CN104346430B - 用于飞行器设备的维护辅助的方法和存储介质 - Google Patents
用于飞行器设备的维护辅助的方法和存储介质 Download PDFInfo
- Publication number
- CN104346430B CN104346430B CN201410374107.2A CN201410374107A CN104346430B CN 104346430 B CN104346430 B CN 104346430B CN 201410374107 A CN201410374107 A CN 201410374107A CN 104346430 B CN104346430 B CN 104346430B
- Authority
- CN
- China
- Prior art keywords
- alarm information
- flight
- digraph
- aircraft
- message
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45071—Aircraft, airplane, ship cleaning manipulator, paint stripping
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
根据第一方面,本发明涉及一种用于飞行器设备的维护操作的决策辅助方法,该飞行器包括维护系统,该维护系统被布置成记录在飞行期间所发射的设备故障消息(FM1,FM2)和设备故障告警消息(FC),该方法包括:提取与在飞行期间和一组先前飞行期间由维护系统记录的故障消息相对应的故障消息的至少一个组合(FM1+FM2);根据所提取的至少一个组合来确定可能伴随有一个或更多个故障消息的至少一个告警消息(FC)的发生概率。
Description
技术领域
本发明的领域涉及飞行器设备的维护决策辅助的操作风险的评估。
背景技术
飞行器维护主要包括通过通常为周期性的计划检查以及通过例如更换具有有限寿命的设备的预防措施、旨在更换或修理飞行器的故障设备或目前正在降级的设备的防治措施。防治措施特别地依赖于飞机状态的知识,其特别地通过机组人员报告、机载诊断系统和在计划检查期间所做的检查来获得。
通常,维护行为分为“线路维护”和“机库维护”。在预编程的检查期间执行机库维护。这样的维护操作通常在操作飞行器的航空公司的主要操作基地进行。在两次飞行之间在飞行器所在的地方执行线路维护。线路维护的主要目的是紧急的防治措施,而机库维护使得计划任务以及推迟的防治措施被执行。
然而,这些维护策略并不总是最优的。特别地,通过使这些防治措施推迟至相继的检查,线路维护增加了进一步降级导致航班起飞延误或取消或其他干扰的风险。
发明内容
本发明的一个目的是,通过为负责维护的操作者提供一种决策辅助工具,从而为他们提供对飞行器的良好工作状态至关重要的故障预诊,以使上述风险最小化。
因此,本发明的一个目的是提供一种用于飞行器设备的维护操作的决策辅助方法,该飞行器包括维护系统,该维护系统被布置成执行对于在飞行期间所发射的设备故障消息和设备故障告警消息的记录,该方法包括:
-提取与在飞行期间和一组先前飞行期间由上述维护系统记录的故障消息相对应的故障消息的至少一个组合;
-根据所提取的至少一个组合来确定可能伴随有一个或更多个故障消息的至少一个告警消息的发生概率。
该方法的一些优选的但非限制性的方面如下。
在第一实施方式中,上述告警消息表示为有向图中的节点,该有向图包括一组弧,每条弧均设置有从一个告警消息到另一告警消息的转变概率,该有向图中的每个告警消息对应于给定的故障消息序列,以及
-所提取的至少一个组合对应于由在上述飞行期间和述一组先前飞行期间所记录的故障消息形成的序列,
-所提取的序列表示为告警消息的混合,
-所述确定发生概率包括:计算借助于由所提取序列的所述表示初始化的该有向图上的随机游走而实现的有向图的中的每个告警消息的发生概率。
在第二实施方式中,提取故障消息的至少一个组合包括:从在飞行期间和上述一组先前飞行期间由维护系统记录的故障消息中识别被辨认为可能会生成给定告警消息的故障消息的至少一个组合,以及所述确定发生概率包括:根据所识别的组合来确定针对所述给定告警消息的预测的成功率。
该第二实施方式可以操作在先学习步骤,其包括辨认可能会生成告警消息的故障消息的至少一个组合以及计算所辨认的生成所述告警消息的组合的准确度的操作,根据所识别的组合的告警消息预测的成功率最初对应于所述准确度。
根据第二方面,本发明涉及一种包括代码指令的计算机程序产品,当所述程序在计算机上运行时,所述代码指令运行根据第一实施方式或第二实施方式的方法的步骤。
附图说明
参考附图1,基于阅读以下作为非限制性示例给出的对本发明的优选实施方式的详细描述,本发明的其他方面、目的、优点和特征将会更加明显,图1示意性地示出了根据本发明的第二实施方式的用于预测告警消息的故障消息组合的辨认。
具体实施方式
维护辅助的目的是为维护操作者提供故障诊断的有用信息。该辅助如下进行。
每个飞行器系统包括用于检测并隔离故障设备的称作BITE(“内置式测试设备”)的工具。
此外,飞行器的关键系统由向机组说明这些系统的故障的飞行告警系统(FWS)来监测。
通过集中式维护系统(CMS)来记录并处理由BITE工具发射的数据(设备故障消息)和由FWS系统发射的数据(设备故障告警消息)。
