置制造和服务方法100包括图2中的装置200的规格和设计102以及材料采购104。在生产期间,进行图2中的装置200的组件和子组件制造106和系统集成108。此后,图2中的装置200经历认证和交付110以便被置于服务中112。当为客户服务期间,图2中的装置200被安排进行日常维护和服务114,在一个实施例中,日常维护和服务114包括本文描述的修改、重新配置、翻新和其他维护或服务。
在一个实施例中,装置制造和服务方法100的每个过程由系统集成商、第三方和/或操作员执行或完成。在这些实现中,操作员是客户。出于描述的目的,系统集成商包括任意数量的装置制造商和主要系统分包商;第三方包括任意数量的供应商、分包商和供货商;并且在一个实施例中,操作员是装置或该装置的机队的所有者、负责该装置或该装置的机队的管理员、操作该装置的用户、租赁公司、军事实体、服务组织等。
现参照图2,提供了装置200。如图2所示,装置200的示例是飞行装置201,例如航空航天飞行器、飞机、航空货运、飞行汽车等。同样如图2所示,装置200的另一示例是地面运输装置202,例如汽车、卡车、重型设备、建筑设备、船、轮船、潜水艇等。图2所示的装置200的另一示例是模块化装置203,模块化装置203包括以下模块中的至少一个或多个:气动模块(air module)、有效载荷模块和地面模块(ground module)。气动模块提供空气提升或飞行能力。有效载荷模块提供运输诸如货物或活体(人、动物等)的物体的能力。地面模块提供地面移动性的能力。本文公开的解决方案应用于单独的每个模块或成组的模块,例如气动和有效载荷模块,或有效载荷和地面等,或所有模块。
现参照图3,示出了实现了实施例的飞行装置201的更具体的示图。在该示例中,飞行装置201是由图1中的装置制造和服务方法100生产的飞机,并且包括具有多个系统304和内部306的机身303。多个系统304的实现方式包括推进系统308、电气系统310、液压系统312和环境系统314中的一个或多个。然而,其他系统也是包含的候选系统。尽管示出了航空航天示例,但是不同的有利实施例应用于其他工业,例如汽车工业等。
现参照图4,提供了用于生成SDOMP的计算设备400的框图。在一些实现方式中,计算设备400包括一个或多个处理器402、一个或多个呈现组件404和存储区域410。所公开的与计算设备400相关的实现由各种计算设备来实现,计算设备包括个人计算机、膝上型计算机、智能电话、移动平板计算机、手持设备、消费电子产品、专用计算设备等。所公开的实现也在分布式计算环境中实现,其中任务由通过通信网络链接的远程处理设备来执行。此外,虽然计算设备400被描述为看似单个设备,但是在一个实施例中,多个计算设备一起工作并共享所描述的设备资源。例如,在一个实施例中,存储区域410分布在多个设备上,所提供的处理器402容纳在不同的设备上,等等。
在一个实施例中,处理器402包括从诸如存储区域410的各种实体读取数据的任何数量的处理单元。具体地,处理器402被编程以执行用于实现本公开的各方面的计算机可执行指令。在一个实施例中,指令由计算设备400内的一个处理器、多个处理器或计算设备400外部的处理器来执行。在一些实现方式中,处理器402被编程以执行诸如在以下讨论并在附图中示出的流程图中示出的那些指令。此外,在一些实现方式中,处理器402表示用于执行本文描述的操作的模拟技术的实现。例如,这些操作由模拟客户端计算设备400和/或数字客户端计算设备400执行。
呈现组件404向操作员(例如,装置或装置的机队的所有者、负责装置或装置的机队的管理员、或操作装置的用户)或向另一设备呈现数据指示。在一个实现方式中,呈现组件包括显示设备、扬声器、打印组件、振动组件等。本领域技术人员将理解并意识到,计算机数据以多种方式呈现:诸如在图形用户界面(GUI)中可视地呈现;通过扬声器可听地呈现;在计算设备400之间无线地呈现;通过有线连接呈现,或以其他方式呈现。在一个实施例中,当过程和操作充分自动化使得减少或不需要人机交互时,不使用呈现组件404。例如,在一些实施例中,生成和实施SDOMP并将未计划任务改变为计划任务并实施计划任务的过程完全自动化并且没有用户干预。
存储区域410存储装置数据412、批准的维护程序(AMP)414、维护成本416、维护改进目标418(由操作员提供)、历史维护数据420、传感器数据422、数据映射组件424、数据相关组件426、分析组件428、SDOMP 430、数据获取和预处理组件432以及其他数据和逻辑434。装置数据412包括特定类型的装置或装置机队的装置交付日期、装置报废日期和操作时长,以及如果租用的话,装置的租赁归还日期、清算周期和租赁事项(例如,在将装置归还出租人之前必须执行什么维护事件)。在一个实施例中,AMP 414包括以下中的一个或多个:维护计划数据(MPD)、装置特定维护任务、装置的检查事件、花费的工时以及维护期间的访问要求。在一些实现方式中,存储区域410另外存储第一改进维护程序,该第一改进维护程序是AMP 414的更优化版本或改进版本,尽管使用传感器数据422进行了改进。维护成本416包括与操作员对于装置或装置的机队的多个维护任务所导致的历史成本有关的数据。更具体地,存储在维护成本416中的每个事件的历史成本是基于一个或多个维护提供者(例如,执行与在维护成本416中提供的维护任务相关的任务的公司)导致的已知成本、基于装置劳动力、材料等。历史维护数据420包括描述已经从AMP 414执行的历史维护事件的信息,包括历史定期维护数据和历史不定期维护数据。
传感器数据422包括基于传感器的报警系统(SBAS)装置健康管理(AHM)警报数据,其在一些实现方式中包括关于可测量组件的数据,例如轮胎压力、氧气压力、液压流体、辅助动力单元(APU)油位、发动机油位等中的任何一个或全部。在一些实现方式中,SBAS警报数据包括装置健康管理(AHM)警报数据。传感器数据422还包括来自装置上或与装置通信的其他传感器的数据。在实施例中,传感器数据422包括历史传感器数据和当前(例如,实时)传感器数据两者。数据映射组件424包括SBAS警报数据到定期维护任务发现的映射以及创建该映射的逻辑。数据相关组件426建立非例行发现和先前相关维护消息之间的关联。分析组件428是软件统计分析工具,其识别用于规划装置或装置机队上的维护的最佳事件要求。在一个实施例中,使用已知或可用的统计应用程序(例如但不限于统计分析软件(SAS)),来实现统计分析。SDOMP 430是最终生成的产品。数据获取和预处理组件432以及其他数据和逻辑434用于处理和存储支持数据映射组件424和分析组件428的数据。例如,其他数据和逻辑434包括装置的操作历史、SDOMP 430的结束日期(例如,租赁结束日期)、以及用于确定调整间隔的净效益(例如,使用维护成本416)的数据。
