CN103649858A - 用于预测组件或系统状况的方法和设备及计算机程序产品 - Google Patents

Abstract

本发明涉及一种用于组件或系统的时间相关的系列数据点的过程的趋势预测的设备和方法，尤其涉及用于飞行器或航天器的组件或系统，其包括如下步骤：提供优化的决策树，该决策树的输入节点用于输入输入向量，该决策树的节点包含各输入向量的数据点，并且决策树的每个叶包含外推函数；迭代地计算将来的数据点，其中各时间相关的系列数据点被输入到决策树中作为输入向量并且决策树以自动的方式从中计算输入向量的最后一个数据点的后续的数据点，所计算出的后续数据点被添加到时间相关的系列数据点中作为下一步迭代计算所用的新的输入向量。本发明更进一步地涉及一种计算机程序产品。

Description

用于预测组件或系统状况的方法和设备及计算机程序产品

技术领域

本发明涉及一种计算机实施的方法和设备，对通过测量在组件或系统处确定的时间相关的系列数据点的过程进行趋势预测，来预测特别是用于飞行器或航空器的组件或系统的状况。本发明还涉及一种计算机程序产品。

背景技术

对由测量确定的数据池的分析具有广泛的应用。该分析包括数据与数据相关性的相互关系的统计分析，和针对这些数据的未来发展的分析，也就是说，被称为趋势预测。对于趋势预测，通常基于传统的时间序列分析方法来建立趋势模型。趋势分析和趋势预测是统计工具，可以更好地解释测量数据或从其他途径确定的数据。趋势分析可用于趋势预测，以便能够构造和验证与测量数据的趋势相关的声明。

尽管原则上测量确定的时间相关的系列数据可在任意趋势预测方法中使用，下文所述的本发明和本发明所处理的问题是关于用于趋势预测的方法和设备的，该趋势预测是用于飞行器或航天器的。特别地，下文所述的本发明是关于根据所测量到的飞行器的组件或系统的振荡的趋势预测。

例如在美国2011/0040470A1中描述了一种用于预测飞行器中燃气轮机的故障的方法。

在飞行器中，尤其是在客机中，出于安全原因，总是遵守固定的预定维护间隔，在间隔期间必须检查、维护和修复飞行器的组件和系统。这些间隔以这种方式确定：确保到下一个维护间隔为止，各个组件和系统是足够安全的并且功能正常。因此，相应的维护间隔通常与延缓时间一起选择，以便相应地适当间隔。

然而，成问题的是，利用这种方式，尽管事实上飞行器的系统还处在例如功能完全正常并且其维护事实上是不必要的情况下，有时也会对其进行维护。因此很明显，以这种方式，由于对实际情形的无知而进行的不必要的维护，导致了额外的费用。

此外，以客机为例，可用于维护工作的时间周期非常短。通常，这项工作是在飞行器到达航站楼和再次离开航站楼之间的固定时间内完成的，通常只有大约90分钟的短时间周期可用。这意味着期望收集与飞行器的系统或组件的状况相关的之前的相应结果。

空调系统，通常也被称为HVAC（加热、制冷和空气调节），由于功能性也由于乘客的舒适性而在飞行器中尤其重要。空调系统用于给飞行器上的乘客提供新鲜、温和的空气，又要冷却电子系统。为此目的，空调系统使用再循环风扇和过滤器来形成循环，并由此净化舱内空气。然而，经过一段时间后，所用的过滤器可能被堵塞，相应的供应管线可能变脏，并且例如风扇可能出现故障，例如由于电机故障或由于风扇叶片的断裂。这里，成问题的是，由于总是依赖于各过滤器的周围环境和应用的场合，过滤器的堵塞尤其难以预测。这样导致这些过滤器在现场被频繁检查，而这些也在飞行器的固定时间周期中包含了额外的检查时间。

可理解地，应该避免这种状况的发生。

发明内容

由此而论，本发明的目的是能够提供改进的组件或系统的趋势预测，尤其是在当其应用在飞行器或航空器内的情况下。

根据本发明，通过具备权利要求1的特征的方法和/或通过具备权利要求14的特征的设备和/或通过具备权利要求15的特征的计算机程序产品来达成目的。

相应地，提供如下：

一种用于预测组件或系统的状况的计算机实现的方法，特别用于飞行器或航空器，通过对由测量在组件或系统处确定的时间相关的系列数据点的过程进行趋势预测来实现，包括如下步骤：

提供优化的决策树，所述决策树的输入节点用于输入输入向量，所述决策树的节点包含各个输入向量的属性，并且所述决策树的每个叶都包含用于趋势预测的外推函数；

迭代计算将来的数据点，其中输入向量源自时间相关的系列数据点，并且所述决策树以自动方式从输入向量计算所述时间相关的系列数据点的最后一个数据点的后续数据点，所计算出的后续数据点被添加到所述时间相关的系列数据点中，以用于形成下一个迭代步骤的新的输入向量。