通过打印机和MCDU(多功能控制和显示单元)将由CMS系统执行的诊断结果传送至维护操作者。还可以经由ACARS(飞行器通信和报告系统)或者经由ATSU(空中交通服务单位)将该结果传输至地面站。将该结果进一步记录在飞行器的机载数据库中。
设备故障消息是更确切地由飞行器的系统向CMS维护系统发射的、用以通知该系统在实现其功能中发生故障或者该系统识别出另一个系统在实现其功能中发生故障的消息。
对此,设备故障告警系统是针对机组的FWS系统所发射的、用以指示检测到对飞行器的操作会有影响或者直接有影响的事件的消息。这样的告警消息可以在一个或更多个故障消息之后被触发或者根据其独特条件被触发。
在称作MEL(“最低设备清单”)的文件中指示了告警消息的影响等级,该MEL列出了必须可用的关键元素以确保飞行器操作安全。该影响等级可以为如下:
-GO:告警消息对飞行器操作没有影响,但是相应故障必须在给定的时间段内被校正;
-GO IF:告警消息对飞行器操作有影响,并且如果特定条件被满足则可能导致飞行器着陆;
-NO GO:告警消息对飞行器操作有影响,并且导致飞行器着陆。
飞行后报告(PFR,post flight report)是包含在飞行期间所发射的并由维护系统记录的所有故障消息和所有告警消息的列表。该PFR报告在飞行结束时被生成并发送。当前飞行报告(CFR,current flight report) 是在飞行期间形成的,并且包含从飞行开始到生成该报告时所发射的且由维护系统记录的所有故障消息和所有告警消息。
在此范围内,本发明的目的在于提供一种维护决策辅助工具,该维护决策辅助工具依赖于对在先前飞行期间所记录的故障消息的分析以预测在后续飞行期间的告警消息的发射。应当指出,如果下文的描述具体地涉及告警消息的预测,则本发明并不限于此而是还延伸到故障的预测,所述故障的特征在于与其相关的告警消息和一个或更多个故障消息的发生。
根据第一方面,本发明因此涉及一种用于飞行器设备的维护操作的决策辅助方法,所述飞行器包括维护系统,所述维护系统被布置成记录在飞行期间所发射的设备故障消息和设备故障告警消息,所述方法包括:
-由计算机处理装置提取与在飞行期间和一组先前飞行期间由维护系统记录的故障消息相对应的故障消息的至少一个组合;
-由计算机处理装置根据所提取的至少一个组合来确定可能伴随有一个或更多个故障消息的至少一个告警消息的发生概率。
所述发生概率或其一部分,例如最重要的部分,可以借助于人机接口呈现给负责维护的操作者;它们例如被显示在屏幕上。
在一个可能的实施方式中,提取步骤和确定步骤是在飞行结束时执行的,并且对此而操作在该飞行结束时和一组先前飞行结束时所记录的PFR 报告的内容。在另一个实施方式中,这些步骤是在飞行期间执行的,并且对此而操作该飞行的CFR报告的内容和在一组先前飞行结束时所记录的 PFR报告的内容。
提取步骤可以紧接在过滤在飞行期间和一组先前飞行期间由维护系统记录的故障消息的步骤之后。这个过滤更具体地由计算机处理装置来执行,以考虑到从记录开始的故障消息的第一发生并且忽略当连续生成故障消息时的随后发生。
特别地,可以计算故障消息的发生率,并且可以将该发生率与由相同飞行器或者由具有设备相同设备配置的一组飞行器生成的不同故障消息的发生率的平均值和标准偏差进行比较。从而,当大多数飞行器生成该消息(高平均发生率)或者甚至当标准偏差低于平均值时,故障消息可以被看作是再次发生的。并且,当飞行器的故障消息发生率高于平均值和标准偏差(对于仅考虑生成该故障消息的飞行器分布而言)时,该飞行器可以被看作是连续生成该故障消息。
第一实施方式:有向图
在本发明的第一实施方式中,告警消息被表示为有向图中的节点,该有向图包括一组弧,每条弧均设置有从一个告警消息到另一告警消息的转变概率,该有向图中的每个告警消息对应于给定的故障消息序列。该图通常被存储在数据库中。
基于该有向图,并且考虑过去发射的一组故障消息,本发明通过将该预测消息关联于分类来提供对未来的最可能的告警消息的预测。通过考虑告警消息与Web页面之间的类比,该方法依赖于与针对由因特网搜索引擎建议的网页分类系统所使用的相同的法则,例如算法PageRankTM。
因此,通过给定的故障消息序列(相当于关键词)对每个告警消息编索引,并且在有向图中连接告警消息的方式在于考虑基于它们在数据历史记录中的发生的前任-继承者关系。因此,每个有向图的弧(将告警消息 Mj连接至告警消息Mk的弧)的转变概率pkj从而可以写为:
其中,ajk表示在历史记录中登记的前任j-继承者k关系的数目。
从先前飞行的PFR报告提取的故障消息序列因而可以被看作是等同于搜索查询。根据该查询,本发明使得所有告警消息能够被分类并且使得在接下来的飞行期间具有最大发生概率的那些告警消息能够被建议。
有向图可以通过利用制造商的文档,例如故障排除手册(TSM)或最小设备清单(MEL)以将对应于每个故障消息的权重与告警消息相关联来形成。作为说明性示例,对这些文档的使用使得告警消息W1能够将故障消息M1和M5匹配为
有向图还可以通过对在历史记录中登记的一组故障消息和告警消息进行统计分析而形成。例如,有向图的告警消息对应于从前一告警消息的发生起直到所述报警消息的发生之前所记录的给定的告警消息序列。
作为说明性示例,考虑以下连续飞行后报告PFR。
在该示例中,考虑在告警消息Wi之前、直到在告警消息Wj之前的每个故障消息以描述告警消息Wi。每个故障消息的权重可以例如根据 TF-IDF(词频-倒排文档频率,TermFrequency-Inverse Document Frequency)加权方法来计算。该历史记录的使用从而使得告警消息W2能够将故障消息M1、M3和M4匹配为