图5示出了提供重叠概率密度曲线502和504以及驱动检测概率和虚警概率值的阈值506的曲线图500。曲线502示出了对于不应该导致警报的情况的传感器测量输出。曲线504示出了对于应该导致警报的情况的传感器测量输出。遗憾的是,传感器和所测量的传感器输出的解释都不是完全正确的。结果,不应当导致警报的一些情况产生传感器测量输出,该传感器测量输出与在值得警报的其他情况下应当存在的传感器测量输出不可区分,并且因此曲线502和504重叠。阈值506经设置使得其确定是否生成警报。如果感测条件超过阈值506,则发出传感器警报;相反,如果感测条件小于阈值506,则不发出传感器警报。这产生了四种可能性:区域512落在曲线502之下并且小于阈值506。因此,区域512表示条件不应该导致警报并且不发出警报的情形。这是正确的否定,正确地没有警报。区域522落在曲线502之下并且大于阈值506。因此,区域522表示错误的肯定(例如,虚警),这是条件不应当导致警报而发出警报的情形。这是虚警情形。区域514落在曲线504之下并且大于阈值506。因此,区域514表示真正的肯定,这是条件应当导致警报并且发出警报的情形。这是正确的检测情形。区域524落在曲线504之下并且小于阈值506。因此,区域524表示错误的否定,这是条件应当导致警报但不发出警报的情形。这通常也被识别为漏检情形。在一个实施例中,向上或向下调整阈值506以在检测概率(PD)和虚警概率(PFA)之间找到期望的平衡(例如,最优阈值)。PD由区域514表示,PFA由区域522表示。通常,增加阈值506减少了PFA,但是以减少PD为代价。
图6示出了用于检测需要维修或其他维护动作的条件的累积概率的累积分布函数(CDF)曲线602。在一种实现中,通过将统计分析方法应用于历史检查数据(诸如用于定期维护发现的维护记录数据集,以及用于不定期维护的日志簿数据集)来获得CDF曲线602。在另一实现中,使用在美国专利第8117007号中描述的统计分析定期维护优化引擎(SASMO)生成CDF曲线602。CFD曲线602示出了非例行发现的概率,并且CDF曲线602的一些实现是通过分析装置及其组件的历史维护数据来获得的。维护动作是例如不定期修理,而维护任务是例如检查或预防性维护。如果不及时地补救非例行发现情况,则结果可能是即将发生的不定期维护动作。CDF曲线602是使用来自一个或多个操作员的历史维护数据420的估计,并且表示在先前检查没有识别出这种情况之后的某个检查时间检测到需要修理或其他维护动作的情况的可能性(概率)。给定的目标可接受风险水平由线604指示。在线604与CDF曲线602相交的地方,这表示以时间为单位的检查间隔T 606。间隔T 606之前的检查是早期检查,并且不太可能产生识别需要修理或其他维护动作的情况。间隔T 606之后的检查是后期(增加的)检查,并且在一些情况下,更可能导致识别需要修理或其他维护动作的情况。在不使用传感器数据的情况下,通常根据如上所述确定的间隔T 606来设置检查间隔。
维护优化/改进服务基于定期和不定期维护数据,结合传感器数据422,帮助优化/改进操作员的维护计划。SBAS使用实时传感器数据,例如轮胎压力、氧气压力、液压流体、辅助动力单元(APU)和发动机油位,以提供诊断和预测服务。利用SBAS中的诊断和预测能力将不定期维护转换为定期维护,同时还优化或改进某些检查任务间隔。在一个实施例中,虚拟地执行其发现由传感器数据422完美预测的检查任务,而如果传感器数据422仅仅是维护任务发现的部分预测器,则执行任务的虚拟和局部检查。因此,实际的局部检查间隔根据传感器数据422的预测值增加。
图7示出了通过有利地使用传感器数据422而实现的与CDF曲线602相关的改变的检查间隔。当传感器是故障或退化的理想预测器时,最佳检查间隔接近无穷大,因为不再需要检查。然而,物理限制反而意味着传感器是故障或退化的部分预测器。相对于仅依赖于物理检查,这允许承担额外的风险,如使用由线604上方的线704指示的新的可接受风险水平所示。在线704与CDF曲线602相交的地方,以时间为单位指示新的检查间隔T’(T初始)706,其比间隔T 606出现的更晚(更长的间隔)。线604表示识别非例行发现的物理检查的累积概率,并且将其设置为可接受的风险水平。线704指示物理检查、传感器警报或两者识别在先前检查间隔T处的非例行发现的累积概率。因为在一些实现方式中,传感器警报改善了在给定间隔处的累积概率,所以可以将该间隔增加(延长)到T’,同时仍然保持相同的可接受风险水平。
图8示出了如何确定图7的改变的阈值。用于识别包括退化和故障的非例行发现的累积概率的CDF曲线602与间隔T 606一起用于确定由线604指示的目标可接受风险水平。例如通过使用历史维护数据420来确定传感器警报预测潜在故障的概率P。由于存在传感器警报预测潜在故障的概率P,因此用于等效风险水平R_等效的特殊构造使得能够在没有传感器数据的情形下以延长的间隔估计将发生的风险。在实际操作中,具有延长的间隔和传感器数据的使用的结果风险不改变。R_等效通过以下等式与原始目标可接受风险水平R和概率P相关:
等式1:R_等效=R+(1-R)×P
实质上,传感器警报处理附加的(1-R)×P风险,保持有效风险水平R_等效作为原始目标可接受风险水平R。等效风险水平(R_等效)由线704表示。
等式2:P(J∪S)=P(J)+P(S)-P(J∩S)
等式3:P(J∪S)=P(J)+P(S)-P(J|S)×P(S);按照贝叶斯等式
等式4:P(J∪S)=P(J)+P(S)-P(J)×P(S);由于J和S独立地操作
等式5:P(J∪S)=P(J)+(1-P(J))×P(S)
其中P(J∪S)是J或传感器S,或两者都检测到非例行发现的物理检查的概率,P(J)是J单独检测到非例行发现的物理检查的概率,P(S)是传感器S单独检测到非例行发现的概率(正确检测)。线704与CDF曲线602相交的点,以时间为单位表示新的检查间隔T’706。未检测到的故障概率分布曲线812表示未被传感器警报预测的故障发生的可能性。由线604指示的原始目标可接受风险水平在对应于新的检查间隔T’706的位置处与未检测到的故障概率分布曲线812相交,示出传感器在保持原始目标可接受风险水平的同时如何允许增加检查间隔(从T 606到T’706)。在一些实现方式中,如果传感器检测的概率是随机的,具有已知分布(例如,高斯分布),则使用卷积方法来估计通过使用传感器数据422而降低的风险。
作为说明性示例,维护任务包括:“发动机机油滤清器元件旁路状况的一般目视检查”,具有150个飞行时数的间隔T。150小时的初始间隔T从CDF曲线602导出,具有0.4的可接受风险水平R。传感器连续地测量油滤清器元件旁路状况。如果油滤清器元件旁路超过某一阈值,则传感器从传感器产生警报。呈现两种情形:
情形1:P(S)=1的理想传感器。如果存在故障,传感器将以100%的确定性捕获它。在这种情形下,等式1变为:
等式6:R_等效=R+(1-R)×P(S)=0.4+0.6×1
新的物理检查间隔被无限地推出。即,从物理检查中去除检查任务,并且仅需要虚拟检查。
情形2:P(S)=0.8的不完美传感器。如果存在故障,传感器将以80%的确定性捕获它。在这种情形下,等式1变为:
等式7:R_等效=R+(1-R)×P(S)=0.4+0.6×0.8=0.88
新的物理检查间隔增加,尽管不是无限地增加。
图9是用于实现本公开的各方面的处理流900的实现的框图。输入数据包括:AMP414和维护改进目标418,它们一起指定任务、间隔和可接受的风险;SBAS数据和警报902,是传感器数据422的一部分;故障隔离信息904;历史定期维护数据906;以及历史不定期维护数据908。历史定期维护数据906和历史不定期维护数据908来自历史维护数据420。数据获取和预处理阶段包括使用数据获取和预处理组件432来获取和/或处理具有处理932a的SBAS数据和警报902,具有处理932b的故障隔离信息904,以及具有处理932c的历史定期维护数据906和历史不定期维护数据908。这些结果被馈送到数据映射组件424。任务和警报选择处理910选择各种维护任务作为从物理检查和/或增加中移除的候选者。然后将每个任务馈送到分析组件428中。然后,分析组件428在判定操作912中作出是否在914处保持原始间隔、在916处从物理检查中移除任务(从而使其成为虚拟检查)或在918处增加间隔的判定。在一些实现方式中,分析组件428构造用于生成未检测到的故障概率分布曲线812的数据。