一种用于预测组件或系统的状况的设备，特别用于飞行器或航空器的组件或系统，尤其是利用了根据前述权利要求任一项所述的方法，包括：测量装置，配置为测量所述组件或系统的物理测量值来生成时间相关的系列数据点；存储器，其中存储至少一个时间相关的系列数据点；和计算和评估装置，配置为根据所述至少一个时间相关的系列数据点来生成优化的决策树并根据由此生成的决策树来执行趋势预测。

一种计算机程序产品，其中存储有被配置为执行根据本发明的方法的计算机程序。

对本发明基础的理解在于：大多数系统具有特性的、系统固有的操作属性，从而允许对各系统的属性和状况得出结论。例如，可以近似固定的间隔来测量系统或组件的振荡或温度。概念是：以这种方式收集的数据是所要检验的系统或其相关组件的状况和属性的测量值。对这些数据进行适当的解释，就可以对此系统或组件的属性和状况的变化得出结论。尤其是在随着系统或组件使用寿命的增加，其状况是在退化而不是在改进的前提下，通过利用额外的假设和使用适当地获得的决策树，可得出关于系统或组件的状况未来发展的结论。

利用趋势分析，通过最初被构建后来被优化的近似分析模型来估计所分析的测量数据的未来过程的趋势。通过适当选择的决策树来形成此分析模型。对此分析模型，不必要明确了解所要检验的对象的本质，例如物理属性和其结构等。借助于趋势分析，借助分析模型对数据的分析和评估，可以对于要检验对象的本质、明确的结构和属性上得出结论。这样，也能够针对使用和维护需求来检查例如相应的系统。

本发明使得在没有具体的数学概念知识的前提下，可以对所要检验的组件和系统尤其是位于飞行器内的组件和系统进行自动趋势预测。根据本发明，趋势分析是在测量数据的时间系列分析的基础上进行的，从测量数据中得出已知的数据点。数据点代表数据信号的离散数据值，而数据信号已经通过例如采样或其他方式而决定。时间系列代表时间相关的系列数据点，通常不代表数学意义上的序列。时间系列分析是与时间系列的数理统计分析相关的规则，并与预测其未来发展或者被称为趋势相关。

对于趋势预测，需要尽可能地模拟数据的可能过程的合适的外推函数。为此，初始提供了适当选择的决策树，根据本发明，其被用于选择分析和评估所需的外推函数。在这种情况下，决策树来自测量数据。借助于被应用于决策树中的适当的学习或训练的概念，所述决策树可进一步以如下方式被优化到目前的状态：用于趋势分析的外推函数的选择被优化。这样就可以执行趋势分析和趋势预测，该分析和预测适用于给定的环境，并且已经考虑到所要检验的系统或组件的动态行为。以这种方式，尤其针对长期预测提升了趋势分析和趋势预测的可靠性。

借助于本发明的趋势分析和趋势预测方法，现在可以有利的方式来确定未来的维护时间，使得该时间也是适应各个所要检验的系统或组件的实际状况。这样，可在不必对系统或所检验组件的分析的状况执行预先的、明确的调查的前提下，以非常精确的方式来排列未来的维护和维修周期。尤其避免了不必要的维护。这会带来明显的费用降低。相反，防止维护工作错误地不被执行，虽然根据系统或组件的状况该工作是必要的。对相关乘客也提高了相关的舒适性。

适当选择的决策树是本发明的关键部分。决策树是显示了决策规则的有组织的、有目标的树图。决策树分层显示时序的决策。对许多需要自动分类或从实际知识中表述或得出正式规则的领域，决策树很重要。决策树是用于将目标数据自动分类并由此解决决策问题的方法。决策树也可用于清楚地表示形式规则。

决策树总是由用作输入向量的输入节点的根节点、任意数量的内部节点和至少两个叶组成。每个节点代表一条逻辑规则，也被称为属性。与决策树的各个节点相关联的性质被分配给一个属性，这样该性质总体上用作节点的特征、指标或详细信息。叶与分类相对应。每个叶包含对复杂决策问题也可称为分类的答案。这样，或多或少的复杂的分类函数与叶相关联。规则的复杂性和语义从开始未受限制。在二叉决策树的情况下，每条规则表达式只能到达两个值中的一个。