在该第一实施方式的范围内,提取与在飞行期间和一组先前飞行期间由维护系统记录的故障消息相对应的故障消息的至少一个组合更确切地在于:提取由在飞行期间和一组先前飞行期间所记录的、直到最后记录的告警消息为止的一组故障消息所形成的序列。作为示例,所提取的序列包括可能在飞行的PFR报告和K次先前飞行的PFR报告中记录的如之前阐述的过滤之后的所有故障消息(通过返回到被排除在序列之外的所记录的最后告警消息Wj-1来从故障消息Mi起构建序列,其中序列可以包括K 次飞行的消息,K不一定为常数,K使得序列的大小被限制)。该序列称为S,其因此可以表示为加权故障消息:S=(fiMi)i,其中Mi表示故障消息。仅出于说明的目的,存在例如S=M1+M5。
先前已表明,有向图的每个告警消息Wj对应于给定的故障消息序列。有向图的每个告警消息因此可以被确定为加权故障消息的矢量: Wj=(pjiMi)i。
一般地,有向图的告警消息因此可以表示为矩阵
其中,P是由转变概率pij构成的转变矩阵,而M是代表不同故障消息 Mi的矩阵。
以相同的方式,所提取的故障消息的序列S可以表示为告警消息的混合:S=P-1.W,其中P-1表示转变矩阵的逆矩阵。
仅作为说明性示例,考虑两个告警消息W1、W2和五个故障消息 M1-M5,使得和所提取的序列S= M1+M5因而可以以如下
的告警消息混合形式来表示
仍然在第一实施方式的范围内,确定发生概率包括:由计算机处理装置计算借助于由所提取序列的所述表示初始化的有向图上的随机游走而实现的有向图中每个告警消息的发生概率。为此,计算Vn+1=PTVn直到收敛,其中V0对应于表示为告警消息的混合的所提取序列S,以及转变矩阵P是由从有向图中的一个节点到另一节点的转变概率构成的。
在一个可选方案中,在有向图上的随机游走是传送(瞬间移动)游走,其由遵循设置有转变概率的有向图中的弧的概率α和均匀随机跳跃到有向图中的节点的概率(1-α)表征。该传送(瞬间移动)用于避免对如下故障消息给予过高的发生概率:所述故障消息实际上是较少地或不会转变到有向图中的其他节点的节点。对于此,计算Vn+1=αPTVn+(1-α)Vn直到收敛,其中V0对应于表示为告警消息混合的所提取序列S,以及转变矩阵P是由从有向图中的一个节点到另一节点的转变概率构成的。
根据第一实施方式的方法还可以包括如下步骤:通过考虑借助于有向图的每个告
警消息的随机游走而确定的发生概率Pred(A/C)与飞行器操作配置文件Prof(A/C)之间的
相似度,对有向图的告警消息进行分类,该飞行器操作配置文件表征其在一些操作条件(任
务种类:短程、中程或远程;气候条件,飞行器特性等)下生成一些告警消息的灵敏度,所述
配置文件包括每个都与告警消息相关联的一组权重。例如利用余弦相似性方法将该相似度
计算为
一些告警消息实际上可能与飞行器设备的具体配置不直接相关。例如,一些消息可能归因于飞行器的老化,航空公司对飞行器进行维护的方式等。飞行器操作配置文件的特性因而允许考虑到这些消息相对再发生这一事实。因此,通过计算告警消息的发生概率与针对飞行器的告警消息再发生的相对权重之间的相似度,本发明建议的告警消息分类实现了告警消息的改进的预测(告警消息,其发生概率是根据过去记录的故障消息来计算的,以使其预测更证实了其对于飞行器的再发生实际上较高)。
飞行器操作配置文件因此可以包括飞行器配置文件。作为示例,飞行器配置文件可以包括表示飞行器生成告警消息的倾向的风险矢量RW (A/C)。可以通过对在飞行器的PFR报告中所记录的所有不同告警消息进行计数来计算该风险矢量。在归一化之后,将权重ri与每个告警消息 Wi相关联的风险矢量被计算:Rw(A/c)={Wi,ri}i。
飞行器配置文件还可以包括关于相同类型的飞行器的相似性矢量 SIMA/C。可以通过对相同PFR报告的数目进行计数(例如经由对应于若干不同消息的PFR报告之间的距离)来计算该矢量。在归一化之后, SIMA/C={A/Ci,simi}i,其中A/Ci代表同一类型的飞行器以及simi代表与相似度相关联的权重。应当指出,该矢量不直接用作配置文件的其他信息,但是使得类似飞行器的配置文件信息被选择以改进预测的分类,特别是在历史记录或飞行器信息不足以实现对预测的良好分类情况下:然后,根据其权重而考虑由“类似”飞行器生成的结果。
例如通过集中航空公司的飞行器数据以计算关于相同航空公司的飞行器的相似性矢量并且通过以与以上描述的相似性矢量SIMA/C相同的方式来操作该飞行器数据,飞行器配置文件还可以包括该航空公司操作飞行器所特有的配置文件。并且,例如通过集中在相同气候条件下具有相同类型任务的飞行器数据以计算关于这些飞行器的相似性矢量并且通过以与以上描述的相似性矢量SIMA/C相同的方式来操作该飞行器数据,飞行器配置文件还可以包括环境飞行器操作条件所特有的配置文件。
第二实施方式:已知组合的辨认
在本发明的第二实施方式中,由计算机处理装置提取故障消息的至少一个组合包括:从在飞行期间和一组先前飞行期间由维护系统所记录的故障消息在识别被辨认为可能会生成给定告警消息的故障消息的至少一个组合;并且所述由计算机处理装置确定发生概率包括:根据所识别的组合来确定所述给定告警消息的预测的成功率。
该第二实施方式可以特别地依赖于在先学习步骤,其包括辨认可能会生成告警消息的故障消息的至少一个组合以及计算所辨认的生成所述告警消息的组合的准确度的操作。所辨认的故障消息组合及其准确度通常被记录在数据库中。