判定操作912使用传感器数据422的预测值和AMP 414以及维护改进目标418。如果传感器数据422没有预测值,即通过任何传感器数据422或警报都不能预测故障和非例行发现,则保留原始AMP间隔。如果传感器数据422具有完整的预测值,即通过传感器数据422或警报可靠地预测故障和非例行发现,则将诸如检查的维护任务从物理检查中移除。然而,如果传感器数据422具有部分预测值,即通过传感器数据422或警报能够以合理的概率预测故障和非例行发现,则根据检测的可靠性逐步增加(escalate,增加)维护任务。这样,至少基于传感器数据422的预测值和维护改进目标418生成SDOMP 430。在一些实现方式中,SDOMP430包括调整(例如,增加或降低)的间隔,并且还反映移除的任务和一些未改变的AMP间隔。
图10是来自不同传感器(例如,由不同组件供应商生产的传感器)的、存储在SBAS数据和警报902内的、具有不同格式的SBAS数据和警报情况的实现。例如,分别来自传感器1001和1002的警报数据1011和1012是第一格式1021。分别来自传感器1003和1004的警报数据1013和1014是第二种不同的格式1022。这示出了对于数据获取和预处理组件432能够以不同格式从不同源接收数据并根据下游消耗的需要对其进行处理的需要。SBAS数据和警报902包括来自不同组件厂商提供的传感器以及来自不同源并且因此格式不一致的数据。
图11是传感器映射操作的实现的框图1100。操作1102是任务和警报选择处理910的一部分,其中识别出候选SBAS警报。在一些实现方式中,操作1102包括调整警报阈值(例如,图5的阈值506)以便找到最佳警报阈值。如果传感器警报提供了要依赖的太多误报,则所产生的不定期检查将增加维护成本。在一些示例中,调整传感器本身以将警报条件改变到较低的误报率。这与故障隔离信息904一起使用,在一些实现方式中,故障隔离信息904源自由组件厂商提供的故障隔离手册。然后用推荐的维护动作1104分析这些数据集。
此外,在一些实现方式中,从历史维护数据420导出的维护任务1106用于识别不定期维护任务信息。选择不定期维护任务候选1108,其提供各种组件的故障信息和关于非例行发现的数据。在一些实现方式中,还从历史维护数据420中导出关于不定期维护任务候选1108的数据。然后,在1112处,将维护动作1110与推荐的维护动作1104进行比较,以将传感器数据422映射到维护发现。在一些实现方式中,传感器数据(包括传感器警报)到维护动作的逻辑映射之后是使用历史数据来确定虚警的数量是否过高的另一阶段。
图12是与生成SDOMP 430相关的相关事件:第一事件1202和第二事件1204的时间线1200的图示。第一事件1202是维护消息,例如传感器警报或其他报告的传感器数据,随后是间隔1206之后的第二事件1204。第二事件1204是非例行发现,被识别为非例行发现X。最初,可以不识别第一事件1202和第二事件1204之间的相关性。然而,在映射操作期间,识别第一事件1202和第二事件1204之间的相关性。例如,如果大量的非例行发现之前已经有相关的维护消息,则通常可以建立相关性。
图13示出了在概念时间关系网络1300中维护任务(经由非例行发现)和维护消息之间的关系。图13提供了用于理解图11的框图1100的附加透视图。在一些示例中,传感器数据422(无论是警报还是普通传感器数据)没有一对一地与维护任务(诸如检查)和/或非例行发现映射。在实施例中,存在重叠的一对多关系、多对一关系和组合。例如,多个传感器警报与第一非例行发现相关,并且这些多个传感器警报中的一个或多个另外与多个其他非例行发现相关。
通常,传感器数据422带来两个考虑:检测概率(伴随着虚警概率)和相关性。第一个考虑,即检测概率,是可靠性考虑,解决了传感器数据422如何可靠地预测非例行发现的问题。通常可能建立与计算相关性的统计分析的相关性。相关性是两个事件之间相关性的数学规范。在一些实现方式中使用的一种相关方法是皮尔森相关系数(PCC),其是两个变量X和Y之间的线性相关的度量。完全相关表示两个事件总是一起发生,而对于不相关的事件,当一个事件发生时,在预测第二事件是否发生中不存在证明价值。分析传感器数据422的可靠性和与维护任务、非例行发现和维护动作的相关性。
概念时间关系网络1300解决诸如以下的问题:特定传感器或一组传感器的相关性是什么?传感器数据422可信赖的程度?传感器数据422提供什么作用来提高预测值?例如,使用故障隔离信息904来识别维护消息1302的重要性。维护任务1106用于识别非例行发现1308。然后在故障隔离信息904和维护动作1110之间找到关系,并且在非例行发现1308和维护动作1110之间找到关系。然后这完成维护消息1302和维护任务1106之间的映射,以便于量化维护发现与相关传感器警报和其他传感器数据之间的相关性。
图14A至图14D示出利用传感器数据的各种情形的净效益。返回参照图8,描述了一组示例情形,其中物理检查间隔是T。T为风险水平R的反函数(绘制为CDF曲线602),以及T’是增加的间隔。因此,对于原始的和增加的间隔,每单位时间定期维护动作的数量分别为i1/T和1/T’。增加的效益B计算如下:
等式8:B=(1/T-1/T’)×C_定期
其中C_定期是任务的定期维护的成本。
图14A示出情形1的条形图1400:航空公司具有处理基于传感器的警报的流程。因此,已经存在适当的业务流程来处理由警报触发的检查,因此不包括检查成本。如等式8所示,SBAS增加的净效益是B。在条形图1400中,条1402示出了间隔为T的定期维护的原始成本。条1404示出了具有间隔T’的定期维护的每单位时间的新成本,并且效益B示出为差1408。
图14B示出了情形2.1的条形图1410:航空公司没有处理基于传感器的警报的流程,并且传感器阈值不能被改变以减少虚警。如等式9所示,SBAS增加的净效益是B:
等式9:B=(1/T-1/T’)×C_定期-PFA×C_不定期
其中PFA是错误传感器警报的概率,并且C_不定期是任务的不定期维护的成本。在条形图1410中,条1416示出了间隔为T’的不定期维护的成本,因此其被添加到条1404的顶部。净效益B示出为差1418。如果传感器虚警太多以致净效益是负的(例如花费更多的钱),则不应该使用传感器数据来增加维护间隔。
图14C示出了情形2.2的条形图1420,除了可以改变传感器警报阈值(例如,图5的阈值506)以减小PFA之外,其类似于情形2.1。最初,PFA和C_不定期产生不定期维护成本,如条1404顶上的条1426所示,即成本太高使得净效益是负的。因此,调节传感器警报阈值以减小PFA。这具有降低检测概率P(S)的效果,因此新的间隔将是具有较低P(S)的T″。
图14D也示出了情形2.2的条形图1430,但是反映了新的间隔T″。在条形图1430中,条1434示出具有间隔T″的定期维护的新成本,其高于(反映较高成本)图14A至图14C中的条1404。在条1434顶上的条1436示出了由于C_不定期和减少的PFA而导致的不定期维护成本。净效益B示出为差1438。条形图1430示出了存在警报阈值的情形,其中PFA和PD的组合(正确检测和警报的概率)产生大于零的净效益。总之,图14A至图14D表明,尽管当虚警的概率足够低时依赖于传感器数据422减少了维护事件,但是当虚警的概率太高,依赖于传感器数据422不必要地增加了维护事件,从而潜在地增加了操作员成本。