为了读取在决策树中单个数据对象的分类，对决策树从根节点开始向下跟随。在每个节点处，查询特性并对后续节点的选择作出决策。持续该过程直到达到叶。该叶对应于分类。

决策树的最大优点在于：其易于解释和理解。这允许用户对结果进行评估，并识别出关键特性。尤其是如果一开始不了解数据的基本属性，那么非常有帮助。在数据挖掘领域，决策树的引入也是一个重要方法。数据挖掘被理解为：意味着通常是以数理统计为基础的、对数据库的方法的系统化应用，并且目标是要从中识别出模式或趋势。

在进一步的从属权利要求和参考附图在说明书中提供本发明的有益配置和发展。

在优选配置中，在迭代计算之前初始地提供至少一个输入向量。该输入向量被提供作为决策树的输入向量。该输入向量源自预定长度的时间相关的系列数据点，所述数据点代表要被检验的所述组件或系统的测量的物理值。该数据点例如以时间连续的数据测量信号的形式可用。典型地，扫描模拟数据测量信号来生成时间相关的系列数据点，目的是确定作为结果的离散数据点。为了确定输入向量，提供其中存在预定数目的数据点的预定时间周期。在这种情况下，固定的预定数目的数据点，也就是说预定长度的数据点系列，总是被用做各输入向量。优选的但非必须的，将在此时间周期内的数据点彼此等距地排列。

在典型配置里，在迭代计算过程中，每次新计算出的数据点被添加到所述时间相关的系列数据点中时，移除时间相关的系列数据点中最早的数据点。以这种方式提供新提供的输入向量而不存在最早的数据点。这样，对于将来数据点的迭代计算，总是用最新的数据点来生成输入向量。

在优选配置中，在预定数目的迭代步骤之后，新数据点的迭代计算过程终止。例如，可提供作为终结标准的例子：所计算出的将来数据点的数目少于被用作输入向量或被用于生成并训练决策树的系列数据点的数据点的数目。此终结标准是基于只能对未来有限的时间范围进行趋势预测的认识上的。至于趋势预测的可靠性，该时间范围应充分地小于可用于趋势预测的测量数据。原则上，只要迭代计算出的将来数据点的数目以及由此将来的时间周期大于可用于生成决策树的测量的数据信号的时间周期的话，就可能进行趋势预测。然而，趋势预测的确定性却会因此减低。此外，该做法只对变化非常缓慢的系统有效。如果在计算将来的数据点的过程中确定的误差超出预定的阈值，则计算中止。此外或可选地，可想到的是如果在计算将来的数据点的过程中确定的误差超过预定的阈值，或换句话说，如果在后续数据点的迭代计算过程中确定的确定性降到临界阈值以下，则可设置终结判据。这样，可确保在迭代计算过程中确定的将来数据点将以较高的确定性来表示将来的数据点。

在更优选的配置中，在迭代计算后续数据点的过程中，该类型决策树的外推函数被用于新计算出的数据点，该新计算出的数据点具有与所用输入向量相关的最高值。

在更优选的配置中，在迭代计算之后，对由优化的决策树确定的后续数据点进行评估。特别地，每个这样确定的将来的数据点都与临界阈值进行比较。临界阈值可代表例如报警阈值，例如超过该值时必须对检验的组件或系统中的一个采取动作。这样，借助于非常简单的尤其可在操作期间执行的分析和趋势预测，就可完成一个非常可靠的声明，表示何时需要下一个维护周期。由于本发明的方法完全以自动方式来执行，因此不需要专用的、复杂的分析和评估步骤。依赖于执行确定的数据的决策树优化和评估的方式的详尽和准确程度，本发明的方法也提供了非常高的确定性。由于本发明的方法是计算机可控的，并且完全以自动方式执行，因此可以处理大量的测量数据，这样就可以在复杂系统中进行简单可靠的趋势分析。

更优选的是，本发明的方法可用于被配置为飞行器或航空器中的空调系统的系统中，测量在这些系统中例如空调系统中生成的振荡（振动或声音）作为检验的物理参数。尤其有益的是，由于这种类型的振荡一般只能非常缓慢地改变，例如对逐渐变脏的再循环过滤器，因此当振荡特性发生改变的情况下，非常简单的趋势分析是有可能的。定期执行的状态监视可以容易并可靠地识别出这种改变。例如，如果空调系统的元件例如再循环过滤器或风扇发生故障，这会显示为例如振动的增加。随后可以从中得出这些振动的趋势。然而，本发明并未仅限于以振荡的形式来测量和评估物理参数，而是能够拓宽到其他物理参数例如温度、重量、电磁兼容辐射（EMC radiation）、电流和电压等等。例如，如果空调系统的元件例如再循环过滤器或其中的风扇发生故障，这也会显示为例如温度的增加，这样温度就可以作为该系统状况的指示来被测量和评估。

在典型配置中，对于提供优化的决策树的步骤初始计算特征向量。提供训练数据和参数集用于计算特征向量。

优选地，所述参数集优选地包含用于创建决策树所需类型的参数，并且尤其包含以下参数中至少一个：

-用于趋势预测的系列数据的数据点的数目。第一参数定义了对于后续数据点的趋势分析至少需要多少个数据点。

-用于趋势预测的系列数据的梯度计算。此计算规则定义了是每个数据点、每隔一个数据点，还是例如，只有第一个和最后一个数据点在系列数据点的时间周期内被用于梯度计算。

-用于趋势预测的数据点在数据点系列的时间周期内最小和最大值的计算。

-可用于趋势预测的外推函数。此参数决定了哪个可用分类和外推函数应被用于定义数据点。例如，这里可提供线性函数、正弦函数、指数函数、二次函数等。

另外或替代地，自然也可想到将其他参数用于预定的参数集，例如所测量数据信号的预定部分的反向点、求导、数据点计算中的误差、修正值等。

在优选的配置中，为了提供训练数据，需要测量要被检验的组件或系统的物理值。然后就可以从这样确定的数据测量信号中通过例如采样方式生成数据点。通过从这些所扫描的数据点中选择预定数目的数据点，可随后形成时间相关的系列数据点，这些就形成了用于决定训练数据所需的系列数据点。

优选地，开始时，也就是说在开始确定特征向量时，该特征向量用于生成决策树，随机值被确定为参数集。该参数集决定了特征向量的计算。利用训练数据和参数集，然后从随机值开始迭代地计算增加的优化的决策树直到决策树的误差低于预定阈值。尤其地，优化参数集直到得到稳定的值。然后，如果参数集不再变化时，则稳定值可用。然后，这样就确定了开始点并且由此优化的参数集是关于决策树和训练数据优化的。通常，参数集随每次优化的迭代而变化，该变化通常随迭代的增加而越来越小。用于确定优化参数集的迭代结束的终结标准，是各个选择的终结标准的函数。例如，在所用的优化算法中的最高准确性也可用做终结标准。一般地但非必须地，遗传算法用作优化算法。其易于实施并且能给出相对非常好的结果。

在有益配置中，采用迭代二叉树3代（Iterative Dichotomiser3,ID3）算法或C4.5算法计算决策树，在参数集的优化情况下计算的优化的特征向量作为输入向量。除这些算法外，也可想到利用分类和回归树(Classification andRegression Trees,CART)算法或卡方自动交互检测（Chi-square AutomaticInteraction Detectors,CHAID）算法。如果多个不同属性在大数据集中很明显并且因此可在没有大的计算量的前提下生成决策树的话，则使用ID3算法。由ID3算法生成的决策树通常在结构上非常简单。在CART算法中，只能生成二叉决策树，也就是说，每叉只能恰好有两个分枝。因此CART算法的中心组成是寻找最优的二分裂。C4.5算法与CART算法的表现非常相似，但C4.5算法不必须执行任何二分裂，并且可包含任意数量的分叉，这一点对许多应用非常有利。这样，C4.5算法的决策树会变得更宽，然而通常深度也更浅。为此，在首次分类后，后续的分裂意义变得不明显。与其他算法相比，在CHAID算法中，在决策树变得过大之前就停止了树的增长。

优选地，在生成决策树之后，根据专用的学习数据迭代训练决策树。决策树的学习或训练阶段是有益但并非必须的。原则上，学习数据可以与训练数据有语法上的对应，也就是说多个数据点也可用作学习数据，哪些数据点被以例如测量方式或以其他方式而确定，并且哪些包含时间相关的系列数据点。

在更优选的配置中，在生成决策树时，除了各自计算外推函数外，也计算偏差值，该偏差值给出计算的数据点偏离最优值多远和多显著的信息。这样，此附加信息提供了确定的数据点的准确性。如果将关于迭代的将来数据的偏差值加到一起，就得到了估计的预测误差。这样，除了用于将来数据点的趋势预测之外，也提供了这些将来的所计算出的数据点的被准确计算的可能性。

在优选的配置中，本发明的设备被配置为电子测量盒，尤其是温度和/或振荡测量盒。此电子测量盒包括接口，通过此接口可以将测量盒附接到要检验的组件或系统中。通过电子测量盒的直接或间接的测量可以确定各趋势预测所需的数据和相关联的物理测量值。在温度测量的情况下，电子测量盒包括例如被配置为温度传感器的传感器，其用于探测所要检验的组件或系统的温度。在振动或其他振荡的情况下，提供相关的振动或振荡传感器。

在适当的情况下，上述配置和发展可以任意方式彼此组合。本发明的更进一步的可能的配置、发展和实施也包括这里没有明确说明的本发明的以上或以下针对具体实施方式所描述的特征的组合。尤其是，在这种情况下，本领域的技术人员可通过改进或增加的方式向本发明的各个基本形式添加各个方面。

附图说明

下面将参考附图中提供的具体实施方式，更详细地解释本发明。

图1是根据本发明的方法的第一通用实施方式的流程的流程图。

图2是显示了根据本发明的方法的第二优选实施方式的流程的流程图。

图3是示出了根据本发明的设备的框图。

附图意在提供对本发明具体实施方式的进一步理解。附图显示了具体实施方式并与说明书一起解释了本发明的原则和概念。针对附图，可产生其他实施方式和许多所说明的优点。附图的元件不需要按比例示出。

在附图中，相同的、功能上相同的和操作相同的元件、特征和组件用同一个附图标记表示，另有说明的除外。

具体实施方式

图1是示出了本发明的方法的第一通用实施方式的流程的流程图。

本发明的方法是用于对时间相关的系列数据点的过程进行趋势预测的方法。其假定飞行器的系统，这里尤其是空调系统，的状况将由趋势预测来确定。此状况可从空调系统所生成的空调系统的振动中或可选地也可以从空调系统的温度得出。

在第一步骤S1中，最初提供一个优化决策树。下文将参考图2和图3更详细地描述优化决策树的生成。将从一系列数据点中得出的适当选择的输入向量输入到根节点。决策树的节点表示输入向量的特性，例如各输入向量的数据点。每个叶代表外推函数。

测量的数据点可用做决策树的输入数据，他们也可以同样的方式用做例如生成特征向量，该特征向量用于生成决策树。在这种情况下，也可以适当的方式预处理决策树的输入数据，例如通过仅用相应的、有代表性的输入数据。

在第二步骤S2中，随后参考优化的决策树来计算后续数据点。执行该计算，其中输入向量输入到决策树中，该输入向量包含时间相关的测量的系列数据点或从中得出。从而，决策树以自动的方式从中确定时间相关的测量的系列数据点的最后一个数据点的后续数据点。这样所计算出的后续数据点被添加到该时间相关的系列数据点中，并随后依次用于在下个迭代步骤中确定新的输入向量。就这样反复确定进一步的将来的数据点。

图2是示出了本发明的方法的第二优选实施方式的流程的流程图。

在第一步骤S11中，起始参数集被初始生成，用于分析时间相关的系列数据点。多种对决策树的生成有影响的参数都可用。典型地，由用户来确定参数。与参数集相关联的参数可以是，例如：

-数据系列的长度，也就是说用于趋势预测的数据系列的数据点的数目；

-用于趋势预测的数据系列的数据点的梯度，例如两个数据点比如首个和最后一个数据点或任一其他数据点之间的坡度；

-用于趋势预测的数据系列的数据点的最小/最大值；

-用于训练决策树的系列数据的数据点的数目；

-趋势预测所需的一系列数据的数据点的数据系列的长度；

-用于分类的决策树中所用的外推函数的数目和类型。

在第一步骤S11中，在起始参数集中所用的参数最初是随意选择的，例如通过随机设定各参数值的方式。使用适合的优化算法在随后将被描述的过程中优化这些参数。

在接下来的步骤S12中，初始提供一个或多个系列数据点。该系列数据点可通过例如测量物理测量值例如本例中的振动来生成。如果所测量的数据信号可用于时间连续的模拟数据测量信号的形式，则通过例如采样数据测量信号，可以生成用于生成时间相关的系列数据点的各种数据点。因此，由此获得的数据测量点可用于离散形式。

在后续步骤S13中，对由此生成的时间连续的数据点与来自步骤S11中提供的参数集的最初的、随机参数值一起进行数据分析。在该数据分析中，执行一个或多个下述分析步骤：

可以初始选择确定的、时间连续的系列数据点的任意时间周期（下文中也称为数据周期）。然而，该任意的时间周期应具有已定义的长度，在此长度内提供了预定数量的数据点。从测量数据信号的这样选择的数据周期中计算出插值函数。最初，插值函数可以是任意函数。然而通常插值函数被计算为与所选择的数据周期的过程大致对应的类型。该插值函数定义了所选择的数据周期的分类，其稍后用于在决策树的生成中确定外推函数。

另外或替代地，可想到的是，在所选的数据周期的开始和结束，将移除预定数目的数据点。这样得到的数据周期随后将被进一步处理并评估，例如使用已知的机制。可想到的是，例如，除计算插值函数和与最大值和最小值的相对应的分类外，还要计算梯度等。

由此确定的系列数据点与附加的分类信息一起，也就是说与各个系列数据点相关联的插值函数，将在后续步骤S14中与参数集一起被优化。已知的优化算法，例如遗传算法，都可用于此优化。

这类遗传算法指通过重复生成各种建议解能够解决无法分析解决的问题的算法。在这些重复的建议解中，也就是说优化步骤中，他们改变各自的输入向量并彼此结合来得到选择。用于后续使用的输入数据的建议解被确定为输出数据，他们与增加的迭代及优化一起越来越符合所规定的需求。这类遗传算法属于启发式优化方法并被算作进化算法。重要的是，遗传算法被用于一类无法计算封闭解或无法有效计算封闭解的问题。除遗传算法外，文化基因算法也是可想到的一种优化算法。然而，遗传算法是最简单的进化优化方法，实施迅速并能适应新问题。

通过每次迭代，生成被称为的特征向量，其与数据周期的数据相关联地包含插值函数或者分类信息以及参数集的相应优化参数值。通常，特征向量随每次迭代和每次优化步骤而改变。对于数据周期内开始处选择的数据点，随着增加的迭代和优化S14被逐步执行，，就得到了优化的分类信息也就是说优化的插值函数和参数集的优化的参数值。

执行S14的优化算法，直到达到终结标准。在步骤S15中可提供一个例子作为终结标准：通过优化所生成的参数集的参数和确定的插值函数已经达到稳定值，例如其值不再变化。也可想到的是，计算误差低于某预定值。一般地，终结标准也是所用优化算法的函数。例如，在优化算法中以最高准确性为目标来提供终结标准。如果在优化中达成了最高准确性，则可决定优化的终结。

随后，在步骤S16中以已知的方式生成决策树。对于决策树的生成，可使用自身已知的算法例如ID3算法或C4.5算法。对于决策树的生成，使用在步骤S14所生成和优化的特征向量，因此也包含了各分类信息和开始使用的系列数据点的对应参数值。这样所生成的决策树，其叶包含外推函数。决策树的节点包含了特征向量的特性，也就是说从所要检验的数据周期的数据点中得到的信息。

在后续方法步骤S17中，可参考学习或测试数据来训练所生成的决策树。这样，所生成的决策树将会进一步改善。

随后，在步骤S18中执行趋势预测。在趋势预测中，用到了例如在步骤S17中确定的决策树，或在步骤S16中的缺少学习环节的决策树。在步骤S18中提供系列数据点也就是说数据周期作为决策树的输入向量。

在前一步骤S19中确定趋势预测所用的数据周期，并且将数据周期以适当的方式进行预处理。这样，可以测量物理测量值，例如飞行器的空调系统所生成的振动。从该测量的数据信号中，每隔一定时间确定相应的数据测量点，该数据测量点用作趋势预测的输入信号。以这种方式确定的预定数目的数据点形成了用于趋势预测的决策树的输入向量。

可以参考图1中所示的机制，类似地执行步骤S18中的趋势预测。输入向量被耦接到趋势预测的决策树中。从这一点开始，通过决策树选择最适合的外推函数，并用外推函数来计算下一个数据测量点。这样计算和预测的数据测量点随后再次被用做最后一个数据测量点来形成新的输入向量。随后，在这样改变的输入向量的基础上，以同样的方式依次确定新的数据测量点。执行该过程直到在步骤S20中终结标准确定趋势预测的终结。

在步骤S21执行对由此确定的将来数据点的评估。在评估方面，可提供确定的数据测量点的值与预定的阈值相比较的例子。例如，如果一个或多个这样确定的将来的数据测量点超出（或低于）预定的阈值，则可得出关于空调系统状况的结论。具体情况下，例如可以提供确定的将来振动值与预定的振动阈值相比较。如果由趋势预测确定的将来振动值超出振动阈值，则可做出状况在恶化的结论，这证明例如空调系统过热。由于已知在哪个将来的时间点上临界振动阈值将被超过以及由此空调系统将要发生过热作为附加信息，当达到此状况时也可由此获得信息。这样，以非常有优势的方式，可以精确调整相关的维护和维修间隔来适应趋势预测确定的需求。特别地，可很好地确定何时需要下一次维护或维修，例如在下一次飞行器离开之前，优选地甚至在几天前。

图3是根据本发明的设备的框图。根据本发明的设备，这里用附图标记10表示，是用来确定和评估飞行器的组件或系统的振动的测量盒。在本实施方式中，该系统是飞行器的空调系统11。

在示例中，根据本发明的测量盒10被安排成与空调系统11直接接触，并且尤其在这种情况下，与空调系统11的振动相关区域接触。本发明的测量盒10包括测量装置12、存储器13和计算与评估装置14。在示例中，测量装置12被配置成振动传感器。振动传感器12被配置为测量空调系统11中与振动相关区域的振动，从而由此以上述方式确定时间相关的系列数据点。最初可将时间相关的系列数据点存储到存储器中。通过计算与评估装置14来生成优化决策树，例如通过利用参考图1和图2所详细描述的方法。此外，可由计算与评估装置14并参考所生成并被优化的决策树来计算关于由测量装置12确定的时间相关的系列数据点的趋势预测。

在更进一步的实施方式中，飞行器的系统可以更进一步地为飞行器的组件，例如飞行器的电子组件或机械组件。

如果飞行器的系统被配置为飞行器的电子组件，则该组件可被配置为例如电机、其他电子驱动器、电子传感器、电子控制设备、飞行器控制的电子组件、座舱电子仪表等。

在此类实施方式中，测量盒10包括测量装置12，其被配置为例如传感器并被配置为测量各组件所消耗的电流、供电电压、温度或其他电参数值。如果电子组件被配置为电机，则传感器12也可被配置为测量电机转轴的旋转、扭矩等。

如果飞行器的系统被配置为飞行器的机械组件，则该组件可被配置为例如电机、涡轮机、机械调节构件或者飞行器的控制表面，例如方向舵、升降舵、副翼或着陆襟翼等。

在此类实施方式中，测量盒10包括测量装置12，其被配置为例如传感器并被配置为测量加速度、振动、例如平移或转动的位移、温度、压力等。

在此类实施方式中，计算与评估装置14至少具有一个接口，并通过该接口计算与评估装置14将来自测量装置12的数据记录下来。该接口可以是例如模拟的、基于电压或基于电流的接口。然而，该接口也可被配置为数字接口，例如SPI、I²C、CAN、LIN接口等。

在一种实施方式中，计算与评估装置14被配置为随机创建起始参数集。最终，计算与评估装置14被配置为利用起始参数集来生成决策树，并参考由测量装置12所探测到的系列测量值来优化所述决策树。为控制决策树的质量，计算与评估装置14在优化决策树的过程中利用来自系列测量值的测量值。这样，例如与位于系列测量值的开始阶段的一定量的测量值一起来优化决策树。为了查验决策树的质量，可在该决策树的基础上计算将来的测量值，并与系列测量值中所包含的进一步的测量值进行比较。在一种实施方式中，所计算的将来的测量值和系列测量值中的进一步的测量值之间的最大偏差被预先确定。如果实际偏差低于此预先确定的阈值，则认为决策树已被充分优化。

为了监视飞行器的组件，计算与评估装置14持续地检测来自至少一个测量装置12的测量值并从这些测量值中创建测量系列。这样，测量系列的长度可为预定的或可变的。在一种实施方式中，随后该测量系列被直接用作决策树的输入向量。在更进一步的实施方式中，计算与评估装置14可从测量系列中提取该测量系列的某些特征，例如测量系列的长度、测量序列的至少两个点之间的梯度、最小值或最大值等，并将这些所提取的特征作为决策树的输入向量。

因此，计算与评估装置14贯穿了决策树，其给出用于计算测量系列的将来值的外推函数。

计算与评估装置14利用外推函数计算测量系列的将来值。

在一种实施方式中，计算与评估装置14由此比较这些测量系列的将来值与预定阈值。在这种情况下，阈值预先确定，例如最高温度、最高电压、最大电流、最大振动等。在一种实施方式中，如果测量系列的将来值之一超出该预定阈值，则计算与评估装置14可将该信息和所估计的现实中阈值被超出的时间点输出给例如飞行器的诊断系统。

尽管本发明已经结合优选实施方式进行了充分描述，但其并未限制于此，而是能够以多种不同的方式进行修改。

本发明不必限于应用在飞行器或航空器中，尽管本发明尤其优选地适用于客机。尤其是，对于为了有效利用着陆与离开之间的短暂的固定时间来进行维护和安装工作的地方，本发明尤其有益。然而，不需要说明的是，本发明也可用于其它应用，例如轮船、汽车、铁路等。尤其是，本发明也更优选地适用于汽车工程应用。

此外，本发明不是仅在从振动测量确定的数据点中的趋势预测用到。除了温度外，正如已经提到的，其它测量参数例如温度或声振荡（声音）等也是可有利地用于趋势预测的物理量。

除了上述用于生成决策树或用于数据优化的算法外，其它算法也很自然地有利用优势。

此外，不需要说明的是，所提供的数值仅仅用于提高明晰度，然而本发明并不受限于此。

也不需要说明的是，在上述实施方式中，仅描述了优选的实施方式，然而其可以多种方式被改变或修改。例如，也可想到的是从上述参考附图2的趋势预测方法中省略各种方法步骤，例如终结条件或终结步骤、学习或训练步骤等，或者向所述方法中添加更多的方法步骤。

附图标记的列表

10：根据本发明的设备，测量盒；

11：要被检验的组件或系统，空调系统；

12：测量装置，振动传感器；

13：存储器

14：计算与评估装置

S1，S2：方法步骤

S10-S21：方法步骤

Claims (15)

1.一种用于预测组件或系统（11）的状况的计算机实现的方法，特别用于飞行器或航空器，通过对由测量在组件或系统（11）处确定的时间相关的系列数据点的过程进行趋势预测来实现，包括如下步骤：

提供优化的决策树（S1），所述决策树的输入节点用于输入输入向量，所述决策树的节点包含各个输入向量的属性，并且所述决策树的每个叶都包含用于趋势预测的外推函数；

通过输入向量和决策树迭代计算（S2）将来的数据点，其中输入向量源自时间相关的系列数据点，并且所述决策树以自动方式从输入向量计算所述时间相关的系列数据点的最后一个数据点的后续数据点，所计算出的后续数据点被添加到所述时间相关的系列数据点中，以用于形成下一个迭代步骤的新的输入向量。

2.根据权利要求1所述的方法，其特征在于，

在所述迭代计算（S2）之前初始地提供至少一个输入向量，所述至少一个输入向量源自预定长度的时间相关的系列数据点，所述数据点代表所述组件或系统的测量的物理值。

3.根据前述权利要求中任一项所述的方法，其特征在于：

在迭代计算（S2）过程中，每次新计算出的数据点被添加到所述时间相关的系列数据点中时，移除最早的数据点。

4.根据前述权利要求中任一项所述的方法，其特征在于，

在预定数目的迭代步骤之后和/或在计算后续数据点的过程中确定的误差超出预定阈值时，新数据点的迭代计算（S2）过程终止。

5.根据前述权利要求中任一项所述的方法，其特征在于，

在迭代计算（S2）后续数据点的过程中，所述决策树的该类型的外推函数被用于新计算出的数据点，该新计算出的数据点具有与使用的输入向量相关的最高值。

6.根据前述权利要求中任一项所述的方法，其特征在于，

迭代计算（S2）后，执行对确定的后续数据点的评估，尤其是通过将所述确定的后续数据点与临界阈值进行比较。

7.根据前述权利要求中任一项所述的方法，其特征在于，

测量所述组件或系统的温度和/或所述组件或系统所产生的振荡作为物理参数，所述系统尤其指飞行器或航空器内的空调系统。

8.根据前述权利要求中任一项所述的方法，其特征在于，

对于所述提供优化的决策树（S1），初始计算特征向量，所述特征向量是通过训练数据和参数集而确定的。

9.根据权利要求8所述的方法，其特征在于，

所述参数集优选地包含用于创建决策树所需类型的参数，并且尤其包含以下参数中至少一个：

-用于趋势预测的系列数据的数据点的数目；

-用于趋势预测的系列数据的梯度计算；

-用于趋势预测的系列数据的数据点的最小值和最大值的计算；以及

-系列数据的可用的外推函数。

10.根据权利要求8或9所述的方法，其特征在于，

测量所述组件或系统的物理值来提供所述训练数据，并且通过采样从这样确定的数据信号生成预定数目的数据点，这些数据点形成所述时间相关的系列数据点。

11.根据权利要求8到10中任一项所述的方法，其特征在于，

在开始时确定用于参数集的随机值，并且其中使用所述训练数据和所述参数集，迭代计算增加优化的特征向量和决策树，直到优化的决策树的误差低于预定的阈值为止。

12.根据前述权利要求中任一项所述的方法，其特征在于，

利用ID3算法或C4.5算法计算所述决策树，在优化所述参数集以确定所述决策树的情况下优化的特征向量被提供作为输入向量。

13.根据前述权利要求中任一项所述的方法，其特征在于，

除了各自计算的将来的数据点外，在将来的数据点的迭代计算（S2）过程中，也会计算误差值，以示出计算的数据点偏离最优值多远。

14.一种用于预测组件或系统（11）的状况的设备，特别用于飞行器或航空器，尤其是利用了根据前述权利要求中任一项所述的方法，包括：

测量装置（12），配置为测量所述组件或系统的物理测量值来生成时间相关的系列数据点；

存储器（13），其中存储至少一个时间相关的系列数据点；和

计算和评估装置（14），配置为根据所述至少一个时间相关的系列数据点来生成优化的决策树并根据由此生成的决策树来执行趋势预测。

15.一种计算机程序产品，其中存储有被配置为执行根据权利要求1到13中任一项所述的方法的计算机程序。

Images