考虑消息历史记录,并且对于给定故障B(由可能伴随有一个或更多个故障消息的给定告警消息表征)而言,考虑相同飞行器的连续飞行的序列,其中除了序列中的L次最新飞行之外,所述序列不应当包括任何故障B的发生。该序列可以根据所考虑的飞行数目在不同的时间范围被考虑;它们包括至少R+L次飞行和至多K+L次飞行。
在序列中,并且不考虑L次最新飞行的情况下,提取至少发生一次的故障消息的所有可能组合,并且以如下方式计算/更新每个组合的评分。
如果在该序列的L次最新飞行期间记录了给定告警消息,则HIT计数器递增,所述HIT计数器对在以告警消息记录结束的序列中识别出组合的次数进行计数。
如果与在序列的L次最新飞行期间相反,给定告警消息未被记录,则MISS计数器递增,所述MISS计数器对在不以告警消息记录结束的序列中识别出组合的次数进行计数。
生成故障B的组合的准确性因而可以表示为HIT/(HIT+MISS)。还可以计算与故障B的发生的比例相对应的覆盖率,该比例可以通过辨认组合而被成功预测。
仅作为说明性示例,以图1的示意图为例,考虑包括(在由K次连续飞行构成的范围内观测到的)故障消息FM1和FM2的组合可能会导致告警消息FC。以下是按时间顺序观测。(a)辨认组合FM1+FM2,但是在L次后续飞行之间没有观测到告警消息FC。(b)然后,辨认组合FM1+FM2,并且在L次后续飞行之间观测到告警消息FC。(c)然后,观察到告警消息FC,而没有对组合的可能辨认。(d)然后,接着是对组合FM1+FM2的辨认和在L次后续飞行期间的告警消息FC的发生。(e) 最后,观测到告警消息FC,而没有对组合的可能辨认。根据以上所述,可以推断已经通过对组合的辨认而预测出四个告警消息中的两个告警消息。覆盖率因此等于50%。另外,在根据对组合的辨认所推断的三个预测中,实际上已经记录了两个告警消息。从中推断出等于66%的组合准确度。
在学习步骤的可能实施方式中,为了确保统计学上的充分代表性,需要以告警消息的记录结束的飞行序列的最小数目。
在学习步骤的可能实施方式中,可以根据其准确性和其覆盖率来过滤所辨认的组合。因此,可以仅保留具有足够高的准确度和/或覆盖率的组合。
可以以下面的方式来实施该第二实施方式的提取步骤和确定步骤。
在飞行期间或者在飞行结束时,对于未出现在CFR或PFR报告中的每个建模的告警消息(这意味着该告警消息已经在学习步骤期间被识别,并且已知故障消息的一个或更多个组合可能导致该告警消息),将创建一系列消息,其包括在飞行的CFR或PFR报告中和在一组先前飞行(K-1 次先前飞行,或者如果建模告警消息已经出现在K-1次先前飞行中则少于K-1次先前飞行)的PFR消息中记录的消息。
然后,在该消息序列中,被辨认为可能会生成该给定告警消息的故障消息的一个或更多个组合被识别,所述组合及其准确度被记录在数据库中。然后,对于所识别的每个所辨认组合,利用相关联的成功率来预测所述告警消息的发生。成功率最初对应于在学习阶段所计算的准确度HIT/ (HIT+MISS)。该成功率可以随着所预测的告警消息的每次发生或者没有发生而被更新,如下文所指出的。
关于一组L次后续飞行,更准确地预测告警消息的发生。因此,限定了在飞行期间预测是激活的飞行数目。
如果其预测是激活的告警消息在飞行的CFR或PFR报告中被识别,则通过使计数器HIT递增来记录预测成功,从而更新成功率。
如果其预测是激活的告警消息在飞行的CFR或PFR报告中未被识别,则在飞行期间预测仍然有效的飞行的数目减少。如果预测然后不再是激活的,则通过使计数器MISS递增来记录预测中的故障,从而更新成功率。
在一个可能的实施方式中,当从预测起已经执行维护操作时记录告警消息的发生,所述操作导致预测的告警消息没有发生。这使得预测的成功率不降级。
在一个可能的实施方式中,在飞行期间和一组先前飞行期间由维护系统所记录的故障消息之中,已知可能会生成给定告警消息的故障消息的组合的一部分被识别。然后,通过根据所识别的组合向给定告警消息的预测的成功率分配权重,来预测与该已知组合相关联的告警消息的发生。所述权重取决于例如所识别部分的大小。
在一个实施方式中,为了抵消一些故障的低发生率,可以收集类似的故障(例如,由不同的冗余系统通知的相同故障),并且可以作为原始故障来处理这些收集的故障。该采集还可以在故障消息作为故障前兆时被执行。
本发明并不限于如前面描述的方法,而是也适用于包括代码指令的计算机程序产品,当所述程序在计算机上运行时,所述代码指令用于运行其第一实施方式和其第二实施方式中的所述方法中的各步骤。
Claims (5)
1.一种用于飞行器设备的维护操作的决策辅助方法,所述飞行器包括维护系统,所述维护系统被布置成记录在飞行期间发射的设备故障消息和设备故障告警消息,所述方法包括:
-由计算机处理装置提取与在飞行期间和一组先前飞行期间由所述维护系统记录的故障消息相对应的故障消息的至少一个组合;
-由所述计算机处理装置根据所提取的至少一个组合来确定至少一个告警消息的发生概率,其中:
-告警消息表示为有向图中的节点,所述有向图包括一组弧,每个弧均设置有从一个告警消息到另一告警消息的转变概率,所述有向图中的每个告警消息对应于给定的故障消息序列,
-所提取的至少一个组合对应于由在所述飞行期间和所述一组先前飞行期间所记录的故障消息形成的序列,
-所提取的序列表示为所述告警消息中的一些或全部的混合,
-确定所述发生概率包括:计算借助于通过所提取的序列的表示而被初始化的所述有向图上的随机游走所实现的该有向图上的每个告警消息的发生概率。