图15提供了说明确定是否增加维护任务的操作的实现的流程图1500。流程图1500提供了对判定操作912的进一步解释。作为传感器数据422的子集的选择的历史传感器数据422a在相关操作1502中与历史维护数据420组合,在一些实现方式中,相关操作1502由概念时间关系网络1300表示。判定操作1504确定传感器数据422是否可以预测故障或其他非例行发现。如果否,则结果是保留原始维护间隔的判定914。应当注意,判定操作1504中的确定不太可能是清楚的是或否的结果。在一个示例中,该判定基于预测值计算来进行,该预测值计算很少达到0.0,但是对于否的结果具有低值。也就是说,在一些实现方式中,将预测值与阈值进行比较以提供是或否的结果。
如果传感器数据422已经预测了故障或非例行发现,则判定操作1506确定传感器数据422是否已经完全预测了非例行发现(例如,退化或故障或其他非例行发现)。如果是,则结果是从物理检查中移除维护任务并使用虚拟检查(经由传感器)的判定916。类似于判定操作1504,判定操作1506的一些实现方式使用第二阈值,而不需要绝对完美的传感器数据预测值。如果传感器数据422不是完全预测的,则传感器数据422可能仅部分预测了故障或其他非例行发现(减少而不是消除风险),并且结果是增加维护间隔的判定918。该处理的一部分(增加维护间隔)是图8所示的检测概率的修改。参照在判定操作1504中使用的阈值,当传感器数据422的预测值满足阈值时,检查间隔增加。
现参照图16,流程图1600示出了用于生成SDOMP 430的操作的实现方式。在一个实施例中,图16所示的操作由向一个或多个处理器402提供指令的分析组件428执行。操作1602包括接收用于装置类型的第一维护计划,该第一维护计划限定用于装置类型的维护任务并且限定要执行维护任务的间隔。在一些实现方式中,第一维护计划包括AMP(例如,AMP414)。在一些实现方式中,装置类型是飞机(例如,飞行装置201)。
操作1604包括接收历史传感器数据(例如,来自传感器数据422);操作1606包括接收历史定期维护数据(例如,来自历史维护数据420),并且操作1608包括接收历史不定期维护数据(例如,来自历史维护数据420)。在一些实现方式中,所接收的传感器数据包括SBAS警报数据。在一些实现方式中,SBAS警报数据包括从包括以下各项的项中选择的至少一个数据类型:轮胎压力、氧气压力、液压流体、APU油位和发动机油位。
操作1610包括将历史传感器数据与历史定期维护数据和历史不定期维护数据相关联以确定传感器数据422的预测值。在一些实现方式中,确定传感器数据422的预测值包括确定传感器警报对应于非例行发现的概率。操作1612包括接收装置的操作历史,并且操作1614包括确定调整间隔的净效益。虚警(误报)和漏检(漏报)增加了维护成本。参见例如图14C和图14D的描述。在一些实现方式中,根据虚警和漏检的概率对该成本信息进行加权。例如,当第一维护任务由于依赖于传感器而被推迟时,结果是需要更昂贵的第二维护任务,然后在所确定的成本中使用更昂贵的第二维护任务的成本。操作1612和1614使用来自其他数据和逻辑434的数据,并结合图17至图18进一步描述。
操作1616包括构建CDF曲线602,并且至少基于传感器数据422的预测值,生成SDOMP(例如,SDOMP 430),所生成的SDOMP 430包括所限定的间隔中的调整的间隔。在一些实现方式中,至少基于传感器数据422的预测值和维护改进目标418生成SDOMP 430包括当传感器数据422的预测值满足阈值时增加检查间隔。在一些实现方式中,生成SDOMP 430还包括至少基于装置的操作历史来生成SDOMP 430。在一些实现方式中,生成SDOMP 430还包括至少基于结束日期生成SDOMP 430。在一些实现方式中,生成SDOMP还包括至少基于与维护任务相关的成本来生成SDOMP 430。然后操作1618包括例如在呈现组件404上呈现所生成的SDOMP 430。
图17是示出分析组件428生成SDOMP 430的处理1700的框图。分析组件428在操作1602中使用装置数据412和AMP 414;历史维护数据420用于操作1606和1608。在操作1604中,分析组件428使用传感器数据422(例如历史传感器数据);并且在操作1610中使用操作1604、1606和1608的结果。分析组件428在操作1612和1614中使用其他数据和逻辑434。在一些实现方式中,其他数据和逻辑434包括装置的操作历史、SDOMP 430的结束日期(例如,租赁结束日期)、以及用于确定调整间隔的净效益(例如,使用维护成本416)的数据。操作1602、1610、1612和1614的结果在操作1618中用于生成SDOMP 430。
图18是用于生成SDOMP的系统1800的框图。系统1800是合适的计算环境的一个实现方式,并不旨在对本发明的使用范围或功能提出任何限制。也不应将系统1800解释为对所示组件/模块中的任何一个或其组合具有任何依赖性或要求。
本文公开的实现方式和实施例是在计算机代码或机器可用指令的一般上下文中描述的,包括由诸如个人数据助理或其他手持设备等计算机或其他机器执行的诸如程序组件的计算机可执行指令。通常,包括例程、程序、对象、组件、数据结构的程序组件,是指执行特定任务或实现特定抽象数据类型的代码。所公开的实现方式在各种系统配置中实践,包括个人计算机、膝上型计算机、智能电话、移动平板计算机、手持设备、消费电子产品、专用计算设备等。所公开的实现方式也在分布式计算环境中实现,其中任务由通过通信网络链接的远程处理设备来执行。
系统1800包括通信地耦接到网络1818的计算设备(例如,计算设备400)。计算设备400包括直接或间接耦接以下设备的总线1816:存储区域410、一个或多个处理器402、一个或多个呈现组件404、输入/输出(I/O)端口1808、I/O组件1810、电源1812和网络组件1814。系统1800不应被解释为对其中所示的任何单个组件或组件组合具有任何依赖性或要求。虽然系统1800被描述看似单个设备,但是在一个实施例中,多个计算设备一起工作并共享所描述的设备资源。例如,在一个实施例中,存储区域410分布在多个设备上,所提供的处理器402容纳在不同的设备上等。
总线1816表示一个或多个总线(例如地址总线、数据总线或其组合)。尽管为了清楚起见用线示出了图18的各个框,但是实际上,描绘各个组件不是很清楚,并且隐喻地,线将更准确地是灰色和模糊的。例如,人们认为诸如显示设备的呈现组件是I/O组件。此外,处理器具有存储器。这是本领域的本质,并且图18的图示仅是结合本发明的一个或多个实施例使用的系统或计算设备的示例。在诸如“工作站”、“服务器”、“膝上型计算机”、“手持设备”等类别之间没有进行区分,因为所有类别都被认为在图18的范围内,并且本文引用“计算设备”。
在一个实施例中,存储区域410包括本文讨论的任何计算机可读介质。在一个实施例中,存储区域410用于存储和访问被配置执行本文所公开的各种操作的指令。在一些实现方式中,存储区域410包括易失性和/或非易失性存储器、可移动或不可移动存储器、虚拟环境中的数据盘或其组合形式的计算机存储介质。
在一个实施例中,处理器402包括从诸如存储区域410或I/O组件1810的各种实体读取数据的任何数量的处理单元。具体地,处理器402被编程执行用于实现本公开的各方面的计算机可执行指令。在一个实施例中,指令由计算设备400内的一个处理器、多个处理器或计算设备400外部的处理器来执行。在一些实现方式中,处理器402被编程执行诸如在以下讨论并在附图中示出的流程图中示出的那些指令。此外,在一些实现方式中,处理器402表示用于执行本文描述的操作的模拟技术的实现方式。例如,这些操作由模拟客户端计算设备和/或数字客户端计算设备来执行。
呈现组件404向操作员(例如,装置或装置的机队的所有者、负责装置或装置的机队的管理员、或操作装置的用户)或向另一设备呈现数据指示。在一个实现方式中,呈现组件包括显示设备、扬声器、打印组件、振动组件等。本领域技术人员将理解并意识到,计算机数据以多种方式呈现,诸如在图形用户界面(GUI)中可视地呈现;通过扬声器可听地呈现;在计算设备400之间无线地呈现;通过有线连接呈现,或以其他方式呈现。
端口1808允许计算设备400在逻辑上耦接到包括I/O组件1810的其他设备,其中一些是内置的。I/O组件1810的实现方式包括但不限于例如麦克风、键盘、鼠标、操纵杆、游戏手柄、圆盘式卫星天线、扫描仪、打印机、无线设备等。
在一些实现方式中,网络组件1814包括网络接口卡和/或用于操作网络接口卡的计算机可执行指令(例如,驱动程序)。在一个实施例中,计算设备400和其他设备之间的通信使用任何协议或机制在任何有线或无线连接上发生。在一些实现方式中,网络组件1814可操作来使用传输协议在公共、私有或混合(公共和私有)上,在使用短距离通信技术(例如,近场通信(NFC)、品牌通信等)或其组合的无线装置之间传送数据。
尽管结合计算设备400进行了描述,但是本公开的实现方式能够用许多其他通用或专用计算系统环境、配置或设备来实现。适用于本公开的各方面的公知计算系统、环境和/或配置的实现方式包括但不限于智能电话、移动平板计算机、移动计算设备、个人计算机、服务器计算机、手持或膝上型设备、多处理器系统、游戏机、基于微处理器的系统、机顶盒、可编程消费电子产品、移动电话、可穿戴或配件形式因素的移动计算和/或通信设备(例如,手表、眼镜、头戴式耳机或耳机)、网络PC、小型计算机、大型计算机、包括任何上述系统或设备的分布式计算环境、VR设备、全息设备等。这样的系统或设备以任何方式接受来自用户的输入,包括来自诸如键盘或定点设备的输入设备,经由手势输入、接近输入(诸如通过悬停)和/或经由语音输入。
在一个实施例中,在诸如程序模块的由一个或多个计算机或其他设备以软件、固件、硬件或其组合执行的计算机可执行指令的一般上下文中描述本公开的实现方式。在一个实施例中,计算机可执行指令被组织成一个或多个计算机可执行组件或模块。一般而言,程序模块包括但不限于执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件和数据结构。在一个实施例中,本公开的各方面以任何数目和组织的此类组件或模块来实施。例如,本公开的各方面不限于在附图中示出并本文中描述的特定计算机可执行指令或特定组件或模块。本公开的其他实现方式包括具有比本文示出和描述的更多或更少的功能的不同计算机可执行指令或组件。在涉及通用计算机的实现方式中,本公开的各方面在被配置执行本文所述的指令时将通用计算机转换为专用计算设备。
作为示例而非限制,计算机可读介质包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动存储器。计算机存储介质是有形的并且与通信介质互斥。计算机存储介质以硬件实现,并且排除载波和传播信号。用于本公开目的的计算机存储介质本身不是信号。在一种实现方式中,计算机存储介质包括硬盘、闪存驱动器、固态存储器、相变随机存取存储器(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(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、光盘只读存储器(CD-ROM)、数字多功能盘(DVD)或其他光存储、磁带盒、磁带、磁盘存储或其他磁存储装置、或用于存储供计算设备访问的信息的任何其他非传输介质。相反,通信介质通常在诸如载波或其他传输机制的已调制数据信号中体现计算机可读指令、数据结构、程序模块等,并且包括任何信息传递介质。
以下段落描述本公开的其他方面:
A1.一种用于生成SDOMP的方法,该方法包括:
接收用于装置类型的第一维护计划,该第一维护计划限定用于装置类型的维护任务并且限定将要执行维护任务的间隔;
接收历史传感器数据、历史定期维护数据和历史不定期维护数据;
将历史传感器数据与历史定期维护数据和历史不定期维护数据相关联,以确定传感器数据的预测值;
接收装置类型的装置的操作员的一个或多个维护改进目标;以及
至少基于传感器数据的预测值和维护改进目标,生成SDOMP,生成的SDOMP包括限定的间隔中的调整的间隔。
A2.根据A1的方法,其中,第一维护计划包括批准的维护计划。
A3.根据A1或A2的方法,其中装置类型是飞机。
A4.根据A1-A3中任一项的方法,其中,传感器数据包括飞机健康管理(AHM)警报数据,并且其中该AHM警报数据包括选自以下项的至少一个数据类型,该以下项包括:
轮胎压力、氧气压力、液压流体、辅助动力单元(APU)油位和发动机油位。
A5.根据A1-A4中任一项的方法,其中,确定传感器数据的预测值包括确定传感器警报对应于非例行发现的概率。
A6.根据A1-A5中任一项的方法,其中,操作员的一个或多个维护改进目标包括可接受的风险水平。
A7.根据A1-A6中任一项的方法,其中,至少基于传感器数据的预测值和维护改进目标来生成SDOMP包括:当传感器数据的预测值满足阈值时,增加检查间隔。
A8.根据A1-A7中任一项的方法,还包括:
接收装置的操作历史,以及
其中生成SDOMP还包括至少基于装置的操作历史生成SDOMP。
A9.根据A1-A8中任一项的方法,还包括:
确定SDOMP的结束日期,以及
其中生成SDOMP还包括至少基于结束日期生成SDOMP。
A10.根据A1-A9中任一项的方法,还包括:
确定调整间隔的净效益,以及
其中生成SDOMP还包括至少基于与维护任务相关的成本生成SDOMP。
A11.一种用于生成SDOMP的系统,该系统包括:
一个或多个处理器;以及
存储区域,存储分析组件,该分析组件在由一个或多个处理器执行时使一个或多个处理器执行以下操作,该操作包括:
接收用于装置类型的第一维护计划,该第一维护计划限定用于装置类型的维护任务并且限定将要执行维护任务的间隔;
接收历史传感器数据、历史定期维护数据和历史不定期维护数据;
将历史传感器数据与历史定期维护数据和历史不定期维护数据相关,以确定传感器数据的预测值;
接收装置类型的装置的操作员的一个或多个维护改进目标;以及
至少基于传感器数据的预测值和维护改进目标,生成SDOMP,生成的SDOMP包括限定的间隔中的调整的间隔。
A12.根据A11的系统,其中,第一维护计划包括批准的维护计划。
A13.根据A11或A12的系统,其中,装置类型是飞机。
A14.根据A11-A13中任一项的系统,其中,该传感器数据包括AHM警报数据,并且其中该AHM警报数据包括选自以下项的至少一种数据类型,该以下项包括:
轮胎压力、氧气压力、液压流体、辅助动力单元(APU)油位和发动机油位。
A15.根据A11-A14中任一项的系统,其中,确定传感器数据的预测值包括确定传感器警报对应于非例行发现的概率。
A16.根据A11-A15中任一项的系统,其中,操作员的一个或多个维护改进目标包括可接受的风险水平。
A17.根据A11-A16中任一项的系统,其中,至少基于传感器数据的预测值和维护改进目标生成SDOMP包括:当传感器数据的预测值满足阈值时逐步增加检查间隔。
A18.根据A11-A17中任一项的系统,其中,该操作还包括:
接收装置的操作历史,以及
其中生成SDOMP还包括至少基于装置的操作历史生成SDOMP。
A19.根据A11-A18中任一项的系统,其中,操作还包括:
确定SDOMP的结束日期,以及
其中生成SDOMP还包括至少基于结束日期生成SDOMP。
A20.根据A11-A19中任一项的系统,其中,操作还包括:
确定调整间隔的净效益,以及
其中生成SDOMP还包括至少基于与维护任务相关的成本生成SDOMP。
当介绍本公开的各方面的元素或其实现时,冠词“一”,“一个”,“该”和“所述”旨在表示存在一个或多个元素。术语“包括”,“包含”和“具有”旨在是包括性的并且意味着可以存在除了所列出的元素之外的其他元素。术语“实现”旨在表示“...的示例”。短语“以下中的一个或多个:A、B和C”是指“A中的至少一个和/或B中的至少一个和/或C中的至少一个”。
已经详细描述了本公开的各方面,显而易见的是,在不脱离如所附权利要求中限定的本发明的各方面的范围的情形下,修改和变化是可行的。由于在不脱离本公开的各方面的范围的情形下可以对上述构造、产品和方法进行各种改变,因此旨在将包含在上述描述中并在附图中示出的所有内容解释为说明性的而非限制性的。
Claims (20)
1.一种用于生成传感器驱动的优化维护程序的方法,所述方法包括:
接收用于装置类型的第一维护计划(1602),所述第一维护计划限定用于所述装置类型的维护任务并且限定要执行所述维护任务的间隔;
接收历史传感器数据(1604)、历史定期维护数据(1606)和历史不定期维护数据(1608);
将所述历史传感器数据与所述历史定期维护数据和所述历史不定期维护数据相关联(1610),以确定传感器数据的预测值;
接收所述装置类型的装置的操作员的一个或多个维护改进目标(418);以及
至少基于所述传感器数据的所述预测值和所述维护改进目标,生成所述传感器驱动的优化维护程序(1618),生成的所述传感器驱动的优化维护程序包括限定的所述间隔中的调整的间隔。
2.根据权利要求1所述的方法,其中,所述第一维护计划包括批准的维护计划(414)。
3.根据权利要求1或2所述的方法,其中,所述装置类型是飞机(201)。
4.根据权利要求1或2所述的方法,其中,所述传感器数据(422)包括装置健康管理警报数据,并且其中所述装置健康管理警报数据包括选自由以下项组成的列表中的至少一个数据类型:
轮胎压力、氧气压力、液压流体、辅助动力单元油位和发动机油位。
5.根据权利要求1或2所述的方法,其中,确定所述传感器数据的所述预测值包括确定传感器警报对应于非例行发现的概率。
6.根据权利要求1或2所述的方法,其中,所述操作员的所述一个或多个维护改进目标(418)包括能接受的风险水平。
7.根据权利要求1或2所述的方法,其中,至少基于所述传感器数据的所述预测值和所述维护改进目标生成所述传感器驱动的优化维护程序(1618)包括当所述传感器数据的所述预测值满足阈值时增加检查间隔。
8.根据权利要求1或2所述的方法,还包括:
接收所述装置的操作历史(1612),以及
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于所述装置的所述操作历史生成所述传感器驱动的优化维护程序。
9.根据权利要求1或2所述的方法,还包括:
确定所述传感器驱动的优化维护程序的结束日期(434),以及
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于所述结束日期生成所述传感器驱动的优化维护程序。
10.根据权利要求1或2所述的方法,还包括:
确定调整间隔的净效益(1614),以及
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于与所述维护任务相关的成本生成所述传感器驱动的优化维护程序。
11.一种用于生成传感器驱动的优化维护程序的系统,所述系统包括:
一个或多个处理器(402);以及
存储区域(410),存储分析组件(428),当所述分析组件(428)由所述一个或多个处理器执行时,使所述一个或多个处理器执行操作,所述操作包括:
接收用于装置类型的第一维护计划(1602),所述第一维护计划限定用于所述装置类型的维护任务并且限定要执行所述维护任务的间隔;
接收历史传感器数据(1604)、历史定期维护数据(1606)和历史不定期维护数据(1608);
将所述历史传感器数据与所述历史定期维护数据和所述历史不定期维护数据相关联(1610),以确定传感器数据的预测值;
接收所述装置类型的装置的操作员的一个或多个维护改进目标(418);以及
至少基于所述传感器数据的所述预测值和所述维护改进目标,生成所述传感器驱动的优化维护程序(1618),生成的所述传感器驱动的优化维护程序包括限定的间隔中的调整的间隔。
12.根据权利要求11所述的系统,其中,所述第一维护计划包括批准的维护计划(414)。
13.根据权利要求11或12所述的系统,其中,所述装置类型是飞机(201)。
14.根据权利要求11或12所述的系统,其中,所述传感器数据(422)包括装置健康管理警报数据,并且其中所述装置健康管理警报数据包括选自由以下项组成的列表中的至少一个数据类型:
轮胎压力、氧气压力、液压流体、辅助动力单元油位和发动机油位。
15.根据权利要求11或12所述的系统,其中,确定所述传感器数据的所述预测值包括确定传感器警报对应于非例行发现的概率。
16.根据权利要求11或12所述的系统,其中,所述操作员的所述一个或多个维护改进目标(418)包括能接受的风险水平。
17.根据权利要求11或12所述的系统,其中,至少基于所述传感器数据的所述预测值和所述维护改进目标生成所述传感器驱动的优化维护程序(1618)包括当所述传感器数据的所述预测值满足阈值时增加检查间隔。
18.根据权利要求11或12所述的系统,其中,所述操作还包括:
接收所述装置的操作历史(1612),并且
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于所述装置的所述操作历史生成所述传感器驱动的优化维护程序。
19.根据权利要求11或12的所述系统,其中,所述操作还包括:
确定所述传感器驱动的优化维护程序的结束日期(434),以及
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于所述结束日期生成所述传感器驱动的优化维护程序。
20.根据权利要求11或12所述的系统,其中,所述操作还包括:
确定调整间隔的净效益(1614),以及
其中生成所述传感器驱动的优化维护程序(1618)还包括至少基于与所述维护任务相关的成本生成所述传感器驱动的优化维护程序。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/238,424 US11783301B2 (en) | 2019-01-02 | 2019-01-02 | Systems and methods for optimizing maintenance plans in the presence of sensor data |
US16/238,424 | 2019-01-02 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111401676A true CN111401676A (zh) | 2020-07-10 |
Family
ID=68944532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010004437.8A Pending CN111401676A (zh) | 2019-01-02 | 2020-01-02 | 在传感器数据存在的情形下改进维护计划的系统和方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11783301B2 (zh) |
EP (1) | EP3678070A1 (zh) |
JP (1) | JP2020113265A (zh) |
CN (1) | CN111401676A (zh) |
SG (1) | SG10201914004PA (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204425A (zh) * | 2022-07-28 | 2022-10-18 | 浙江东冠信息技术有限公司 | 一种基于bim的可视化运维的方法及系统 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11620614B2 (en) * | 2019-10-30 | 2023-04-04 | Gpcp Ip Holdings Llc | Detecting replenishment events and generating order recommendations |
US11238417B2 (en) * | 2020-02-28 | 2022-02-01 | The Boeing Company | Adjusting maintenance intervals for individual platforms based on observable conditions |
CN112686403B (zh) * | 2020-12-30 | 2023-05-05 | 福建海电运维科技股份有限公司 | 一种智能风机档案运维方法及系统 |
Family Cites Families (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917433A (en) * | 1996-06-26 | 1999-06-29 | Orbital Sciences Corporation | Asset monitoring system and associated method |
US20040176929A1 (en) * | 2003-03-07 | 2004-09-09 | Dirk Joubert | Monitoring and maintaining equipment and machinery |
US6968905B2 (en) * | 2003-03-18 | 2005-11-29 | Schlumberger Technology Corporation | Distributed control system |
US7028885B2 (en) * | 2003-03-28 | 2006-04-18 | Auction Management Solutions, Inc | Automated condition evaluator |
WO2005038613A2 (en) * | 2003-10-17 | 2005-04-28 | Hydralift Amclyde, Inc. | Equipment component monitoring and replacement management system |
CA2553023C (en) * | 2004-01-09 | 2013-03-19 | United Parcel Service Of America, Inc. | System, method and apparatus for capturing telematics data with an active rfid tag |
US8478506B2 (en) * | 2006-09-29 | 2013-07-02 | Caterpillar Inc. | Virtual sensor based engine control system and method |
US7496475B2 (en) * | 2006-11-30 | 2009-02-24 | Solar Turbines Incorporated | Maintenance management of a machine |
WO2008139493A1 (en) * | 2007-05-11 | 2008-11-20 | Ucal Fuel Systems Limited | Configurable semiconductor virtual sensor |
US7634383B2 (en) * | 2007-07-31 | 2009-12-15 | Northrop Grumman Corporation | Prognosis adaptation method |
US8079226B2 (en) * | 2007-12-20 | 2011-12-20 | Spx Corporation | Method for accurately recharging A/C systems |
US8117007B2 (en) * | 2008-09-12 | 2012-02-14 | The Boeing Company | Statistical analysis for maintenance optimization |
DE102010049909A1 (de) * | 2010-10-28 | 2012-05-03 | Eads Deutschland Gmbh | Instandhaltungsinformationsvorrichtung, Zustandssensor zur Verwendung darin sowie damit durchführbares Verfahren zur Entscheidungsfindung für oder gegen eine Instandhaltung |
US9251502B2 (en) | 2012-11-01 | 2016-02-02 | Ge Aviation Systems Llc | Maintenance system for aircraft fleet and method for planning maintenance |
WO2015112892A1 (en) * | 2014-01-24 | 2015-07-30 | Telvent Usa Llc | Utility resource asset management system |
EP3018541B1 (en) * | 2014-11-04 | 2023-10-25 | Garrett Transportation I Inc. | Configurable inferential sensor for vehicle control systems |
US20160133066A1 (en) | 2014-11-09 | 2016-05-12 | Scope Technologies Holdings Limited | System and method for scheduling vehicle maintenance and service |
US10807738B2 (en) | 2016-12-01 | 2020-10-20 | General Electric Company | Maintenance operation analytics |
-
2019
- 2019-01-02 US US16/238,424 patent/US11783301B2/en active Active
- 2019-12-18 EP EP19217345.8A patent/EP3678070A1/en active Pending
- 2019-12-24 JP JP2019232370A patent/JP2020113265A/ja active Pending
- 2019-12-31 SG SG10201914004PA patent/SG10201914004PA/en unknown
-
2020
- 2020-01-02 CN CN202010004437.8A patent/CN111401676A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115204425A (zh) * | 2022-07-28 | 2022-10-18 | 浙江东冠信息技术有限公司 | 一种基于bim的可视化运维的方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
JP2020113265A (ja) | 2020-07-27 |
EP3678070A1 (en) | 2020-07-08 |
SG10201914004PA (en) | 2020-08-28 |
US11783301B2 (en) | 2023-10-10 |
US20200210968A1 (en) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111401676A (zh) | 在传感器数据存在的情形下改进维护计划的系统和方法 | |
US10878385B2 (en) | Computer system and method for distributing execution of a predictive model | |
US20220391854A1 (en) | Predictive Maintenance | |
US11797550B2 (en) | Data science platform | |
US9561810B2 (en) | Large-scale multi-detector predictive modeling | |
EP2489014B1 (en) | Platform health monitoring apparatus and method | |
US9530256B2 (en) | Generating cumulative wear-based indicators for vehicular components | |
US10867285B2 (en) | Automatic automobile repair service scheduling based on diagnostic trouble codes and service center attributes | |
US20150081161A1 (en) | Systems, article and methods for managing vehicle logistics including authored content generation, approval, and distribution | |
US10073724B2 (en) | Method of intuition generation | |
US11495061B2 (en) | Systems and methods for data collection from maintenance-prone vehicle components | |
US11693371B2 (en) | Potential replacement algorithm selection based on algorithm execution context information | |
WO2019226559A1 (en) | Coordinating execution of predictive models between multiple data analytics platforms to predict problems at an asset | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
Phillips et al. | Perspectives on the commercial development of landing gear health monitoring systems | |
Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
Michala et al. | Vibration edge computing in maritime IoT | |
US20210241221A1 (en) | Predicting grain products loaded on-board vessels | |
WO2018213617A1 (en) | Computing system and method for approximating predictive models and time-series values | |
US20200160280A1 (en) | Systems and methods for optimizing maintenance plans | |
CN112365112A (zh) | 用于航空网络数据的流形学习的系统和方法 | |
US20220027811A1 (en) | Systems and Methods for Performing Predictive Risk Sparing | |
WO2024073505A1 (en) | System, method, and apparatus for supply chain management | |
CN113720340A (zh) | 地理位置的确定方法、装置、电子设备以及存储介质 | |
Shao et al. | Creating a System Architecture for a Vehicle Condition-Based Maintenance System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |