CN102062619B - 用于通过预测推理来分析复杂系统的方法系统和装置 - Google Patents

用于通过预测推理来分析复杂系统的方法系统和装置 Download PDF

Info

Publication number
CN102062619B
CN102062619B CN201010542365.9A CN201010542365A CN102062619B CN 102062619 B CN102062619 B CN 102062619B CN 201010542365 A CN201010542365 A CN 201010542365A CN 102062619 B CN102062619 B CN 102062619B
Authority
CN
China
Prior art keywords
evidence
complicated
binary
sensing data
subsystem
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.)
Expired - Fee Related
Application number
CN201010542365.9A
Other languages
English (en)
Other versions
CN102062619A (zh
Inventor
D·米拉拉斯瓦米
G·D·哈登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Honeywell International Inc
Original Assignee
Honeywell International Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Honeywell International Inc filed Critical Honeywell International Inc
Publication of CN102062619A publication Critical patent/CN102062619A/zh
Application granted granted Critical
Publication of CN102062619B publication Critical patent/CN102062619B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供了用于分析包括多个子系统的复杂系统的方法和装置。每个子系统包括被设计为生成传感器数据的至少一个传感器。处理来自所述传感器中的至少一个的传感器数据以生成感测事件的二元证据、和感测事件的复杂证据。所述复杂证据具有比二元证据更完善的数学性质。提供了系统故障模型（SFM），其定义二元证据、复杂证据、和在复杂系统中发生的底层故障模式（FM）之间的统计关系。处理二元证据和复杂证据以识别在子系统中的一个或多个内发生的故障模式。基于所述二元证据和所述复杂证据和所述SFM，可以生成关于在复杂系统内发生的不良事件的诊断结论，并且可以生成关于被预测将在复杂系统内发生的不良事件的预测结论。

Description

用于通过预测推理来分析复杂系统的方法系统和装置
技术领域
本发明一般涉及复杂（complex）系统的诊断和预测，更特别地涉及用于识别、诊断和预测在复杂系统中和/或其一个或多个子系统中可能发生的不良事件或故障的监视系统和推理架构。
背景技术
在包括多个子系统的复杂系统中，诸如电气设备或诸如船、飞机或太空船等的交通工具，期望的是识别在其一个或多个子系统中可能发生的不良事件或故障。例如，常常使用交通工具健康监视系统来监视交通工具系统的交通工具健康特性。
图1是示出常规复杂系统5和分析系统15的方框图。复杂系统5包括多个（1…N）子系统10，并且每个子系统10包括一个或多个传感器或其它监视器（未示出）。每个传感器/监视器能够生成被分析系统15使用的传感器数据。分析系统15包括许多简单的诊断和预测监视器（SDPM）20和维护计算机（MC）25。
每个SDPM20可以从一个或多个子系统接收传感器数据，并且对该传感器数据执行机内测试（BIT）以解释传感器数据并生成BIT结果。每个BIT结果都是本质上是二元（例如，是/否、开/关、1/0等）的证据或由传感器/监视器观察到的感测事件或条件的“二元证据”。（多个）BIT结果被提供到MC25的推论引擎30。推论引擎30包括实现用于分析（多个）BIT结果并生成关于在复杂系统的子系统中的一个或多个处发生的事件的回答或结论的算法的预测推理器（PR）模块35。然而，PR模块35通常不提供对关于复杂系统或其子系统的诊断和预测的最佳支持。
虽然有复杂系统分析技术中的这些进步，但期望的是提供供此类复杂系统使用的改进分析系统。此外，通过结合附图和本发明背景进行的本发明的后续详细说明和所附权利要求，本领域的技术人员将清楚本发明的其它期望特征和特性。
发明内容
提供了用于分析包括多个子系统的复杂系统的方法和装置。每个子系统包括被设计为生成传感器数据的至少一个传感器。处理来自传感器中的至少一个的传感器数据以生成感测事件的二元证据，和感测事件的复杂证据。该复杂证据具有比二元证据更完善（sophisticated）的数学性质。复杂证据包括以下各项中的一个或多个：条件指示符（CI）、健康指示符（HI）、和预测指示符（PI）。提供了一种系统故障模型（SFM），其定义二元证据、复杂证据、和在复杂系统中发生的底层故障模式（FM）之间的统计关系。处理所述二元证据和所述复杂证据以识别在子系统中的一个或多个内发生的故障模式。基于二元证据和复杂证据及SFM，可以生成关于在复杂系统内发生的不良事件的诊断结论，并且可以生成关于被预测将在复杂系统内发生的不良事件的预测结论。
依照一个实施例，提供了一种用于分析包括多个子系统的复杂系统的方法。每个子系统包括被设计为生成传感器数据的至少一个传感器。处理来自传感器中的至少一个的传感器数据以生成感测事件的二元证据，和感测事件的复杂证据。该复杂证据具有比二元证据更完善的数学性质。复杂证据包括以下各项中的一个或多个：条件指示符（CI）、健康指示符（HI）、和预测指示符（PI）。提供了一种系统故障模型（SFM），其定义二元证据、复杂证据、和在复杂系统中发生的底层故障模式（FM）之间的统计关系。处理所述二元证据和所述复杂证据以识别在子系统中的一个或多个内发生的故障模式。基于二元证据和复杂证据及SFM，可以生成关于在复杂系统内发生的不良事件的诊断结论，并且可以生成关于被预测将在复杂系统内发生的不良事件的预测结论。
在一种实现中，可以通过对传感器数据执行机内测试（BIT）来生成感测事件的二元证据。由特定机内测试（BIT）生成的二元证据的每个实例包括包含故障模式的模糊组的“BIT”证据。SFM捕捉FM与BIT证据之间的关系作为展示。
在一种实现中，可以通过处理来自多元信号的传感器数据以生成CI、HI和/或PI来生成感测事件的复杂证据。CI包括：导出的参数数据，其朝着故障模式的模糊组提供部分证据。可以将CI与FM之间的数学关系表示为低阶多项式。健康指示符（HI）包括提供用于故障模式的模糊组的概率证据并包含对模糊故障模式集的参考的部分概括诊断结论。可以将HI与FM之间的数学关系表示为概率密度函数。预测指示符（PI）包括指示HI在未来时间段内的未来演进的部分概括证据。在一种实现中，PI包括预测矢量（PV），所述预测矢量（PV）包括指示故障的复杂时间的时间和概率的一个或多个有序对的集合。可以将PI与FM之间的关系表示为时间系列自动回归模型。
除二元证据和复杂证据之外，SFM还可以包括其它元素，诸如修理动作元素、功能元素、可选元素、和/或相关故障模式元素。每个修理动作元素表示用于将复杂系统恢复到该复杂系统满足指定要求的原始状态的修正性修理动作。在SFM中，每个修理动作元素与FM之间的关系被表示为用于将相应的复杂系统恢复到原始状态的相应修正性修理动作。每个功能元素表示由系统或子系统执行的活动。在SFM中，用FM和可选元素之间的冲突来表示每个可选元素与FM之间的关系，其中，可以将可选元素与FM之间的冲突的数学格式表示为二元数。每个相关模式元素表示由其它故障模式引起的故障模式之间的级联关系。在SFM中，每个相关故障模式元素与FM之间的关系被表示为FM与相关故障模式元素之间的级联。
依照另一实施例，提供了一种包括复杂系统和分析系统的系统。该复杂系统包括均具有被设计为生成传感器数据的多个子系统。在一种非限制性实现中，所述复杂系统可以是例如诸如飞机或太空船等的交通工具，并且所述分析系统可以是集成交通工具健康管理（IVHM）系统。
所述分析系统可以包括一个或多个简单诊断和预测监视器（SDPM）、一个或多个高级诊断和预测监视器（ADPM）及维护计算机（MC）。每个SDPM被设计为处理来自传感器中的至少一个的传感器数据并生成感测事件的二元证据。每个ADPM被设计为处理来自传感器中的至少一个的传感器数据并生成感测事件的至少一种形式的复杂证据。该复杂证据可以包括以下各项中的一个或多个：条件指示符（CI）、健康指示符（HI）、和预测指示符（PI）。
维护计算机（MC）以通信联系的方式耦合到SDPM和ADPM。MC包括高级诊断和预测推理器（ADPR）模块。ADPR模块被设计为处理二元证据和复杂证据以识别在复杂系统的一个或多个子系统内发生的故障模式。为此，ADPR模块包括定义二元证据、复杂证据、和在复杂系统中发生的底层故障模式（FM）之间的概率关系的系统故障模型（SFM）。ADPR模块还包括被设计为基于二元证据和复杂证据和SFM生成关于在复杂系统内发生的不良事件的诊断结论的诊断处理模块（DPM）和被设计为基于二元证据和复杂证据和SFM生成关于被预测将在复杂系统内发生的不良事件的预测结论的预测处理模块（PPM）。
附图说明
下面将结合以下附图来描述本发明，在附图中类似的标号表示类似的元件，并且
图1是示出常规复杂系统和分析系统的方框图；
图2是示出依照一些公开实施例的复杂系统和分析系统的方框图；
图3A是示出依照公开实施例的一种示例性实现的简单诊断和预测监视器（SDPM）的方框图；
图3B是示出依照公开实施例的一种示例性实现的高级诊断和预测监视器（ADPM）的方框图；
图4是示出依照公开实施例的一种示例性实现的用来定义示例性系统默认模型（SFM）的纲要的方框图；
图5是依照示例性实施例的与交通工具一起使用的集成交通工具健康管理（IVHM）系统的功能性方框图；
图6是依照一个实施例的系统故障模型的分级表示的方框图；以及
图7是示出图5所示的高级预测推理器（APR）模块的示例性分层架构的方框图。
具体实施方式
以下详细说明本质上仅仅是示例性的且并不意图限制本发明或本发明的应用和使用。本文所使用的词语“示例性”意指“充当示例、实例、或例示”。在本文中被描述为“示例性”的任何实施例不一定被理解为相对于其它实施例而言是优选或有利的。此外，不存在受到在先前的背景技术或以下的详细说明中提出的任何理论束缚的意图。
概述
上文参照图1描述的分析系统15的一个缺点是用来解释传感器数据的SDPM20每个仅仅生成简单的二元证据（即，BIT结果）。然而，在许多情况下，简单的二元证据未好到足以识别复杂系统5或其子系统10之一中的某些不良事件或故障。例如，简单二元证据不足以识别诸如潜在故障的“复杂不良事件”（即极慢的性能下降）、其中存在性能的逐渐下降的慢进事件、间隙性或重现故障、在其它子系统中显现的级联故障、和性能从开始迅速下降的快进事件（quicklyprogressingevent）。另外，SPR模块35不被设计为处理这些“复杂不良事件”的“完善证据”。因此，期望的是提供被设计为识别诸如上述的那些“复杂不良事件”并被设计为生成关于这些复杂不良事件的诊断或预测结论的方法、系统和装置。
在描述依照本发明的详细实施例之前，应注意的是实施例主要在于与关于用于执行诊断和预测的监视系统和推理架构的方法步骤和装置部件的组合，所述诊断和预测包括识别、诊断和预测可能在复杂系统和/或其子系统中的一个或多个中发生的不良事件或故障。应认识到本文所述的本发明的实施例可以使用硬件、软件或其组合来实现。本文所述的控制电路可以包括可以使用模拟和/或数字电路、分立或集成模拟或数字电子电路或其组合来实现的各种部件、模块、电路及其它逻辑。本文所使用的术语“模块”指的是用于执行任务的器件、电路、电气部件、和/或基于软件的部件。在一些实现中，当在基于一个或多个专用集成电路（ASIC）、一个或多个微处理器、和/或一个或多个数字信号处理器（DSP）的电路中实现一部分或全部控制逻辑时，可以使用此类电路来实现本文所述的控制电路。应认识到本文所述的本发明的实施例可以包括一个或多个常规处理器和控制所述一个或多个处理器以与某些非处理器电路相结合地实现如本文所述的用于执行诊断和预测（包括识别、诊断和预测不良事件）的一些、大部分或全部功能的唯一存储程序指令。例如，在一种实现中，可以将模块实现为在微处理器或微型计算机上运行的软件。同样地，可以将这些功能实现为用于识别、诊断和预测不良事件的方法的步骤。或者，可以由不具有存储的程序指令的状态机或者在一个或多个ASIC中实现一些或全部功能，其中，每个功能或某些功能的一些组合被实现为定制逻辑。当然，可以使用两种方法的组合。因此，本文已描述了用于这些功能的方法和装置。此外，可以预期本领域的技术人员虽然可能受到例如可用时间、当前技术、和经济考虑的鼓励而进行了大量的努力和许多设计选择，但当得到本文所述概念和原理的引导时将很容易能够以最少的实验量产生此类软件指令和程序和IC。
特别地，公开的实施例实现能够检测和/或识别触发条件并随后记录供特征提取或子系统层级的高级诊断和预测监视器（ADPM）使用的指定的一组参数测量结果的智能数据采集（IDC）技术。ADPM是实现诊断和预测算法的输入-输出计算块。ADPM被设计为对由传感器提供的输入证据（即部分、异构、且异步的参数证据）进行操作已生成在本文中称为条件指示符、健康指示符和预测指示符的富集（enriched）、完善或复杂证据（CE）。此CE可以由ADPM周期性地或通过活动询问机制来生成。该CE可以被高级预测推理器（APR）模块解释并用于系统层级推理。
用于系统层级推理的分级系统故障模型（SFM）与高级预测推理模块（APR）相结合地工作以处理CE并生成诊断结论和预测结论。
例如，在ADPR模块处实现时间和空间融合技术以解决子系统之间的时间冗余和拓扑连接。前者减少颤动（chatter），而后者解决物理级联。应用这些技术生成不那么具有周期性、但更加统一的证据以用于融合过程中的下一个步骤。
然后在ADPR模块处实现因果和功能融合技术以解决由于诸如质量、动量、压力、转矩等信号的交换而引起的因果依赖性。通过遵循因果联系，可以使用这些技术来评估解释在任何时间点处收集的所有证据并基于该证据生成预测结论的潜在根本原因。
图2是示出依照一些公开实施例的复杂系统105和分析系统115的方框图。
复杂系统105可以是包括多个子系统100的任何复杂系统。可以在包括子系统的任何复杂系统内实现公开实施例。复杂系统的实例包括例如建筑物、工厂（例如发电站）、交通工具（例如船、飞机、太空船、坦克等）。
如在图1中，复杂系统105包括多个（1…N）子系统110，并且每个子系统110包括一个或多个传感器或其它监视器（未示出）。每个传感器/监视器可以生成被分析系统15所使用的传感器数据。通常，“传感器”是测量物理量并将其转换成可以被观察员或被仪表读取的信号的设备。通常，传感器可以用来感测光、运动、温度、磁场、重力、湿度、振动、压力、电场、声音、及环境的其它物理方面。传感器的非限制性实例可以包括声传感器（例如声音、扩音器、地震检波器、加速计等）、振动传感器、交通工具传感器（例如空速指示器、高度计、偏位角指示器、陀螺仪、惯性参考单元、磁罗盘、导航仪表传感器、速度传感器、节气门位置传感器、可变磁阻传感器、粘度计、轮速传感器、偏航率传感器等）、化学传感器/检测器、电流传感器、电位传感器、磁传感器、射频传感器、环境传感器、流体流动传感器、位置、角度、位移、距离、速度、加速度传感器（例如加速计、倾角计、位置传感器、旋转编码器、旋转可变差动变压器、转速计等）、光学、光、成像传感器（例如电荷耦合设备、红外传感器、LED、光纤传感器、光电二极管、光电晶体管、光电传感器等）、压力传感器和量规、应力量规、转矩传感器、力传感器、压电传感器、密度传感器、水平传感器、热、热量、温度传感器（例如、热通量传感器、温度计、基于电阻的温度检测器、热敏电阻、热电偶等）、接近/存在传感器等。
分析系统115包括多个高级诊断和预测监视器（ADPM）220-1…220-N、多个简单诊断和预测监视器（SDPM）210-1…210-N、以及与ADPM220和SDPM210通信的维护计算机（MC）195。本文所使用的术语“诊断”意指“用于识别特定故障模式”。本文所使用的术语“预测”意指“用于连同特定故障模式发生之前的估计时间一起预测该特定故障模式的发生”。如下面将详细描述的，MC195能够收集分别由SDPM210和ADPM220生成的各种二元和复杂证据信号，根据诊断和预测推理算法来分析这些证据信号，然后产生关于在系统105中发生的不良事件的诊断结论和/或关于可能在不久的将来发生的不良事件的预测结论。可以使用适当的显示器130将这些结论呈现给用户和/或下载到计算机140/150以进行维护决策。
如上所述，参照图1，每个SDPM210可以将从子系统110中的一个或多个接收传感器数据，并对该传感器数据执行机内测试（BIT）以解释传感器数据并生成BIT结果。每个BIT结果都是本质上是二元（例如，是/否、开/关、1/0等）的证据或感测事件的“二元证据（BE）”。
每个ADPM220能够从子系统110中的一个或多个接收传感器数据。每个ADPM220包括高级诊断和预测算法，其被设计为基于来自子系统的传感器数据来识别诸如上述那些的“复杂不良事件”，并基于该传感器数据生成感测事件的附加类型的“复杂证据（CE）”。此CE可以产生于任何子系统，并且在此意义上是“不可知的”。在一些实现中，可以处理来自单个传感器的输出信号以生成复杂证据。示例是一些其它数学运算所遵循的传感器输出信号的非线性变换。在其它实现中，可以处理来自多个传感器的输出信号以生成复杂证据。在任一种情况下，CE具有与感测事件的简单二元证据相比更完善的数学性质。换言之，其数学性质比简单机内测试（BIT）或二元结果能够描述的更加完善。如下文将参照图3描述的，可以将由每个ADPM220生成的复杂证据分类为：条件指示符（CI）224、健康指示符（HI）228、和/或预测指示符（PI）232。
由每个SPDM210生成的BE和由每个ADPM220生成的CE被作为输入信号提供给MC195的高级诊断和预测推理器（APR）模块180。
本文所使用的术语“故障模式”指的是由不良事件（例如物理缺陷）引起的降低复杂系统105的功能、使得其不再满足一个或多个指定要求的物理现象。可以在分析系统115中在内部表示故障模式。此内部表示还称为“故障模式”。
本文所使用的术语“故障条件”指的是提供在复杂系统中发生的底层故障模式的“可变”表示的软件实体或结构。可以在不知道实际上发生多个故障模式中的哪一个的情况下构造故障条件。故障条件被设计为保持二元和/或复杂证据、模糊集/组等。术语模糊集和模糊组在本文中可被互换地使用且常常被描述为模糊集/组。模糊集/组是不能被分辨的故障模式组（通常为一个以上），其中，引起故障条件的模糊集/组中的特定故障模式是未知的。构成模糊集/组的集/组中的任何故障模式可能是故障条件的原因。模糊集/组中的每个故障模式具有作为在复杂系统中发生的实际故障模式的唯一概率。这些概率可以相互不同且可能是分析系统未知的。例如，在模糊集/组{曲轴、芯片承载}中，与这些故障模式相关联的概率可以分别为0.1和0.8，使得第二种（芯片承载）更可能是底层故障模式。
ADPR模块180是基于系统105的特定要求而设计的。ADPR模块180包括诊断处理模块192（和算法）、预测处理模块192（和算法）、以及在其结构和概率和/或统计性质方面定义CE和BE的系统故障模型（SFM）190、以及可能在BE、CE和故障模式（即感兴趣的不良事件）之间存在的可能关系。利用这些特征，ADPR模块180定义被设计为处理BE和CE以识别、诊断和预测不良事件的数学框架。
可以通过离线分析中的数据挖掘来创建SFM190。此离线分析步骤估计SFM190中的未知参数。为了创建SFM190，可以采用多种数学技术中的任何一种，诸如集群、相关性分析和最小二乘法估计等。一旦创建，SFM190定义可能在CE和BE信号与一个或多个“故障模式”之间存在的各种关系。
在运行时，ADPR模块180使用SFM190以及其诊断和预测处理模块192来：
（1）分析BE和CE以识别在复杂系统105内（或在复杂系统105的子系统110中的一个或多个处）发生的不良事件；
（2）诊断不良事件或故障以生成关于在复杂系统105内（或在复杂系统105的子系统110中的一个或多个处）发生的不良事件或故障的诊断结论；和/或
（3）预知（或“预测”）不良事件或故障（即，使用演绎推理来生成被预测将在复杂系统105内（或在未来时间在复杂系统105的子系统110中的一个或多个处））发生不良事件或故障的预测结论。例如，通过使用演绎推理，ADPR模块180可以估计不良事件的严重性以及用于受影响的子系统的剩余有用寿命。
在一种示例性实现中，ADPR模块180可以实现W算法的扩展，其中，W算法被扩展为解决不确定性的传播以及对诊断过程中的活动系统层级参与的需要。基本W算法将假设和演绎推理步骤组合，并且例如在T.Felke所著的题为“ApplicationofModel-basedDiagnosticsTechnologyontheBoeing777Airplane”的1994年出版物，IEEEAeroConf.,BigSky,MT中描述了W算法的示例，其全部内容通过引用被结合到本文中。依照扩展W算法实现，证据集（诸如上述BE和CE）与称为其模糊集/组的故障模式组相关联。模糊集/组中的任何故障模式的发生可能已促使子系统传感器/监视器生成此证据。假设步骤创建故障条件（FC）并使模糊集/组与之相关联。给定故障条件，演绎步骤随后生成“预期证据”集（即将预期查看模糊集/组中的任何故障模式是否将发生的证据）。证据集（诸如上述BE和CE）与系统中的每个故障模式相关联。相反地，对于每件证据而言，可以存在可能已生成该证据的一个以上的故障模式。当通过ADPR模块180看到一件证据时，其构造包含（特别地）该件证据和可能引起该件证据的故障模式集的FC。后者称为“模糊集/组”。对于模糊集/组中的每个故障模式而言，假设步骤构造应被查看故障模式是否正在发生的证据集并将该集与看到的相比较以确定实际上正在发生模糊集/组中的故障模式中的哪一个。随着证据的累积，可以指示FC的模糊集/组中的一个以上的故障模式正在发生，或者可以指示其中任何一个都没有发生。AP推理器提供用于分裂和合并FC的规则。可以同时存在一个以上的FC。按照惯例，每个FC对单个故障假设单独地进行操作。也就是说，即使FC包含可以由多个故障模式构成的模糊集，也精确地假设一个故障模式在任何一个时间发生。这允许算法诊断并预测多个同时故障模式。该系统通过明确地将级联故障模式（其中，故障模式可能引起其它故障模式发生）考虑在内来确定用于评估故障模式假定的顺序。
因此，ADPR模块180采用演绎步骤和假设步骤的组合来分析网络以解释给定的观察证据集（CE和BE）。本文所使用的假设步骤识别最小的故障模式集，其中的任何一个能够解释给定的证据集。在给定故障模式的情况下，演绎步骤构想出可以期望的下一个证据集。演绎和假设步骤的组合能够递归地对ADPM220提供的CE流（和/或从210提供的BE）进行运算以计算最可能的故障模式。
图3A是示出依照公开实施例的一种示例性实现的简单诊断和预测监视器（SDPM）210的方框图。SDPM210从一个或多个子系统（未示出）接收传感器数据204。然后，SDPM210可以执行诸如方框206处的阈值检验和/或方框208处的比率检验等的简单操作。例如，阈值检验框206可以将传感器数据204与阈值相比较，并确定其是否大于（或小于）特定阈值。基于此比较的结果，阈值检验框206可以生成简单二元证据212A（也称为BIT征兆，诸如失败BIT）。比率检验框208可以将传感器数据204与特定比率阈值相比较，并确定其是否大于（或小于）特定比率阈值。基于此比较的结果，比率检验框208可以生成简单二元证据212B。尽管SDPM210在本示例中能够执行阈值检验和/或比率检验，但应认识到SDPM210可以将执行多种其它简单二元检验、比较和判定功能，诸如增加或减少信号等。
图3B是示出依照公开实施例的一种示例性实现的高级诊断和预测监视器（ADPM）220的方框图。ADPM220从一个或多个子系统（未示出）接收传感器数据204。ADPM220包括信号处理模块222、分类模块226和趋势模块230。ADPM可通过被应用于ADPM220的配置参数202来配置。信号处理模块222可以对传感器数据（即由子系统中的一个或多个生成的来自一个或多个传感器的传感器数据）执行多元信号处理以生成条件指示符224。分类模块226能够相对于条件指示符224执行分类功能以生成健康指示符228。趋势模块230能够相对于健康指示符228执行趋势分析功能以生成指示预测结果的预测指示符232。虽然在本示例中ADPM220能够执行信号处理、分类和趋势功能，但应认识到ADPM220能够执行多种其它功能。
如现在将参照图4描述的，由ADPM220输出的指示符224、228、232是可以被SFM190使用的所有形式的CE。
图4是示出依照公开实施例的一种示例性实现的用来定义示例性系统故障模型（SFM）190的纲要的方框图。出于说明的目的，将SFM190表示为由异构圆弧互连的网络或节点图表，所述异构圆弧表示对象/节点的种类之间的关系。在实际实现中，SFM提供表示ADPR180处的关系的方式。在一种示例性实现中，可以将SFM190表示为包含多个元素的XML文件。
SFM190包括与故障模式（FM）310有关的实体或元素以提供用于自动化系统层级推理的参考框架并支持该自动化系统层级推理。在此特定示例性实现中，所述实体/元素包括：一个或多个修理动作元素320、一个或多个功能元素330、以及一个或多个相关故障模式元素340。在此模型中，FM310表示降低系统105的功能性、使得其不再满足其指定要求的对系统105的改变。修理动作元素320表示用于使系统恢复至其原始状态、使得其满足其指定要求的修正动作。可选元素330表示由系统或子系统执行的活动。相关故障模式元素340表示当一个故障模式引起另一个故障模式时的故障模式（即由其它故障模式引起的故障模式）之间的级联关系。例如，断开的链摆动并摩擦零件并促使其受腐蚀。SFM190还定义各种元素之间的复杂故障模式证据关系。
BIT证据212是由失败或成功的机内测试（BIT）生成的证据。例如，通常通过相对于用传感器/监视器生成的一元信号执行比率检验和阈值检验以便特定子系统确定其是否超过某个水平（或在其之下）来生成BIT证据。同样地，BIT证据212通常采取二元信号（例如开/关）的形式并指示一个或多个故障模式（即包含故障模式的模糊集/组）的可能发生（或未发生）。失败BIT是“二元”健康指示符的特征提取和生成的最简单形式。SFM190捕捉FM310和BIT证据212之间的关系作为展示305。
条件指示符（CI）224是将比传感器生成的信息更多的信息打包的导出参数或“导出参数数据”。CI224用于诊断推理以生成诊断推论。CI224朝着故障模式的模糊组提供部分证据。可以使用适当的数据挖掘技术将CI224与FM310之间的关系（R1）360的数学格式表示为低阶多项式模型。以数学形式，可以如下在等式（1）内表示CI：
（等式1）
其中，P(FM)是故障模式（FM）的概率，n是多项式阶数，并且ai是多项式系数。
健康指示符（HI）228是包含对故障模式的模糊集/组的参考的部分（或“部分概括的”）诊断结论。HI228用于诊断推理以生成诊断结论。HI228提供用于故障模式的模糊集/组的概率证据。可以捕捉HI228与FM310之间的关系（R2）370的数学格式并使用适当的数据挖掘技术将其表示为概率密度函数（P(FM|HI)）。概率密度函数（P(FM|HI)）表示参数或非参数函数，其中，FM是FM310且HI是HI228。对于参数概率密度函数而言，诸如平均值和标准偏差的统计值可能是相关的。
预测指示符（PI）232是指示健康指示符的未来演进的部分概括证据。换言之，诊断指示符（PI）232定义健康指示符在未来时间段或“窗口”内的演进。PI232可以用于预测推理以生成预测结论。在其它结构之中，PI包含预测矢量（PV）、可以指示故障的复杂时间的一组时间和概率的一个或多个有序对。预测矢量（PV）的示例例如在Hadden,G.等人所著的题为“DistributedMulti-AlgorithmDiagnosticsandPrognosticsforUSNavyShips”的出版物，InformationRefinementandRevisionforDecisionMaking:ModelingforDiagnostics,Prognostics,andPrediction（来自2002AAAISpringSymposium的论文），编者为K.Goebel和P.Bonissone，AAAI出版社（2002年）中，其全部内容通过引用被结合到本文中。可以使用适当的数据挖掘技术将PI232与FM310之间的关系（R3）380的数学格式表示为时间序列自动回归模型。以数学形式，可以在如下等式（2）内表示PI：
（等式2）
其中，P(FM)是故障模式（FM）的概率，n是滞后阶数，ai是滞后系数，t是时间且k是求和中的从0到n的k个步骤。
SFM190还捕捉FM310和与FM310有关的其它SFM元素320、330、340之间的各种关系，所述其它SFM元素包括：FM310与修理动作320之间的修理元素315、FM310与可选元素330之间的冲突元素（R4）390、以及FM310与相关故障模式340之间的级联325。可以使用适当的数据挖掘技术将感兴趣的系统（或子系统）340与FM310之间的冲突关系（R4）390的数学格式表示为由域专家分配的二元数0/1。
现在将参照图5来描述图2的系统105的一个示例性非限制性实现，其中，所述系统是交通工具，并且分析系统115是集成交通工具健康管理（IVHM）系统。本文所使用的术语“交通工具”广义上指的是非生物运输机构。此类交通工具的示例包括包含飞机和太空船的机械空中交通工具、汽车、包括船和舰的机械水上交通工具、包括潜水艇的机械水下交通工具、诸如火车、有轨电车和手推车等的机械导轨交通工具。
图5是依照示例性实施例的供交通工具505使用的集成交通工具健康管理（IVHM）系统515的功能性方框图。在所描绘的实施例中，IVHM系统515包括中央维护计算机（CMC）系统595和多个诊断和预测监视器510、520，同时交通工具505包括多个交通工具子系统510-1…510-N，每个具有一个或多个传感器501。然而，这在其它实施例中可以改变。在其中交通工具是飞机的一种示例性实现中，交通工具子系统510可以包括例如推进子系统、燃料控制子系统、润滑子系统、环境控制子系统、着陆子系统、地面接近监视子系统、飞机执行机构子系统、机身子系统、航空电子子系统、航班控制子系统、软件子系统等。
该一个或多个传感器501优选地被耦合到交通工具和/或其一个或多个部件或系统。传感器501可以促进与交通工具505的一个或多个系统和/或子系统的操作有关的数据的生成，以帮助执行交通工具的一个或多个系统和/或子系统的诊断和健康监视。如上所述，传感器501可以耦合到（多个）SDPM510和（多个）ADPM520，并且还可以耦合到计算机系统595。来自传感器501的输出数据被提供给（多个）SDPM510和/或（多个）ADPM520，并且如上所述，在该情况下可以使用（多个）ADPM520来生成复杂证据（CE）。上文描述了（多个）SDPM510和（多个）ADPM520的操作细节，并且为了简洁起见，这里将不再重复。（多个）ADPM520并入允许它们在诊断过程中通过询问适当的子系统来扮演活动角色的智能数据采集模块。特别地，ADPM520可以识别由例如不能使用现有推理算法来识别的从推进和飞机执行机构子系统产生的快进和间歇性故障引起的不良事件。ADPM520还可识别由从不能被可用数据的被动聚合所检测的从航空电子和软件子系统产生的级联故障和快进故障引起的不良事件。
在飞机的情况下，CI的示例可以包括例如由引擎压缩机效率和来自振动信号的频谱能内容提供的证据。HI的示例可以是引擎进口损耗证据，其可以包含进口过滤器、压缩机摩擦、或外来物损坏（FOD）事件。PI的示例可以包括例如温度裕度趋势证据，其显示用于之后100个小时的特定任务的引擎健康的演进。
如图5所描绘的，计算机系统595包括计算机总线591、存储设备592、存储器593、处理器594和计算机接口596。处理器594执行计算机系统595的计算和控制功能，并且可以包括任何类型的处理器594或多个处理器594、诸如微处理器的单个集成电路、或协作以实现处理单元的功能的任何适当数目的集成电路器件和/或电路板。在一种特定实现中，CMC系统595可以包括板上中央维护计算机（CMC），有时称为中央机载计算机（CAC），诸如在波音777和波音787飞机中使用的那些。
存储器593存储一个或多个交通工具健康监视程序以促进执行对交通工具的一个或多个子系统的健康监视和/或促进IVHM系统515和/或其各种部件的操作，诸如上述的那些。在一种实现中，存储器593包括用于实现执行ADPR模块580的交通工具层级推理器引擎575的可执行代码，所述ADPR模块580包括一个或多个系统故障模型590。开放式接口596允许交通工具层级推理器引擎575利用ADPM520的优点和来自各种子系统510的信息。如下文参照图7所述的，可以通过确定推理函数在计算上分布在交通工具内的什么位置并随后将ADPR模块580和SFM590设计为识别、诊断和预测在交通工具中发生的不良事件来设计ADPR模块580和SFM590。ADPR模块580通过推理过程来管理不确定性的传播以将从多个子系统产生的多种异构、部分、且不确定的结论融合。可以通过结合诊断处理模块/算法592内的概率元素和在ADPR模块580处实现的诊断处理模块/算法592来实现此融合。
存储器593可以是任何类型的适当存储器。这可以包括诸如SDRAM等各种类型的动态随机存取存储器（DRAM）、各种类型的静态RAM（SRAM）、以及各种类型的非易失性存储器（PROM、EPROM、以及闪速存储器）。应理解的是存储器593可以是单一类型的存储器部件，或者，其可以包括多个不同类型的存储器部件。另外，存储器593和处理器594可以跨越共同地包括计算机系统595的几个不同的计算机分布。例如，存储器593的一部分可以存在于特定装置或过程内的计算机上，并且另一部分可以存在于远程计算机上。
在操作期间，处理器594执行优选地存储在存储器593内的SFM590和ADPR模块580。ADPR模块580的输出优选地与承载产品的计算机可读信号承载介质耦合。例如，在特定的示例性实施例中，一个或多个程序产品可以包括操作支持系统和架构，例如上面描述的那些系统和架构。这类程序产品可以存在于任何一种或多种不同类型的计算机系统595中或者与其结合使用，所述计算机系统可以位于中央位置（例如交通工具的板上）或者被分散并且通过有线或无线通信耦合到各种其它不同类型的网络。例如，在特定的其它示例性实施例中，一个或多个程序产品可用于实现操作支持系统和架构。例如，在特定的此类示例性实施例中，可以使用一个或多个程序产品来操作IVHM系统515的各种部件，以连接此类部件，或者控制或运行与之相关的各种步骤以便基于各种数据和输出来促进用于支持关于交通工具系统的决策的过程。
计算机总线591用于在计算机系统595的各种部件之间发送程序、数据、状态及其它信息或信号。计算机总线591可以是连接计算机系统595和部件的任何适当物理或逻辑装置。这包括但不限于直接硬接线连接、光纤、以及红外和无线总线技术。
计算机接口596允许例如从系统操作员和/或另一计算机系统到计算机系统595的通信，并且可以使用任何适当的方法和装置来实现。其可以包括一个或多个网络接口以向其它系统或部件进行通信；一个或多个终端接口以与技术员通信；一个或多个存储接口以连接到诸如存储设备592的存储装置。
存储设备592可以是任何类型的存储装置，包括诸如硬盘驱动器、闪存系统、软盘驱动器和光盘驱动器的直接存取存储设备592。在一个示例性实施例中，存储设备592是程序产品，存储器593可以从该程序产品接收交通工具监视程序，其至少促进对交通工具的系统执行交通工具健康监视，或促进IVHM系统515或其部件的操作。存储设备592可以包括使用磁盘597来存储数据的磁盘驱动器设备。作为一种示例性实现，计算机系统595还可以利用因特网网站，例如用于提供或维护数据或对其执行操作。
应认识到虽然在完全运行的计算机系统595的背景下描述了本示例性实施例，但本领域的技术人员应认识到本发明的机制能够以多种形式作为程序产品分发，并且无论用来执行该分发的特定类型计算机可读信号承载介质如何，本发明都同样地适用。信号承载介质的示例包括：诸如软盘、硬盘驱动器、存储卡和光学盘的可记录介质、以及诸如数字和模拟通信链路的传输介质。
虽然未示出，但系统515可以包括各种诸如驾驶员座舱显示器的其它显示器、诸如外部交通工具外数据库的外部数据库和其它系统、设备、和/或单元，诸如附加计算机系统和/或其部件、用于确定关于交通工具的值和/或其健康和/或操作的传感器、和/或用于发送、交换、和/或从未描述的内部和/或外部源接收关于交通工具和/或其健康和/或操作的信息的一个或多个发送机和/或接收机。
图6是依照一个实施例的系统故障模型690的分级表示600的方框图。模型600被利用多个分级的层（1…N）来设计。
例如，在最低层N，可以创建用于构成系统的各种部件的部件故障模型660。在另一层处（特定模型中的层3），可以定义逻辑组/区域故障模型670。每个逻辑组/区域故障模型670可以包括可以被一起分组成逻辑组的部件故障模型660中的一个或多个。这样，在同一较高层的逻辑组/区域故障模型中可以包括用于系统的各部件的特定组的多个部件故障模型660。
在另一层处（特定模型中的层2），可以定义子系统故障模型680。每个子系统故障模型680可以包括被一起分组以表示用于特定子系统的故障模型的逻辑组/区域故障模型670中的一个或多个。
在另一层处（特定模型中的层1），可以定义系统故障模型690。系统故障模型690可以包括被一起分组以表示用于该特性子系统的故障模型的子系统故障模型680中的一个或多个。这样，可以在同一较高层系统故障模型中包括多个子系统。在一种示例性实现中，可以将SFM690表示为包含多个元素的XML文件，其中，每个文件对应于图6所示的方框，其中，图6所示的每个方框被表示为XML文件。
应认识到系统故障模型690的分级表示600是一个特定的非限制性示例。因此，虽然系统故障模型690在此特定示例中被示为包括四个层，但应认识到，在其它实施例中可以使用少于或多于四个的层来创建特定系统故障模型690。类似地，虽然在本特定示例中，特定系统故障模型中的一个680-1被示为包括四个逻辑组/区域故障模型670，但应认识到在其它实施例中，特定子系统故障模型680-1可以包括少于或多于四个的逻辑组/区域故障模型670。同样地，虽然在本特定示例中，特定逻辑组/区域故障模型中的一个670-2被示为包括五个部件故障模型660，但应认识到在其它实施例中，特定的逻辑组/区域故障模型670-2可以包括少于或多于五个的部件故障模型660。
图7是示出在图5中示出且被设计为在交通工具系统中操作的ADPR模块580的示例性分层架构700的方框图。在此特定架构中，ADPR模块180的功能可以在逻辑上跨越五个层来分布。分层架构700包括部件层710、现场可更换单元（LRU）健康管理层720、区域健康管理（AHM）层730、交通工具健康管理（VHM）层740和交通工具外服务层750。图7示出跨越多个层的箭头；这些箭头表示各种程度的融合（空间、时间、因果、和功能性）可以跨越多个逻辑层。跨越层的信息的流动取决于分配给每个层的功能，而这又可以取决于用户要求/规定，诸如通信带宽、计算资源、和继承健康监视解决方案。
在本示例中，部件层710表示交通工具的各部件。LRU健康管理层720可以表示与诸如推进引擎、环境控制、或着陆系统的LRU连接的电子控制单元。通常，特征提取在此层720处发生。AHM层730表示飞机内的特定区域且可以包含一些或全部的时间和空间融合。交通工具健康管理（VHM）层740是看到所有区域健康管理器并可以提供某种时间、因果、和功能融合的处理层。VHM层740可以与交通工具外服务层750通信。交通工具外服务层750是能够提供功能和因果融合的处理层。
本领域的技术人员应认识到结合本文公开的实施例描述的各种说明性逻辑块、模块、电路、以及算法步骤可以被实现为电子硬件、计算机软件、或两者的组合。上文在功能和/或逻辑块部件（或模块）和各种处理步骤方面描述了一些实施例和实现。然而，应认识到可以通过被配置为执行指定功能的任何数目的硬件、软件、和/或固件部件来实现此类块部件（或模块）。为了清楚地说明软件和硬件的此可互换性，上文已总体地在功能方面描述了各种说明性部件、块、模块、电路、和步骤。此类功能被实现为硬件还是软件取决于施加于总体系统的特定应用和设计约束。技术人员可以以用于每个特定应用的变化方式来实现所述功能，但不应将此类实现判定解释为导致脱离本发明的范围。例如，系统或部件的实施例可以采用各种集成电路部件，例如存储器元件、数字信号处理元件、逻辑元件、查找表等，其可以在一个或多个微处理器或其它控制设备的控制下执行多种功能。另外，本领域的技术人员应认识到本文所述的实施例仅仅是示例性实现。
可以用被设计为执行本文所述功能的通用处理器、数字信号处理器（DSP）、专用集成电路（ASIC）、现场可编程门阵列（FPGA）或其它可编程逻辑器件、分立门或晶体管逻辑、分立硬件部件、或其任何组合来实现或执行结合本文公开的实施例所述的各种说明性逻辑块、模块、以及电路。通用处理器可以是微处理器，但作为替换，处理器可以是任何常规处理器、控制器、微控制器、或状态机。处理器还可以被实现为计算设备的组合，例如DSP和一个微处理器、多个微处理器的组合、与DSP核相结合的一个或多个微处理器、或任何其它此类配置。
可以直接在硬件中、在由处理器执行的软件模块中、或在两者的组合中体现结合本文公开的实施例所述的方法的步骤或算法。软件模块可以存在于RAM存储器、闪速存储器、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移除盘、CD-ROM、或本领域中已知的任何其它形式的存储介质中。示例性存储介质被耦合到处理器，使得处理器能够从存储介质读取信息和向存储介质写入信息。作为替换，所述存储介质可以集成到所述处理器。处理器和存储介质可以存在于ASIC中。ASIC可以存在于用户终端中。作为替换，处理器和存储介质可以作为分立部件存在于用户终端中。
在本文中，诸如第一和第二等的关系术语可以单独地用来将一个实体或动作与另一实体或动作区别开，而不一定要求或暗示此类实体或动作之间的任何实际此类关系或顺序。诸如“第一”、“第二”、“第三”等的数字序数仅仅表示多个中的不同单体且并不暗示任何顺序或序列，除非由权利要求语言特别限定。任何权利要求中的正文的序列并不暗示必须按照根据此类序列的时间或逻辑顺序来执行过程步骤，除非由权利要求的语言特别限定。在不脱离本发明的范围的情况下，所述过程步骤可以按照任何顺序互换，只要此类互换不与权利要求语言冲突且在逻辑上不是荒谬的即可。
此外，根据上下文，在描述不同元件之间的关系时所使用的诸如“连接”或“耦合到”的词语不暗示在这些元件之间必须进行直接的物理连接。例如，两个元件可以在物理上、在电子上、在逻辑上、或以任何其它方式、通过一个或多个附加元件彼此相连。
虽然在本发明的前述详细说明中已提出了至少一个示例性实施例，但应认识到存在大量的变更。还应认识到所述示例性实施例仅仅是示例，并且并不意图以任何方式限制本发明的范围、可适用性、或配置。更确切地说，前述详细说明将为本领域的技术人员提供用于实现本发明的示例性实施例的方便路径。应理解的是在不脱离所附权利要求所阐述的本发明的范围的情况下，可以在示例性实施例中所述的元件的功能和布置方面进行各种修改。

Claims (10)

1.一种用于分析包括多个子系统的复杂系统的方法，其中，每个子系统包括被设计为生成传感器数据的至少一个传感器，该方法包括：
处理来自所述传感器中的至少一个的传感器数据以生成感测事件的二元证据；
在处理器中处理来自所述传感器中的至少一个的传感器数据以生成感测事件的复杂证据，其中，所述复杂证据具有比所述二元证据更完善的数学性质，其中，所述复杂证据包括下述中的至少一个：条件指示符CI、健康指示符HI、和预测指示符PI；
提供定义二元证据、复杂证据、和在所述复杂系统内发生的底层故障模式FM之间的统计关系的系统故障模型SFM；
在处理器中处理所述二元证据和所述复杂证据以识别在所述子系统中的一个或多个内发生的故障模式；以及
基于所述二元证据和所述复杂证据和所述SFM来生成关于在所述复杂系统内发生的不良事件的诊断结论，和关于被预测将在所述复杂系统内发生的不良事件的预测结论。
2.如权利要求1所述的方法，其中，处理来自所述传感器中的至少一个的传感器数据以生成感测事件的二元证据的步骤包括：
接收包括用于特定子系统的由特定传感器生成的传感器数据的一元信号；以及
对所述传感器数据执行机内测试BIT以生成所述二元证据，其中，二元证据的每个实例包括：由特定机内测试BIT生成的BIT证据。
3.如权利要求2所述的方法，其中，所述BIT证据暗示故障模式的模糊组，并且其中，所述SFM捕捉所述FM与所述BIT证据之间的关系作为展示。
4.如权利要求3所述的方法，其中，处理来自所述传感器中的至少一个的传感器数据以生成感测事件的复杂证据的步骤包括下述步骤：
接收包括传感器数据的多元信号；以及
对所述多元信号的所述传感器数据执行信号处理以生成所述CI，其中，所述CI包括：朝着故障模式的模糊组提供部分证据的导出参数数据。
5.如权利要求4所述的方法，其中，所述CI与FM之间的数学关系R1被表示为采取以下形式的低阶多项式模型：
其中，n是多项式阶数，并且其中，ai是多项式系数。
6.权利要求5所述的方法，其中，所述健康指示符HI包括为故障模式的模糊组提供概率证据的部分概括的诊断结论且包含对模糊故障模式集的参考。
7.如权利要求6所述的方法，其中所述HI与FM之间的数学关系R2被表示为概率密度函数（P(FM|HI)）。
8.如权利要求7所述的方法，其中，所述PI包括指示HI在未来时间段内的未来演进的部分概括证据，并且其中，所述PI包括：预测矢量PV，其包括指示故障的复杂时间的一组时间和概率的一个或多个有序对。
9.如权利要求8所述的方法，其中，所述PI与所述FM之间的关系R3的数学格式被表示为采取以下形式的时间序列自动回归模型：
其中，m是滞后阶数， i是滞后系数，t是时间且k是求和中的从0到m的k个步骤。
10.一种用于分析复杂系统的系统，包括：
复杂系统，其包括均具有被设计为生成传感器数据的至少一个传感器的多个子系统；以及
分析系统，其包括：
简单诊断和预测监视器SDPM，其被设计为处理来自所述传感器中的至少一个的传感器数据并生成感测事件的二元证据；
高级诊断和预测监视器ADPM，其被设计为处理来自所述传感器中的至少一个的传感器数据并生成感测事件的至少一种形式的复杂证据，其中，所述复杂证据包括下述中的至少一个：条件指示符CI、健康指示符HI、和预测指示符PI；以及
维护计算机MC，其以通信联系的方式耦合到所述SDPM和所述ADPM，并包括：
高级诊断和预测推理器ADPR模块，其被设计为处理所述二元证据和所述复杂证据以识别在所述复杂系统的所述子系统中的一个或多个内发生的故障模式，其中，所述ADPR模块包括：
系统故障模型SFM，其定义二元证据、复杂证据、和在所述复杂系统中发生的底层故障模式FM之间的概率关系；
诊断处理模块DPM，其被设计为基于所述二元证据、所述复杂证据和所述SFM生成关于在所述复杂系统内发生的不良事件的诊断结论；以及
诊断处理模块PPM，其被设计为基于所述二元证据和所述复杂证据和所述SFM生成关于被预测将在所述复杂系统内发生的不良事件的预测结论。
CN201010542365.9A 2009-11-16 2010-11-15 用于通过预测推理来分析复杂系统的方法系统和装置 Expired - Fee Related CN102062619B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/619260 2009-11-16
US12/619,260 US8285438B2 (en) 2009-11-16 2009-11-16 Methods systems and apparatus for analyzing complex systems via prognostic reasoning

Publications (2)

Publication Number Publication Date
CN102062619A CN102062619A (zh) 2011-05-18
CN102062619B true CN102062619B (zh) 2016-04-27

Family

ID=43640656

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010542365.9A Expired - Fee Related CN102062619B (zh) 2009-11-16 2010-11-15 用于通过预测推理来分析复杂系统的方法系统和装置

Country Status (3)

Country Link
US (1) US8285438B2 (zh)
EP (1) EP2323005B1 (zh)
CN (1) CN102062619B (zh)

Families Citing this family (94)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7412842B2 (en) 2004-04-27 2008-08-19 Emerson Climate Technologies, Inc. Compressor diagnostic and protection system
US7275377B2 (en) 2004-08-11 2007-10-02 Lawrence Kates Method and apparatus for monitoring refrigerant-cycle systems
US9140728B2 (en) 2007-11-02 2015-09-22 Emerson Climate Technologies, Inc. Compressor sensor module
US8832657B1 (en) * 2009-01-12 2014-09-09 Bank Of America Corporation Customer impact predictive model and combinatorial analysis
US8744651B2 (en) * 2010-04-21 2014-06-03 Sikorsky Aircraft Corporation Method of determining a maneuver performed by an aircraft
US8751777B2 (en) 2011-01-28 2014-06-10 Honeywell International Inc. Methods and reconfigurable systems to optimize the performance of a condition based health maintenance system
EP2681497A4 (en) 2011-02-28 2017-05-31 Emerson Electric Co. Residential solutions hvac monitoring and diagnosis
US8615773B2 (en) 2011-03-31 2013-12-24 Honeywell International Inc. Systems and methods for coordinating computing functions to accomplish a task using a configuration file and standardized executable application modules
US8990770B2 (en) 2011-05-25 2015-03-24 Honeywell International Inc. Systems and methods to configure condition based health maintenance systems
DE102011079034A1 (de) 2011-07-12 2013-01-17 Siemens Aktiengesellschaft Ansteuerung eines technischen Systems
US9002775B1 (en) * 2011-09-02 2015-04-07 Lockheed Martin Corporation Systems and methods for estimating a remaining useful life of an item
US9239983B1 (en) 2011-09-02 2016-01-19 Lockheed Martin Corporation Quantifying a condition with a neural network
US8726084B2 (en) * 2011-10-14 2014-05-13 Honeywell International Inc. Methods and systems for distributed diagnostic reasoning
FR2984281B1 (fr) * 2011-12-20 2015-06-26 Thales Sa Gestion d'energie a bord d'un aeronef
US8964338B2 (en) 2012-01-11 2015-02-24 Emerson Climate Technologies, Inc. System and method for compressor motor protection
US9483344B2 (en) * 2012-04-05 2016-11-01 Assurant, Inc. System, method, apparatus, and computer program product for providing mobile device support services
US8832649B2 (en) 2012-05-22 2014-09-09 Honeywell International Inc. Systems and methods for augmenting the functionality of a monitoring node without recompiling
US8977423B2 (en) 2012-05-23 2015-03-10 Snap-On Incorporated Methods and systems for providing vehicle repair information
CN102707708B (zh) * 2012-05-25 2014-04-09 清华大学 多模型飞行控制系统故障诊断方法及装置
FR2991066B1 (fr) * 2012-05-28 2015-02-27 Snecma Systeme de traitement d'informations pour la surveillance d'un systeme complexe
US9528462B2 (en) * 2012-06-15 2016-12-27 GM Global Technology Operations LLC NOx sensor plausibility monitor
US8832716B2 (en) 2012-08-10 2014-09-09 Honeywell International Inc. Systems and methods for limiting user customization of task workflow in a condition based health maintenance system
US20140056705A1 (en) * 2012-08-21 2014-02-27 General Electric Company Load control system and method for wind turbine
WO2014035385A1 (en) * 2012-08-29 2014-03-06 GM Global Technology Operations LLC Method and apparatus for on-board/off-board fault detection
US20140074345A1 (en) * 2012-09-13 2014-03-13 Chanan Gabay Systems, Apparatuses, Methods, Circuits and Associated Computer Executable Code for Monitoring and Assessing Vehicle Health
US9310439B2 (en) 2012-09-25 2016-04-12 Emerson Climate Technologies, Inc. Compressor having a control and diagnostic module
US9251502B2 (en) 2012-11-01 2016-02-02 Ge Aviation Systems Llc Maintenance system for aircraft fleet and method for planning maintenance
US9158834B2 (en) 2013-01-21 2015-10-13 Snap-On Incorporated Methods and systems for mapping repair orders within a database
US9638436B2 (en) 2013-03-15 2017-05-02 Emerson Electric Co. HVAC system remote monitoring and diagnosis
US9551504B2 (en) 2013-03-15 2017-01-24 Emerson Electric Co. HVAC system remote monitoring and diagnosis
US9803902B2 (en) 2013-03-15 2017-10-31 Emerson Climate Technologies, Inc. System for refrigerant charge verification using two condenser coil temperatures
US9765979B2 (en) 2013-04-05 2017-09-19 Emerson Climate Technologies, Inc. Heat-pump system with refrigerant charge diagnostics
GB2513132B (en) * 2013-04-16 2015-05-27 Ge Aviat Systems Ltd Method for predicting a bleed air system fault
GB2513133B (en) 2013-04-16 2015-07-08 Ge Aviat Systems Ltd Methods for predicting a speed brake system fault
US10180995B2 (en) * 2013-07-15 2019-01-15 The Boeing Company System and method for assessing cumulative effects of a failure
US9336244B2 (en) 2013-08-09 2016-05-10 Snap-On Incorporated Methods and systems for generating baselines regarding vehicle service request data
US20150066431A1 (en) * 2013-08-27 2015-03-05 General Electric Company Use of partial component failure data for integrated failure mode separation and failure prediction
US9477950B2 (en) 2014-09-04 2016-10-25 Snap-On Incorporated Prognostics-based estimator
US9551633B2 (en) * 2013-10-15 2017-01-24 General Electric Company Systems and methods for improved reliability operations
US9672497B1 (en) 2013-11-04 2017-06-06 Snap-On Incorporated Methods and systems for using natural language processing and machine-learning to produce vehicle-service content
FR3013117B1 (fr) * 2013-11-14 2017-10-20 Thales Sa Dispositif de supervision pour un aeronef, systeme de supervision, procede de supervision et produit programme d'ordinateur associes
CN104648660A (zh) * 2013-11-22 2015-05-27 中国航空工业集团公司西安飞机设计研究所 一种飞机双余度数字式起落架收放控制器
BR112016018702A2 (pt) * 2014-02-21 2017-08-08 Taleris Global Llp Método para prever uma falha em um sistema de controle de temperatura de cabine
CN111504364B (zh) * 2014-02-21 2023-03-17 特莱丽思环球有限合伙公司 用于预测航空器的空气调节组合件中故障的方法
US9201930B1 (en) 2014-05-06 2015-12-01 Snap-On Incorporated Methods and systems for providing an auto-generated repair-hint to a vehicle repair tool
EP3140637B1 (en) 2014-05-09 2019-12-18 Sikorsky Aircraft Corporation Method and apparatus for condition based maintenance of fiber networks on vehicles
US10769866B2 (en) 2014-09-26 2020-09-08 International Business Machines Corporation Generating estimates of failure risk for a vehicular component
US10540828B2 (en) 2014-09-26 2020-01-21 International Business Machines Corporation Generating estimates of failure risk for a vehicular component in situations of high-dimensional and low sample size data
US9514577B2 (en) 2014-09-26 2016-12-06 International Business Machines Corporation Integrating economic considerations to develop a component replacement policy based on a cumulative wear-based indicator for a vehicular component
US9454855B2 (en) 2014-09-26 2016-09-27 International Business Machines Corporation Monitoring and planning for failures of vehicular components
US9286735B1 (en) 2014-09-26 2016-03-15 International Business Machines Corporation Generating cumulative wear-based indicators for vehicular components
PL230226B1 (pl) * 2014-10-30 2018-10-31 Inst Technik Innowacyjnych Emag Sposób i system do oceny wystąpienia zagrożenia wstrząsami wysokoenergetycznymi generowanymi eksploatacją podziemną
CN104361053B (zh) * 2014-10-31 2017-12-19 北京智谷睿拓技术服务有限公司 多对象关联方法及装置
WO2016137874A1 (en) * 2015-02-23 2016-09-01 Honeywell International Inc. System and method to construct diagnostic dependence model
US9639995B2 (en) 2015-02-25 2017-05-02 Snap-On Incorporated Methods and systems for generating and outputting test drive scripts for vehicles
US10216796B2 (en) 2015-07-29 2019-02-26 Snap-On Incorporated Systems and methods for predictive augmentation of vehicle service procedures
US9916194B2 (en) 2015-10-01 2018-03-13 International Business Machines Corporation System component failure diagnosis
US11144888B2 (en) 2015-10-02 2021-10-12 Snap-On Incorporated Method and system for augmenting real-fix tips with additional content
US11429936B2 (en) 2015-10-02 2022-08-30 Snap-On Incorporated System and method for dynamically-changeable displayable pages with vehicle service information
CN105366066A (zh) * 2015-10-20 2016-03-02 南京航空航天大学 基于二极管阵列数字化的微小型超低功耗冲击监测系统
US9665994B1 (en) 2015-11-11 2017-05-30 Snap-On Incorporated Methods and systems for providing a vehicle repair tip
CN105334752A (zh) * 2015-11-30 2016-02-17 东华大学 一种组合积分环节与预测pi控制算法结合的控制方法
CN105335261A (zh) * 2015-12-08 2016-02-17 山东超越数控电子有限公司 一种服务器设备机内测试bit设计方法
US10164852B2 (en) 2015-12-31 2018-12-25 Microsoft Technology Licensing, Llc Infrastructure management system for hardware failure remediation
US10139788B2 (en) 2016-03-15 2018-11-27 Honeywell International Inc. Remote data analytics to predict system components or device failure
CN109073316B (zh) 2016-03-28 2021-07-06 开利公司 运输制冷单元的自动诊断
US10643158B2 (en) 2016-04-01 2020-05-05 Snap-On Incorporated Technician timer
EP3254928A1 (en) * 2016-06-10 2017-12-13 Bombardier Transportation GmbH System and method for the asset management of railway trains
US10692035B2 (en) * 2016-07-26 2020-06-23 Mitchell Repair Information Company, Llc Methods and systems for tracking labor efficiency
US10635094B2 (en) 2016-09-16 2020-04-28 Siemens Aktiengesellschaft Failure models for embedded analytics and diagnostic/prognostic reasoning
US10096178B2 (en) * 2017-01-03 2018-10-09 The Boeing Company Reducing nuisance fault indications from a vehicle using physics based and data driven models
US10843341B2 (en) * 2017-05-05 2020-11-24 Brooks Automation, Inc. Method and apparatus for health assessment of a transport apparatus
US10643187B2 (en) * 2017-06-09 2020-05-05 Kidde Technologies, Inc. Reporting and prioritizing faults for aircraft downtime reduction
US10733548B2 (en) 2017-06-16 2020-08-04 Snap-On Incorporated Technician assignment interface
US10497185B2 (en) * 2017-11-28 2019-12-03 The Boeing Company Apparatus and method for vehicle maintenance scheduling and fault monitoring
US11972178B2 (en) * 2018-02-27 2024-04-30 Falkonry Inc. System and method for explanation of condition predictions in complex systems
CN109523651A (zh) * 2018-11-14 2019-03-26 湖北文理学院 车辆异常检测方法和车辆异常检测系统
CN113167391B (zh) * 2018-12-06 2023-12-15 布雷国际有限公司 具有集成电子元件的智能阀转接器
US11854383B2 (en) 2019-05-31 2023-12-26 The Boeing Company Auxiliary power unit startup condition prediction
US11378934B2 (en) * 2019-09-09 2022-07-05 Baker Hughes Oilfield Operations Llc Shadow function for protection monitoring systems
US11904875B2 (en) * 2019-10-08 2024-02-20 GM Global Technology Operations LLC Adaptive prognostics systems and methods for vehicles
US11776330B2 (en) * 2019-12-09 2023-10-03 The Boeing Company Closed-loop diagnostic model maturation for complex systems
US11760507B2 (en) 2019-12-09 2023-09-19 The Boeing Company Onboard diagnosis and correlation of failure data to maintenance actions
CN111273640A (zh) * 2020-03-03 2020-06-12 中国船舶重工集团公司第七0七研究所九江分部 一种操纵控制设备备航自动测试系统及其方法
CN111352408B (zh) * 2020-03-11 2020-12-08 山东科技大学 一种基于证据k近邻的多工况流程工业过程故障检测方法
US11847577B2 (en) * 2020-04-24 2023-12-19 The Boeing Company Auxiliary power unit usage prediction
CN111965390B (zh) * 2020-07-13 2022-06-21 江苏大学 一种轮速传感器故障检测方法
US11948466B2 (en) 2020-09-28 2024-04-02 Rockwell Collins, Inc. Mission reasoner system and method
CN112231937A (zh) * 2020-11-23 2021-01-15 中煤科工集团沈阳设计研究院有限公司 基于c-f模型轮斗连续工艺系统可靠性评估方法及系统
US12067813B2 (en) 2021-02-01 2024-08-20 Rockwell Collins, Inc. Sensor quality detection
CN113232462B (zh) * 2021-05-20 2022-12-02 上海仙塔智能科技有限公司 胎压管理方法、装置及计算机存储介质
US11959433B2 (en) * 2022-07-19 2024-04-16 Cummins Emission Solutions Inc. Systems and methods for determining exhibited useful life of sensors in monitored systems
CN116203926B (zh) * 2023-01-18 2023-08-04 北京控制工程研究所 基于性能-故障关系图谱的航天器故障分级诊断方法
CN117010060A (zh) * 2023-07-19 2023-11-07 重庆交通大学 一种基于改进d-s证据理论的混凝土坝健康诊断方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2450241A (en) * 2007-06-12 2008-12-17 Boeing Co Bayesian probability analysis for health monitoring and failure prediction of complex systems
EP2063398A2 (en) * 2007-11-26 2009-05-27 Honeywell International Inc. Vehicle health monitoring reasoner architecture for diagnostics and prognostics
CN101542509A (zh) * 2005-10-18 2009-09-23 霍尼韦尔国际公司 用于早期事件检测的系统、方法和计算机程序

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5010487A (en) 1989-03-02 1991-04-23 Coltec Industries Inc. Computer-based engine diagnostic method
GB2249398B (en) 1990-09-08 1995-04-19 Genrad Ltd Fault identification system
US5544308A (en) 1994-08-02 1996-08-06 Giordano Automation Corp. Method for automating the development and execution of diagnostic reasoning software in products and processes
US5919267A (en) 1997-04-09 1999-07-06 Mcdonnell Douglas Corporation Neural network fault diagnostics systems and related method
US6240343B1 (en) 1998-12-28 2001-05-29 Caterpillar Inc. Apparatus and method for diagnosing an engine using computer based models in combination with a neural network
US6574537B2 (en) 2001-02-05 2003-06-03 The Boeing Company Diagnostic system and method
US6643569B2 (en) 2001-03-30 2003-11-04 The Regents Of The University Of Michigan Method and system for detecting a failure or performance degradation in a dynamic system such as a flight vehicle
US7136794B1 (en) 2001-05-24 2006-11-14 Simmonds Precision Products, Inc. Method and apparatus for estimating values for condition indicators
US6662091B2 (en) 2001-06-29 2003-12-09 Battelle Memorial Institute Diagnostics/prognostics using wireless links
US6999884B2 (en) 2003-01-10 2006-02-14 Oxford Biosignals Limited Bearing anomaly detection and location
US20040176887A1 (en) 2003-03-04 2004-09-09 Arinc Incorporated Aircraft condition analysis and management system
US7702435B2 (en) 2004-11-05 2010-04-20 Honeywell International Inc. Method and apparatus for system monitoring and maintenance
US7499777B2 (en) 2005-04-08 2009-03-03 Caterpillar Inc. Diagnostic and prognostic method and system
US20060235707A1 (en) 2005-04-19 2006-10-19 Goldstein David B Decision support method and system
US20070050104A1 (en) 2005-08-24 2007-03-01 The Boeing Company Methods and systems for logistics health status reasoner
US7376499B2 (en) 2005-09-16 2008-05-20 Gm Global Technology Operations, Inc. State-of-health monitoring and fault diagnosis with adaptive thresholds for integrated vehicle stability system
DE602007014295D1 (de) 2006-06-22 2011-06-16 Scania Cv Ab Fehlerdiagnose

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101542509A (zh) * 2005-10-18 2009-09-23 霍尼韦尔国际公司 用于早期事件检测的系统、方法和计算机程序
GB2450241A (en) * 2007-06-12 2008-12-17 Boeing Co Bayesian probability analysis for health monitoring and failure prediction of complex systems
EP2063398A2 (en) * 2007-11-26 2009-05-27 Honeywell International Inc. Vehicle health monitoring reasoner architecture for diagnostics and prognostics

Also Published As

Publication number Publication date
CN102062619A (zh) 2011-05-18
EP2323005A1 (en) 2011-05-18
EP2323005B1 (en) 2016-11-16
US20110118905A1 (en) 2011-05-19
US8285438B2 (en) 2012-10-09

Similar Documents

Publication Publication Date Title
CN102062619B (zh) 用于通过预测推理来分析复杂系统的方法系统和装置
CA2771401C (en) Platform health monitoring system
Tiddens et al. Exploring predictive maintenance applications in industry
WO2021160260A1 (en) Digital platform using cyber-physical twin structures providing an evolving digital representation of a risk-related real world asset for quantifying risk measurements, and method thereof
US10725463B1 (en) High frequency sensor data analysis and integration with low frequency sensor data used for parametric data modeling for model based reasoners
Divya et al. Review of fault detection techniques for predictive maintenance
EP3583557A1 (en) Homogeneous model of hetergeneous product lifecycle data
EP2277778A2 (en) Vehicle health management systems and methods with predicted diagnostic indicators
CN114491931A (zh) 数字孪生智能变电站系统故障的诊断方法及系统
CN103324155A (zh) 系统监控
Mubarak et al. Digital twin enabled industry 4.0 predictive maintenance under reliability-centred strategy
Gopalakrishnan et al. IIoT Framework Based ML Model to Improve Automobile Industry Product.
CN103778045A (zh) 平台健康监视系统
CN117151676A (zh) 使用反事实机器学习模型的交通工具健康管理
Zhang Optimum sensor localization/selection in a diagnostic/prognostic architecture
JP2023536677A (ja) 車両の改善されたメンテナンスのための車両レベル故障予測
Mocko et al. Incorporating uncertainty in diagnostic analysis of mechanical systems
Ma et al. State-of-the-art review and synthesis: A requirement-based roadmap for standardized predictive maintenance automation using digital twin technologies
Giannoulidis et al. A context-aware unsupervised predictive maintenance solution for fleet management
Chen et al. Aircraft complex system diagnosis based on design knowledge and real-Time monitoring information
Liao An adaptive modeling for robust prognostics on a reconfigurable platform
Yurek et al. T-PdM: a tripartite predictive maintenance framework using machine learning algorithms
Makarova et al. Improving the Branded Service of Vehicles with Intelligent Driver Assistance Systems
Susarev et al. The Models for Predictive Maintenance of Robotic Agricultural Vehicles
Joseph et al. A study on remaining useful life estimation for predictive maintenance of a robot cell

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20160427

Termination date: 20211115

CF01 Termination of patent right due to non-payment of annual fee