2.根据权利要求1所述的方法,其中,在所述有向图上的随机游走是传送游走,所述传送游走由遵循设置有转变概率的所述有向图中的弧的概率α和均匀随机跳跃至所述有向图中的节点的概率1-α来表征。
3.根据权利要求1或2所述的方法,其中,所述有向图的告警消息对应于从先前告警消息的发生起直到所述告警消息的发生之前所记录的给定的故障消息序列。
4.根据权利要求1所述的方法,包括如下步骤:通过考虑与所述告警消息有关的飞行器操作配置文件,对所述有向图的告警消息进行分类。
5.一种存储介质,所述存储介质存储有包括代码指令的计算机程序产品,当所述计算机程序产品在计算机上运行时,所述代码指令执行根据权利要求1至4中任一项所述的方法的各步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1357572 | 2013-07-31 | ||
FR1357572A FR3009396B1 (fr) | 2013-07-31 | 2013-07-31 | Procede et programme d'ordinateur d'aide a la maintenance d'equipements d'un aeronef |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104346430A CN104346430A (zh) | 2015-02-11 |
CN104346430B true CN104346430B (zh) | 2019-04-26 |
Family
ID=49780034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410374107.2A Active CN104346430B (zh) | 2013-07-31 | 2014-07-31 | 用于飞行器设备的维护辅助的方法和存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US9767413B2 (zh) |
CN (1) | CN104346430B (zh) |
FR (1) | FR3009396B1 (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3011105B1 (fr) | 2013-09-20 | 2017-01-27 | Airbus Operations Sas | Procede d'identification d'un equipement defaillant dans un aeronef. |
EP3059722A1 (en) * | 2015-02-20 | 2016-08-24 | Airbus Group India Private Limited | Management of aircraft in-cabin activities occuring during turnaround using video analytics |
US10395550B2 (en) | 2016-02-17 | 2019-08-27 | Cae Inc | Portable computing device and method for transmitting instructor operating station (IOS) filtered information |
CA2920981C (en) | 2016-02-17 | 2018-05-01 | Cae Inc | A simulation server capable of creating events of a lesson plan based on simulation data statistics |
US10372872B2 (en) * | 2016-04-22 | 2019-08-06 | The Boeing Company | Providing early warning and assessment of vehicle design problems with potential operational impact |
GB2552302B (en) * | 2016-07-11 | 2020-06-24 | Ge Aviat Systems Ltd | Prognostic rules for predicting a part failure |
FR3068493A1 (fr) * | 2017-06-28 | 2019-01-04 | Airbus Operations | Prediction de pannes dans un aeronef |
FR3069086A1 (fr) * | 2017-07-13 | 2019-01-18 | Airbus | Procede d'evaluation d'un taux de variation d'une panne |
US10650614B2 (en) * | 2017-09-29 | 2020-05-12 | The Boeing Company | Aircraft maintenance event prediction using higher-level and lower-level system information |
US10787278B2 (en) * | 2017-09-29 | 2020-09-29 | The Boeing Company | Aircraft maintenance message prediction |
CN110723303B (zh) * | 2019-11-01 | 2021-07-09 | 中国商用飞机有限责任公司北京民用飞机技术研究中心 | 辅助决策的方法、装置、设备、存储介质及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8112368B2 (en) * | 2008-03-10 | 2012-02-07 | The Boeing Company | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion |
CN102707178A (zh) * | 2012-06-15 | 2012-10-03 | 中国电力科学研究院 | 一种电力系统二次设备故障预警监视方法 |
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5161158A (en) | 1989-10-16 | 1992-11-03 | The Boeing Company | Failure analysis system |
US5522026A (en) | 1994-03-18 | 1996-05-28 | The Boeing Company | System for creating a single electronic checklist in response to multiple faults |
US6003808A (en) | 1997-07-11 | 1999-12-21 | Pratt & Whitney Canada Inc. | Maintenance and warranty control system for aircraft |
US6636771B1 (en) | 1999-04-02 | 2003-10-21 | General Electric Company | Method and system for analyzing continuous parameter data for diagnostics and repairs |
US6122575A (en) | 1999-06-30 | 2000-09-19 | Hamilton Sundstrand Corporation | APU troubleshooting system |
US6292723B1 (en) | 1999-09-30 | 2001-09-18 | General Electric Company | Embedded engine diagnostic system |
US6567729B2 (en) * | 2001-03-28 | 2003-05-20 | Pt Holdings Ltd. | System and method of analyzing aircraft removal data for preventative maintenance |
US7149612B2 (en) | 2004-01-05 | 2006-12-12 | Arinc Incorporated | System and method for monitoring and reporting aircraft quick access recorder data |
US7333922B2 (en) | 2005-03-30 | 2008-02-19 | Caterpillar Inc. | System and method of monitoring machine performance |
US7788002B2 (en) | 2005-08-08 | 2010-08-31 | The Boeing Company | Fault data management |
US8255112B2 (en) | 2005-10-28 | 2012-08-28 | The Boeing Company | Remote aircraft maintenance in a networked environment |
US8990101B2 (en) * | 2006-11-06 | 2015-03-24 | The Boeing Company | Customizable situational awareness dashboard and alerts, and associated systems and methods |
FR2914764B1 (fr) | 2007-04-06 | 2014-10-10 | Airbus France | Procede et dispositif de determination d'un diagnostic de panne d'une unite fonctionnelle dans un systeme avionique embarque |
DE102008040461A1 (de) | 2008-07-16 | 2010-01-21 | Robert Bosch Gmbh | Verfahren zum Bestimmen fehlerhafter Komponenten in einem System |
US20100023201A1 (en) | 2008-07-24 | 2010-01-28 | David Scott Kinney | Method and apparatus for obtaining vehicle data |
FR2938676B1 (fr) | 2008-11-18 | 2011-01-21 | Eads Europ Aeronautic Defence | Procede de reconnaissance de motifs sequentiels pour procede de traitement des messages de pannes |
US8069167B2 (en) * | 2009-03-27 | 2011-11-29 | Microsoft Corp. | Calculating web page importance |
FR2946023B1 (fr) * | 2009-06-02 | 2014-11-28 | Airbus France | Procede et dispositif de traitement de pannes |
JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
US8612377B2 (en) | 2009-12-17 | 2013-12-17 | Oracle International Corporation | Techniques for generating diagnostic results |
WO2012009804A1 (en) * | 2010-07-23 | 2012-01-26 | Corporation De L'ecole Polytechnique | Tool and method for fault detection of devices by condition based maintenance |
FR2966616B1 (fr) * | 2010-10-22 | 2012-12-14 | Airbus | Procede, dispositif et programme d'ordinateur d'aide au diagnostic d'un systeme d'un aeronef, utilisant des graphes d'evenements redoutes |
FR2970796B1 (fr) * | 2011-01-20 | 2016-11-11 | European Aeronautic Defence & Space Co Eads France | Procede de traitement de messages de pannes generes dans un appareil a systemes complexes |
FR3011105B1 (fr) | 2013-09-20 | 2017-01-27 | Airbus Operations Sas | Procede d'identification d'un equipement defaillant dans un aeronef. |
-
2013
- 2013-07-31 FR FR1357572A patent/FR3009396B1/fr active Active
-
2014
- 2014-07-25 US US14/341,272 patent/US9767413B2/en active Active
- 2014-07-31 CN CN201410374107.2A patent/CN104346430B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8112368B2 (en) * | 2008-03-10 | 2012-02-07 | The Boeing Company | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion |
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
CN102707178A (zh) * | 2012-06-15 | 2012-10-03 | 中国电力科学研究院 | 一种电力系统二次设备故障预警监视方法 |
Also Published As
Publication number | Publication date |
---|---|
US20150039551A1 (en) | 2015-02-05 |
FR3009396B1 (fr) | 2017-03-17 |
FR3009396A1 (fr) | 2015-02-06 |
US9767413B2 (en) | 2017-09-19 |
CN104346430A (zh) | 2015-02-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104346430B (zh) | 用于飞行器设备的维护辅助的方法和存储介质 | |
US10643187B2 (en) | Reporting and prioritizing faults for aircraft downtime reduction | |
Barr et al. | Preliminary risk assessment for small unmanned aircraft systems | |
Denney et al. | Dynamic safety cases for through-life safety assurance | |
US9399526B2 (en) | Method, devices and program for computer-aided preventive diagnostics of an aircraft system, using critical event charts | |
US9266626B2 (en) | Method, devices and program for computer-aided analysis of the failure tolerance of an aircraft system, using critical event charts | |
US20130218823A1 (en) | Method and system for analysing flight data recorded during a flight of an aircraft | |
CN102460516B (zh) | 故障处理方法和装置 | |
CN106156913B (zh) | 用于飞机部附件的健康管理方法 | |
KR20180067402A (ko) | 비행기 고장 처리를 위한 시스템과 방법 및 이를 달성하기 위한 컴퓨터 설비 | |
US8219276B2 (en) | Method and device for aiding the maintenance of a system | |
Hernandez et al. | An explainable artificial intelligence (xAI) framework for improving trust in automated ATM tools | |
EP3462266B1 (en) | Aircraft maintenance message prediction | |
KR101708338B1 (ko) | 열차 운행 감시 시스템 | |
Mehta et al. | Airplane crash severity prediction using machine learning | |
US11742934B2 (en) | Method for predictive maintenance of satellites | |
Steinweg et al. | Integrated aircraft risk analysis framework for health monitoring systems–a case study for structural health monitoring | |
Kauschke et al. | Predicting cargo train failures: a machine learning approach for a lightweight prototype | |
Bharadwaj et al. | Vehicle integrated prognostic reasoner (vipr) final report | |
Zhang et al. | A hybrid data-driven approach to analyze aviation incident reports | |
Griffin et al. | A complex network approach to aviation accident analysis | |
Hidayat et al. | Exploring the interrelationships of variables in Australian road tunnel incidents using Bayesian networks | |
Payan et al. | Review of proactive safety metrics for rotorcraft operations and improvements using model-based parameter synthesis and data fusion | |
Sundareswara et al. | Interpretable unsupervised feature extraction and learning of abnormal system state transitions in aircraft sensor data | |
Liang et al. | Analysis of accident precursor data for Mid Air Collision occurrences using expert-build Bayesian Network model and Information Theory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |