CN106485393A - 平台管理系统、装置以及方法 - Google Patents
平台管理系统、装置以及方法 Download PDFInfo
- Publication number
- CN106485393A CN106485393A CN201610728121.7A CN201610728121A CN106485393A CN 106485393 A CN106485393 A CN 106485393A CN 201610728121 A CN201610728121 A CN 201610728121A CN 106485393 A CN106485393 A CN 106485393A
- Authority
- CN
- China
- Prior art keywords
- data
- scheduling
- risk
- extension
- platform
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000012423 maintenance Methods 0.000 claims abstract description 111
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000013139 quantization Methods 0.000 claims description 41
- 230000007257 malfunction Effects 0.000 claims description 4
- 230000003111 delayed effect Effects 0.000 abstract description 31
- 238000007726 management method Methods 0.000 description 46
- 238000003860 storage Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 13
- 230000000295 complement effect Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 9
- 230000009471 action Effects 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 8
- 238000004220 aggregation Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012502 risk assessment Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000006378 damage Effects 0.000 description 4
- 230000001934 delay Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003750 conditioning effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- KZENBFUSKMWCJF-UHFFFAOYSA-N [5-[5-[5-(hydroxymethyl)-2-thiophenyl]-2-furanyl]-2-thiophenyl]methanol Chemical compound S1C(CO)=CC=C1C1=CC=C(C=2SC(CO)=CC=2)O1 KZENBFUSKMWCJF-UHFFFAOYSA-N 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000001093 holography Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001568 sexual effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
- G06F13/14—Handling requests for interconnection or transfer
- G06F13/20—Handling requests for interconnection or transfer for access to input/output bus
- G06F13/24—Handling requests for interconnection or transfer for access to input/output bus using interrupt
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4812—Task transfer initiation or dispatching by interrupt, e.g. masked
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/48—Program initiating; Program switching, e.g. by interrupt
- G06F9/4806—Task transfer initiation or dispatching
- G06F9/4843—Task transfer initiation or dispatching by program, e.g. task dispatcher, supervisor, operating system
- G06F9/4881—Scheduling strategies for dispatcher, e.g. round robin, multi-level priority queues
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
公开了一种平台管理系统、装置以及方法,其随着时间跟踪排程中断数据和延迟风险数据、延期风险数据、延期数据,以及调度可靠性数据中的至少一个,计算所述排程中断数据与所述延迟风险数据、所述延期风险数据、所述延期数据,以及所述调度可靠性数据中的所述至少一个之间的交叉相关,以及基于所述交叉相关和所述延迟风险数据、所述延期维护数据、所述延期数据,以及所述调度可靠性数据中的所述至少一个的在直到将来的一预定时段期间所预计的趋势,来计算一排程中断的统计上显著的概率,并且基于所预计排程中断数据和延迟数据来计算延迟风险数据。
Description
技术领域
本公开总体上涉及移动平台管理,并且更具体地说,涉及用于诸如飞行器这样的移动平台的排程(schedule)和维护管理的系统、装置以及方法。
背景技术
存在许多用于管理飞行器的飞行排程和维护的系统和方法。许多系统可以配置针对该飞行器的飞行排程,并且安排例行周期性维护事件。飞行排程系统可以在配置该飞行排程时考虑该飞行器的已安排维护。航空公司典型地还具有现场过程,以考虑到该飞行器的维护延期。作为一个示例,航空公司的操作者出于各种理由可能选择延期维护或者先行修理故障。维护管理系统可以通过协调地面上的维护资源来适应出现在该飞行器上的非希望维护,以修理与该非希望维护事件相关联的故障。然而,目前没有管理潜在排程中断的风险的系统。
因此,本领域技术人员在飞行器管理系统领域进行着持续的研究和开发努力。
发明内容
在一个示例中,所公开平台管理系统可以包括:数据网络,其接收来自数据源的输入数据,其中,该输入数据包括延迟风险数据(delay risk data)、延期风险数据(deferralrisk data)、延期数据和调度可靠性数据(dispatch reliability data)中的至少一个以及排程中断数据(schedule interruption data);和排程中断预测模块,其接收来自该数据网络的输入数据,其中,该排程中断预测装置包括:数据跟踪模块,该数据跟踪模块随着时间跟踪延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的所述至少一个和排程中断数据;数据相关模块,该数据相关模块计算延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的所述至少一个与排程中断数据之间的交叉相关;以及数据趋势分析模块,该数据趋势分析模块基于延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的所述至少一个的在直到将来的一预定时段期间所预计的趋势和该交叉相关,来计算排程中断的统计上显著的概率。
在另一示例中,所公开平台管理系统可以包括:数据网络,其接收来自数据源的输入数据,其中,该输入数据包括所预计排程中断数据和延迟数据;和延迟风险模块,其接收来自该数据网络的输入数据,其中,该延迟风险模块包括风险分析模块,该风险分析模块基于该预计排程中断数据和延迟数据来计算延迟风险数据。
在另一示例中,所公开的用于管理平台系统的方法可以包括以下步骤:(1)随着时间跟踪延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的至少一个以及排程中断数据,(2)计算延迟风险数据、延期风险数据、延期数据和度可靠性数据中的所述至少一个与排程中断数据之间的交叉相关,以及(3)基于延迟风险数据、延期维护数据、延期数据和调度可靠性数据中的所述至少一个的在直到将来的预定时段期间所预计的趋势和该交叉相关,来计算排程中断的统计上显著的概率。
在另一示例中,所公开的用于管理平台系统的方法可以包括以下步骤:(1)接收所预计的排程中断数据和延迟数据,并且(2)基于该预计排程中断数据和延迟数据来计算延迟风险数据。
根据下面的详细描述、附图以及所附权利要求书,所公开系统、装置以及方法的其它示例将变清楚。
附图说明
图1是所公开的平台管理系统的一个示例的示意性框图;
图2是所公开的排程中断预测模块的一个示例的示意性框图;
图3是描绘跟踪数据的显示画面的一个示例的示意性例示图;
图4是描绘指示排程中断的统计上显著的概率的跟踪数据的交叉相关的显示画面的一个示例的示意性例示图;
图5是所公开的延期风险模块的一个示例的示意性框图;
图6是所公开的调度可靠性模块的一个示例的示意性框图;
图7是所公开的延迟风险模块的一个示例的示意性框图;
图8是描绘延迟风险数据的显示画面的一个示例的示意性例示图;
图9是描绘性能数据的显示画面的一个示例的示意性例示图;
图10是所公开的用于管理平台系统的方法的一个示例的示意性流程图;
图11是所公开的用于管理平台系统的方法的一个示例的示意性流程图;
图12是飞行器生产和保养方法的框图;以及
图13是飞行器的示意性例示图。
具体实施方式
下列详细描述参照例示了本公开的具体示例的附图。具有不同结构和操作的其它示例不脱离本公开的范围。相同标号可以指不同图中的相同部件或组件。
在图1、2、5-7以及13中,参照上述内容,连接各个部件和/或组件的实线(若有的话)可以表示机械、电气、流体、光学、电磁以及其它联接和/或其组合。如在此使用的,“联接”意指直接和间接相关联。例如,部件A可以直接关联部件B,或者可以间接与其关联,例如,经由另一部件C。应当明白,并非各种公开部件之间的所有关系都必需加以表示。因此,还可以存在除了框图中描绘的那些以外的其它联接。连接指定各个部件和/或组件的框的虚线(若有的话)表示按功能和目的与实线所表示的那些类似地联接;然而,虚线所表示的联接可以选择性地提供,或者可以涉及本公开的另选示例。同样地,用虚线表示的部件和/或组件(若有的话)指示本公开的另选示例。在不脱离本公开的范围的情况下,按实线和/或虚线示出的一个或更多个部件可以从特定例中省略。环境部件(若有的话)以虚线表示。为清楚起见,还可以示出虚拟(假想)部件。本领域技术人员应当清楚,图1、2、5-7以及13所示的特征中的一些可以按各种方式来组合,而不需要包括图1、2、5-7以及13、其它附图、和/或所附公开中描述的其它特征,即使这种组合或多个组件在此未明确地加以例示。类似的是,不限于所呈现示例的附加特征可以与在此所示并描述的一些或全部特征相组合。
在图10-12中,参照上述内容,框可以表示操作和/或其部分,而连接各个框的线不暗示操作或其部分的任何特定次序或相关性。用虚线表示的框(若有的话)指示另选操作和/或其部分。连接各个框的虚线(若有的话)表示操作或其部分的另选相关性。应当明白,并非各种公开操作之间的所有相关性都必需加以表示。图10-12和描述在此阐述的方法的操作的附属公开,不应被解释为必需确定其中操作要执行的顺序。相反地,尽管指示了一个例示性次序,但要明白的是,该操作顺序可以在恰当时修改。因此,某些操作可以按不同次序或者同时来执行。另外,本领域技术人员应当清楚,并非需要执行所述全部操作。
在下面的描述中,阐述了许多具体细节,以提供对所公开构思的详尽理解,其可以在没有这些详细资料中的一些或全部的情况下具体实践。在其它情况下,已经省略已知装置和/或处理的细节,以避免不必要地模糊本公开。将结合具体示例来描述虽然一些概念,但应当明白,这些示例不是旨在进行限制。
除非另外加以表明,术语“第一”、“第二”等在此仅用作标签,而非旨在对这些术语所涉及的项目施加顺序的、定位的或分层的要求。而且,引用的“第二”项不需要或排除存在更低编号项(例如,“第一”项)和/或更高编号项(例如,“第三”项)。
如在此使用的,当与列表项目一起使用时,短语“…中的至少一个”意指可以使用列出项目中的一个或更多个的不同组合,并且可以需要列表中的项目中的仅一个。该项目可以是特殊物体、事物或类别。换句话说,“…中的至少一个”意指项目的任何组合,或者项目数可以根据列表使用,但可以不需要列表中的所有项目。例如,“项目A、项目B以及项目C中的至少一个”可以意指:项目A;项目A和项目B;项目B;项目A、项目B以及项目C;或者项目B和项目C。在某些情况下,“项目A、项目B以及项目C中的至少一个”例如且无限制地可以意指:项目A中的两个、项目B中的一个、和项目C中的十个;项目B中的四个和项目C中的七个;或者某一其它合适组合。
在此引用“示例”意指,结合该示例或方面描述的一个或更多个特征、结构或特性被包括在至少一个实施方式或实现中。本说明书中不同位置的短语“一个示例”、“另一示例”等可以涉及或者不涉及同一示例。
下面,提供了根据本公开的主旨的、可以要求保护或不要求保护的例示性非排它示例。
总体上参照图1,公开了总体上以100指示的平台管理系统的一个示例。平台管理系统100包括:平台系统102、平台管理装置104以及数据网络106。平台系统102和平台管理装置104可以例如通过数据网络106彼此通信。
作为一个示例,数据网络106发送平台系统102与平台管理装置104之间的数字通信。数据网络106可以是无线网络,如无线电话网络,局部无线网络(例如,Wi-Fi网络或网络)等。数据网络106还可以包括其它无线型通信,如光学通信(例如,激光和红外线)和/或电磁通信(例如,无线电波)。数据网络106也可以是有线网络。
在一个示例实现中,数据网络106可以包括广域网(“WAN”)、存储区域网(“SAN”)、局域网(“LAN”)、光纤网、因特网、或本领域已知的其它数据网络。数据网络106可以包括两个或更多个网络。
在其它示例实现中,数据网络106可以包括:一个或更多个服务器、路由器、开关、以及/或者其它连网设备。数据网络106可以包括计算机可读存储介质,如硬盘驱动器、海量存储单元、光学驱动器、非易失性存储器、随机存取存储器(“RAM”)等。在某些实现中,数据网络106可以是两个物理上隔离的数据网络,以使一个数据网络联接至平台系统102,而另一数据网络联接至平台管理装置104。
参照图1,平台系统102总体上维护和控制一个或更多个平台108的操作。作为一个示例,平台系统102可以维护和控制机队(fleet)266。作为一个示例,机队266包括多个平台108。
平台108可以包括任何类型的移动系统或移动平台。作为一个示例,平台108可以是任何类型的交通工具110(例如,空中交通工具、地面交通工具、海上交通工具、或者地下交通工具)。交通工具110可以是有人操纵或无人操纵的。术语“交通工具”和“平台”在此可互换地使用,以例如并且无限制地指有人驾驶或无人驾驶飞行器、航天器、卡车、汽车、火车、海船、导弹或其它武器等。
作为一个具体的非限制例,平台108(例如,交通工具110)可以是飞行器112。尽管平台系统102在此被描述为与商业飞行器(例如,飞行器112)相关联的航空公司系统,但平台系统102可以管理(例如,维护和控制)任何各种其它类型交通工具的操作(例如,排程和维护),如非商业飞行器、其它类型的商业和非商业交通工具、船只、汽车、卡车、公共汽车等。
平台108包括设备(equipment)118。如在此使用的,“设备”指平台108(例如,飞行器112)的任何系统、子系统、组件、子组件、单元、子单元、部件等,而不受限制。作为一个示例,设备118可以是飞行器112的特殊现场可更换单元(“LRU”)。类似平台108可以包括相同设备118。不同平台108可以包括相同和/或不同设备118。机队266可以包括类似的的平台108和/或不同的平台108。
作为一个示例,平台系统102还包括排程模块156。排程模块156可以监测和/或存储与机队266和/或单个平台108的位置和/或排程有关的信息。作为一个示例,排程模块156可以监测和/或存储:平台108(例如,飞行器112)的当前和未来位置,和/或平台108的当前和未来排程(例如,飞行器112的飞行排程)。
作为一个示例,平台系统102还包括维护模块114。维护模块114可以监测和/或存储与机队266的维护、单个平台108的维护以及/或者特定设备118的维护有关的信息。作为一个示例,维护模块114可以监测和/或存储:例如降落场268的当前和未来维护排程、当前和过去维护事件、当前和未来维护延期、以及/或者维护能力。
作为一个示例,平台系统102还包括例如位于降落场268的操作者116。操作者116可以对平台108和/或设备118执行维护,进行有关平台108和/或设备118的维护的决定,以及/或者将有关平台108和/或设备118的维护信息例如输入到维护模块114中。
本公开认识到,尽管一些平台(例如,飞行器)维护系统可以促进监测和递送有关平台故障、排程中断、维护延期、以及与维护延期相关联的操作影响的信息,但这种系统不预测潜在排程中断,或量化与评估例如因非排程维护事件而造成的未来排程中断的风险。因此,开发了本公开的主旨,以提供用于预测排程中断和/或评估未来排程中断的风险的系统、装置以及方法。
如在此使用的,故障总体上指设备118(图1)已经失灵、坏掉、失效或者失败,不然按希望或正常方式操作的任何指示。
如在此使用的,排程中断总体上指:由非排程维护事件导致的平台108(图1)的规划操作排程中的中断或破坏,例如,因设备118中的故障而造成。排程中断包括:延迟,例如,当平台108(例如,飞行器112)因维护事件或设备118中的故障而造成未能按其排程时间离开时;折回,例如,当平台按排程离开,但因设备118中的故障而必须返回其离开位置时;转向,例如,当平台108按排程离开,当因设备118中的故障而必须向除了其离开或目的地位置以外的其它位置转向时;或者取消,例如,在平台108的操作停止的情况下。
如在此使用的,维护延期总体上指针对设备118(图1)的修理或维护延期或延缓,例如,在故障之后。
如在此使用的,术语“影响”总体上指操作平台108(图1)的影响,例如,在故障或维护延期之后。
参照图1,并且参照图2,公开了平台管理装置104的一个示例。作为一个示例,平台管理装置104包括排程中断预测模块134,其接收例如来自数据源122(图2)的输入数据120(图2)。
作为一个示例,平台管理装置104包括数据查询模块160。数据查询模块160从数据源122(图2)存取各种输入数据120(图2)。数据查询模块160可以确定哪些输入数据120被选择,并被提供给排程中断预测模块134。作为一个示例。数据查询模块160构造查询,以从数据源122提取与机队266、单个平台108以及/或者特定设备118有关的所选择输入数据120。
作为一个示例,数据查询模块160利用各种电子通信协议中的任一种,通过数据网络106与数据源122(图2)通信。存取输入数据120(图2)可以包括:将所选择输入数据120的局部复制具体存储在数据查询模块160的存储器中,或者通常存储在平台管理装置104的存储器(未明确例示)中。
数据源122(图2)可以包括任何数据库或类似信息系统,其监测和/或存储输入数据120(图2)。作为示例,数据源122可以包括:排程模块156、维护模块114、外部数据模块180、平台管理装置104的数据库模块158等。作为一个示例,外部数据库模块180可以是通过公共或私人第三方(如美国运输部研究与创新技术管理局(“RITA”)数据库、masFlight等)控制的数据库或信息系统。
参照图2,并且参照图1和3,作为一个示例,输入数据120可以包括:排程中断数据124;和延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个。
作为一个示例,排程中断数据124包括对机队266(图1)和/或单个平台108(图1)的排程中断的量化。作为一个示例,排程中断数据124包括:对机队266和/或单个平台108的、因设备118(图1)中的在先或先前故障而造成的排程中断的量化。在一个示例实现中,排程中断数据124可以被表达为数字值198(例如,排程中断值200)(图3),其表示每平台108或每机队266的排程中断数。
作为一个示例,延期风险数据128包括:对由平台108(图1)的维护延期而导致的风险的量化。作为一个示例,延期风险数据128包括:对与因平台108的维护延期而造成的潜在排程中断有关的延期风险的量化。在一个示例实现中,延期风险数据128可以被表达为数字值198(例如,延期风险值202)(图3),其表示与维护延期(例如,延期维护事件)相关联的影响。
作为一个示例,延期数据130包括对平台108(图1)的维护延期的量化。作为一个示例,延期数据130包括对由因设备118(图1)中的在先故障而造成的排程中断、和/或平台108的维护延期所导致的延迟时间(例如,平均延迟时间)的量化。在一个示例实现中,延期数据130可以被表达为数字值198(例如,延期值204)(图3),其表示每平台108或每机队266的维护延期数。
作为一个示例,调度可靠性数据132包括对平台108(图1)和/或机队266(图1)的可靠性的量化。作为一个示例,调度可靠性数据132包括对平台108和/或机队266的潜在排程可靠性的量化。在一个示例实现中,调度可靠性数据132可以被表达为数字值198(例如,调度可靠性值206)(图3),其表示排程上继续存在并且没有排程中断的平台108的概率。
作为一个示例,延迟风险数据126包括对与机队266(图1)和/或单个平台108(图1)的潜在排程中断有关的风险的量化。作为一个示例,延迟风险数据126包括对与机队266和/或单个平台118的因设备118(图1)中的未来故障而造成的潜在排程中断有关的延迟风险的量化。在一个示例实现中,延迟风险数据126可以被表达为数字值198(例如,延迟风险值208)(图3),其表示排程中断的概率和排程中断的影响。
下面,将对排程中断数据124、延期风险数据128、延期数据130、调度可靠性数据132、以及延迟风险数据126进行更详细描述。作为一个示例,排程中断数据124、延期风险数据128、延期数据130、调度可靠性数据132、以及/或者延迟风险数据126中的每一个,都可以总体上针对特定设备118(图1)条件化。
参照图2,并且参照图1,公开了排程中断预测模块134的一个示例。排程中断预测模块134例如通过数据网络106(图1),经由数据查询模块160(图1)来接收来自数据源122的输入数据120。
虽然所公开的示例例示了平台管理装置104的、被配置成查询数据源122并将输入数据120提供给排程中断预测模块134的一般数据查询模块(例如,数据查询模块160),但在其它示例中,排程中断预测模块134可以包括其自身的数据查询模块(未明确例示)。
参照图2,并且参照图1和3,作为一个示例,排程中断预测模块134包括数据跟踪模块136。数据跟踪模块136随着时间跟踪:排程中断数据124;和延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132中的至少一个,其被共同标识为跟踪数据152(图3)。在一个示例实现中,排程中断数据124,和延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个中的每一个都被周期性地(例如,每天)跟踪。作为一个示例,数据查询模块160(图1)可以被配置成每天都查询数据源122,以提取排程中断数据124、延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的每一个。
参照图1,作为一个示例,平台管理装置104还包括显示模块188。显示模块188被配置成控制平台管理装置104的显示画面192(图1)。显示画面192可以包括用于接收输入和/或提供数据的可视表述的图形用户接口(“GUI”)。
参照图3,并且参照图1和2,作为一个示例,跟踪数据152可以通过显示模块188(图1)例如在显示画面192上以图形方式显示。作为一个示例,显示画面192可以包括用于跟踪数据152的域、用于跟踪数据152的值198(例如,排程中断值200、延期风险值202、延期值204、调度可靠性值206以及延迟风险值208)的域、以及用于时间196的域。
在图3所示示例实现中,在一预定时段期间,显示排程中断数据124、延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132中的每一个的每日值。该时段用时间T-6至时间T表示。时间T表示当前天(例如,今天)。时间T-1、T-2、T-3、T-4、T-5以及T-6表示过去时间间隔,例如,按天(例如,T-1是昨天,T-2是两天前,等),按周(例如,T-1是一周前,T-2是两周前,等),按月(例如,T-1是一个月前,T-2是两个月,等),或者按年。作为一个示例,图3所示显示画面192是排程中断数据124、延迟风险数据126、延期风险数据128、延期数据130,以及调度可靠性数据132的每日跟踪值的六个(6)月的视图。
参照图2,作为一个示例,排程中断预测模块134还包括数据相关模块138。数据相关模块138计算:排程中断数据124,与延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132中的至少一个之间的交叉相关140。一般来说,交叉相关是作为时间的函数(例如,固定时间点)的两个数据系列彼此相对的相关。
在一个示例实现中,数据相关模块138被配置成,在作为时间的函数的两个数据系列(例如,输入数据120的两个不同系列)之间执行时间系列分析。
数据相关模块138可以按随着时间的各个固定点,来确定如下各项之间的关系(例如,相似性或依赖性):排程中断数据124;与延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132中的一个或者每一个。每一个交叉相关140都是按固定时间点,对排程中断数据124与延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的一个之间的相关(例如,时间相关)的强度的测量。
作为一个示例,数据相关模块138可以包括如下规则,其支配延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132中的哪些应当被选择成与排程中断数据124交叉相关。数据相关模块138还可以包括如下算法,其用于计算交叉相关140(例如,输入数据120中的被选择的两个之间的相关)。交叉相关140被计算和/或限定为成对交叉相关。输入数据120中的被选择的两个输入数据还可以称为:表示交叉相关140的时间系列分析的一对时间系列输入数据。
作为一个示例,排程中断预测模块134或数据相关模块138可以包括规则模块(未明确例示),该规则模块被配置成存储和应用为计算交叉相关140而利用的规则和/或算法。
在一个示例实现中,数据相关模块138可以交叉相关排程中断数据124与延迟风险数据126。作为一个示例,延迟风险数据126和排程中断数据124例如通过数据跟踪模块136随着时间而加以跟踪。延迟风险数据126和排程中断数据124的交叉相关140指示:延迟风险方面的增加或减少,与排程中断方面的增加或减少之间的关系。换句话说,延迟风险数据126和排程中断数据124的交叉相关140量化了排程中断与延迟风险相关的程度。
在一个示例实现中,数据相关模块138可以交叉相关排程中断数据124与延期风险数据128。作为一个示例,延期风险数据128和排程中断数据124例如通过数据跟踪模块136随着时间而加以跟踪。延期风险数据128和排程中断数据124的交叉相关140指示:延期风险方面的增加或减少,与排程中断方面的增加或减少之间的关系。换句话说,延期风险数据128和排程中断数据124的交叉相关140量化了排程中断与延期风险相关的程度。
在一个示例实现中,数据相关模块138可以交叉相关排程中断数据124与延期数据130。作为一个示例,延期数据130和排程中断数据124例如通过数据跟踪模块136随着时间而加以跟踪。延期数据130和排程中断数据124的交叉相关140指示:延期方面的增加或减少,与排程中断方面的增加或减少之间的关系。换句话说,延期数据130和排程中断数据124的交叉相关140量化了排程中断与延期相关的程度。
在一个示例实现中,数据相关模块138可以交叉相关排程中断数据124与调度可靠性数据132。作为一个示例,调度可靠性数据132和排程中断数据124例如通过数据跟踪模块136随着时间而加以跟踪。调度可靠性数据132和排程中断数据124的交叉相关140指示:调度可靠性方面的增加或减少,与排程中断方面的增加或减少之间的关系。换句话说,调度可靠性数据132和排程中断数据124的交叉相关140量化了排程中断与调度可靠性相关的程度。
参照图2,数据相关模块139还计算延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132中的至少一个之间的自相关148。一般来说,自相关是作为时间的函数(例如,按不同时间点)的一个数据系列与本身的相关。
数据相关模块138可以确定在不同时间的延迟风险数据126、在不同时间的延期风险数据128、在不同时间的延期数据130、以及在不同时间的调度可靠性数据132中的至少一个之间的关系(例如,相似性或依赖性)。每一个自相关148都是对在不同时间的延迟风险数据126、在不同时间的延期风险数据128、在不同时间的延期数据130,以及在不同时间的调度可靠性数据132之间的相关的强度的测量。自相关148可以被用于计算趋势146。
作为一个示例,数据相关模块138还可以包括如下规则,其支配延迟风险数据126、延期风险数据128、延期数据130,或者调度可靠性数据132中的哪些将被选择成自相关。数据相关模块138还可以包括如下算法,其用于计算自相关148(例如,被选择的输入数据120与本身之间的相关)。作为一个示例,排程中断预测模块134或数据相关模块138可以包括规则模块(未明确例示),该规则模块被配置成存储和应用为计算自相关148而利用的规则和/或算法。
在一个示例实现中,交叉相关140(图2)可以被表达为数字值198(例如,相关值154)(图4),其表示排程中断数据124,与延迟风险数据126、延期风险数据128、延期数据130、以及调度可靠性数据132(图1)中的一个或者每一个的时间相关或关系(例如,作为时间的函数的相似性或依赖性)的强度。作为一个示例,相关值154可以是:零(0)(例如,表示交叉相关输入数据120(图2)之间没有关系或相关);和一(1)(例如,表示交叉相关输入数据120之间的直接(例如,一对一)关系或相关)之间的数字值。
作为一个示例,排程中断与延迟风险之间的相关值154指示:延迟风险值208方面的变化,与排程中断值200方面的相关变化之间的比率。作为一个示例,排程中断与延期风险之间的相关值154指示:延期风险值202方面的变化,与排程中断值200方面的相关变化之间的比率。作为一个示例,排程中断与延期之间的相关值154指示:延期值204方面的变化,与排程中断值200方面的相关变化之间的比率。作为一个示例,排程中断与调度可靠性之间的相关值154指示:调度可靠性值206方面的变化,与排程中断值200方面的相关变化之间的比率。
参照图2,作为一个示例,排程中断预测模块134还包括数据趋势分析模块142。数据趋势分析模块142基于如下各项来计算排程中断的统计上显著的概率144:交叉相关140;和延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个的在直到将来的预定时段期间所预计的趋势146。
一般来说,相关的强度根据历史性数据(例如,跟踪数据152)来测量,并且由此仅是真实相关的估计。作为一个非限制例,设置希望置信度,例如,大约百分之九十五(95%)的置信度。根据该置信度和历史性数据,来计算置信区间。如果相关的估计强度落入该置信区间内,则具有百分之九十五(95%)置信度,该置信区间包含该真实相关。换句话说,存在如下的百分之九十五(95)的机会,其中,相关的估计强度不只是归因于历史性数据中的噪声或巧合。
作为一个示例,数据趋势分析模块142还可以包括如下规则,其支配延迟风险数据126、延期风险数据128、延期数据130、或者调度可靠性数据132的哪个自相关148被选择,以计算趋势146并且针对直到将来的什么时段来预计趋势146。数据趋势分析模块142还可以包括如下算法,其用于计算趋势146和/或排程中断的统计上显著的概率144。作为一个示例,排程中断预测模块134或是数据趋势分析模块142可以包括规则模块(未明确例示),该规则模块被配置成存储和应用被利用以计算趋势146和/或排程中断的统计上显著的概率144的规则和/或算法。
作为一个示例,数据趋势分析模块142基于延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132的自相关148,来计算针对延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个的趋势146。趋势146是对延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个的直到将来的预计。数据趋势分析模块142基于延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132的自相关148,来计算针对延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个的将来值。换句话说,数据趋势分析模块142被配置成,通过基于延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132的自相关148来外推跟踪数据152,而预计(预测)延迟风险值208、延期风险值202、延期值204以及调度可靠性值206达该直到将来的预定时段。
参照图4,并且参照图1-3,作为一个示例,排程中断的统计上显著的概率144(图2)可以通过显示模块88(图1)例如在显示画面192上以图形方式显示。作为一个示例,显示画面192可以包括:用于交叉相关140的域、用于值198(例如,相关值154)的域、用于时间196的域、以及用于显著性阈值150的域。
作为一个示例,在交叉相关140(图2)满足或超出预定显著性阈值150(图4)时,排程中断的统计上显著的概率144(图2)出现。数据趋势分析模块142(图2)被配置成,基于趋势146(例如,在由时间T至时间T+5表示的、该直到将来的预定时段期间),按直到将来的不同时间来比较交叉相关140与显著性阈值150,以按该直到将来的预定时段期间的一个或更多个时间,来标识排程中断的统计上显著的概率144。
在一个示例实现中,数据跟踪模块136跟踪所跟踪数据152(例如,排程中断数据124、延迟风险数据126、延期风险数据128、延期数据130、或者调度可靠性数据132)。数据相关模块138交叉相关所跟踪数据152(例如,延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132中的每一个与排程中断数据124)。所跟踪数据152的交叉相关140可以指示:当延迟风险、延期风险、延期或者调度可靠性中的任一个在指定时间达到特定程度时,出现排程中断。换句话说,交叉相关140可以指示:延迟风险值208、延期风险值202、延期值204或者调度可靠性值206中的一个或更多个值的在先增加,伴随着、指示或者强相关排程中断值200的增加。跟踪数据152的交叉相关140的相关值154可以是:对延迟风险值208、延期风险值202、延期值204或者调度可靠性值206中的任一个值的增加,与排程中断值200的增加之间的关系的强度的测量。
数据相关模块138对延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132中的每一个进行自相关。延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132的自相关148可以:指示延迟风险值208、延期风险值202、延期值204或者调度可靠性值206的在先变化。自相关148用于计算趋势146。
数据趋势分析模块142针对该直到将来的预定时段(例如,从时间T至时间T+5(图4)),计算趋势146,以预计延迟风险数据126、延期风险数据128、延期数据130或者调度可靠性数据132中的至少一个或者每一个。虽然未明确例示,但还可以通过显示模块188(图1)例如在显示画面192上以图形方式显示趋势146。
在图4所示示例实现中,第一交叉相关140a(例如,排程中断数据124与延期风险数据128的)、第二交叉相关140b(例如,排程中断数据124与调度可靠性数据132的)、以及第三交叉相关140c(例如,排程中断数据124与延迟风险数据126的),被基于趋势146在直到将来的时段期间按预定时间间隔显示。虽然未明确例示,但其它交叉相关140(排程中断数据124和延期数据130的)也可以以图形方式显示。直到将来的时段用时间T至时间T+5来表示。时间T表示当天(例如,今天)。时间T+1、T+2、T+3、T+4以及T+5表示将来时间间隔,例如,按天(例如,T+1是明天,T+2是从今天起两天,等)。作为一个示例,图4所示显示画面192是交叉相关140的直到将来的五(5)天的视图。
显著性阈值150表示交叉相关140何时变得在统计上显著,并由此,指示排程中断(例如,排程中断的统计上显著的概率144)。作为一个示例,显著性阈值150可以被表达为一数字值,其表示相关值154在统计上显著的点。
在该例示实现中,数据趋势分析模块142(图2)基于延期风险数据128的趋势146,来计算:在延期风险值202(图3)增加至被预计在时间T+3(例如,在三(3)天内)出现的值时,第一交叉相关140a(例如,第一交叉相关140a的相关值154)在统计上显著。因此,数据趋势分析模块142基于延期风险的当前趋势,指示并且以图形方式显示,排程中断(例如,排程中断的统计上显著的概率144(图2))将在三(3)天内出现的统计上显著的机会。因此,可以进行减轻努力来缩减延期风险,并由此,避免或减少潜在排程中断的机会。
类似的是,数据趋势分析模块142(图2)基于延迟风险数据126的趋势146,来计算:在延迟风险值208(图3)增加至被预计在时间T+4(例如,在四(4)天内)出现的值时,第三交叉相关140c(例如,第一交叉相关140a的相关值154)在统计上显著。因此,数据趋势分析模块142基于延迟风险的当前趋势,指示并且以图形方式显示,排程中断(例如,排程中断的统计上显著的概率144(图2))将在四(4)天内出现的统计上显著的机会。因此,可以进行减轻努力来缩减延迟风险,并由此,避免或减少潜在排程中断的机会。
因此,排程中断预测模块134总体上和数据趋势分析模块142具体地被配置成,量化针对设备118、平台108以及/或者机队266(图1)的条件的当前状态的将来影响。换句话说,排程中断预测模块134被配置成,对指示过去排程中断的数据与将来出现的排程中断的概率进行相关。作为一个示例,当前数据值可以趋向于如下值,其中先前数据值导致(例如,与其强相关)排程中断。在指示存在出现排程中断的统计上显著的机会之后,可以采取各种基于风险的决定和/或动作,以缩减排程中断的风险。
参照图2,并且参照图1,如上所表达的,排程中断数据124可以包括对机队266和/或单个平台108(图1)的排程中断的量化。排程中断可以是:平台108的设备118(图1)中的故障,和/或例如因平台108的设备118中的故障而造成的维护事件(例如,非排程维护事件)的结果。
在一个示例实现中,排程中断值200(图3)可以被表达为,按固定时间点(例如,在特定天)出现的所有排程中断的总时间(例如,按分钟计)。作为一个示例,如果特定平台108在特定天遭遇两(2)次排程中断,每一个排程中断持续十(10)分钟,则针对该平台108的排程中断值200将被表达为二十(20)分钟。作为另一示例,如果机队266中的十(10)个平台108皆遭遇一(1)次排程中断,每一个排程中断持续十(10)分钟,则针对该机队266的排程中断值200将被表达为一百(100)分钟。在一个示例实现中,排程中断值200可以被表达为,在固定时间点(例如,在特定天)出现的所有排程中断的总数(例如,每平台108或每机队266)。
排程中断数据124可以被监测和/或存储在数据源122中。作为一个示例,排程中断数据124可以存储在排程模块156(图1)中。作为一个示例,排程中断数据124可以存储在平台管理装置104的数据库模块158中。作为一个示例,排程中断数据124可以存储在外部数据库模块180中。
参照图2,并且参照图1,如上表达的,延期风险数据128可以包括:对由平台108(图1)的维护延期所导致的、例如与潜在排程中断有关的风险的量化。
维护延期可以是修理设备118中的故障的经授权延期。作为一个示例,在故障产生或触发之后,可以存取最小设备列表(“MEL”)文档170(图3),以确定用于修理该故障的维护是否可延期。故障可以例如经由平台108的故障监测系统自动生成。另选的是,可以例如通过操作者116基于对该故障的可视识别来生成故障。
参照图5,并且参照图1,MEL文档170可以是包含MEL项的列表的物理或基于电子文本的文档。每一个MEL项都包括:故障、标识该MEL项的项标识符(如数字)、以及与该故障相关联的操作限制。在MEL文档170中列出的每一个MEL项或故障对应于平台108(图1)的可能不工作的特定设备118(图1),只要满足与该故障相关联的所设置操作限制即可。该操作限制包括必须满足的条件和限定,以便对该故障的维护进行延期。如果该故障在MEL文档170中列出并且满足该操作限制,则可以延期用于校正或修理该故障的维护。
在用于延期维护的决定出现之后,延期维护输入处理包括:执行为了适应MEL文档170中的、与维护延期相对应的限制所必需的任何动作。在执行必需动作之后,该延期处理包括:例如基于通过与平台108(图1)相关联的操作者116(图1)输入的信息,来创建延期维护记录168,其可以例如存储在维护模块114(图1)中。平台系统102(图1)可以利用延期维护记录168,来跟踪并监测机队266(图1)的一个,一些,或者所有平台108的维护延期。
参照图5,并且参照图1,作为一个示例,平台管理装置104(图1)还包括延期风险模块162。作为一个示例,延期风险模块162包括MEL数据模块164和延期评估模块166。可以通过延期风险模块162来计算延期风险数据128。延期风险模块162获取与延期维护事件有关的信息,确定与延期维护事件相关联的操作限制,以及基于该操作限制来确定与该延期维护事件相关联的延期影响。如在此使用的,与延期维护事件相关联的延期影响可以包括:实际操作影响,或者由维护延期所导致的操作影响的概率。
在一个示例实现中,数据查询模块160存取延期维护记录168,并且根据延期维护记录168确定MEL项。数据查询模块160可以利用各种电子通信协议中的任一种,通过数据网络106与维护模块114通信。作为一个示例。数据查询模块160构造查询,以从维护模块114提取与机队266、单个平台108以及/或者特定设备118有关的所选择延期维护记录168。存取延期维护记录168可以包括:将所选择延期维护记录168的局部复制具体存储在数据查询模块160,的或者通常存储在平台管理装置104的存储器中。
虽然所公开示例例示了平台管理装置104的、被配置成查询维护模块114,并将延期维护记录168和/或MEL文档170提供给延期风险模块162的一般数据查询模块(例如,数据查询模块160),但在其它示例中,延期风险模块162可以包括其自身的数据查询模块(未明确例示)。
通过数据查询模块160存取的每一个延期维护记录168都关联,并且包括与单一延期维护动作相对应的单一MEL项。另外,延期维护记录168可以包括:标识其中定位该MEL项的MEL文档170的MEL文档标识符。数据查询模块160还可以被配置成,根据每一个延期维护记录168来确定其中可以采用MEL项标识符的形式的MEL项。
在一个示例实现中,通过数据查询模块160确定的MEL项或MEL项标识符被MEL数据模块164加以利用,以定位MEL文档170中的MEL项。作为一个示例,MEL数据模块164可以包括项目标识模块(未明确例示),其基于MEL项标识符来定位MEL文档170中的MEL项。在项目标识模块定位MEL文档170中的MEL项之后,限制模块(未明确例示)可以确定与该MEL项相关联(例如,利用其分类或分组)的操作限制176。
作为一个示例,MEL数据模块164可以包括影响分类模块(未明确例示),其将操作限制176分类成多个影响类别中的一个。在操作限制176被延期评估模块166利用之前,该影响分类模块可以按这种方式分类操作限制176。因此,在某些实现中,分类操作限制176可以通过MEL数据模块164生成,并且被延期评估模块166加以利用。
所述多个影响类别可以包括各种类别中的、可以受维护延期所影响的任一种。在一个示例实现中,所述多个影响类别可以包括以下各项中的两种或更多种:维护影响、操作影响、机务人员影响、乘客影响、经济影响、以及/或者其它影响。如上表达的,该延期影响可以包括由维护延期所导致的、与平台108(图1)的操作相关联的操作风险的概率。影响分类模块可以将操作限制176中的一些分类成一个影响类别,而将其它操作限制分类成另一类别,或者一个操作限制可以被分类出多个影响类别。
作为一个示例,延期评估模块166包括比较模块172和聚合模块174。比较模块172可以比较来自MEL数据模块164的操作限制176与预定影响因子,以确定该预定影响因子是否被操作限制176满足或者达到什么程度。接着,基于该比较,比较模块172将操作影响值178指配给每一个预定影响因子。操作影响值178可以与针对平台108(图1)的操作的影响的概率相关联。在一些实现中,预定影响因子或者由操作限制176满足或者不满足。因此,在这种实现中,比较模块172可以指配一个或另一个操作影响值178(例如,“是”或“否”,或者“0”或“1”)。然而,在其它实现中,预定影响因子可以按各种程度来满足。因此,在这些实现中,比较模块172可以指配与可以满足该预定影响因子的程度相对应的操作影响值178(例如,“1”、“2”,或“3”,或者“低”、“中”,或“高”)。
作为一个示例,延期评估模块166的聚合模块174聚合(例如,组合、求和、平均化等)指配给每一个预定影响因子的操作影响值178。接着,聚合模块174对聚合操作影响值(未明确例示)与至少一个聚合操作影响值阈值(未明确例示)进行比较。该聚合操作影响值可以与影响的概率相关联。基于该聚合操作影响值是否满足所述至少一个聚合操作影响值阈值,聚合模块174确定延期风险数据128(例如,操作影响)。按这种方式,延期风险数据128表示:指配给所述多个操作限制176中的每一个或对应预定影响因子的操作影响值178的聚合。根据一些实现,该聚合操作影响值可以与如下项相比较:皆与不同操作影响相关联的多个聚合操作影响值阈值。
在一个示例实现中,延期风险数据128可以作为整体来表示与平台108(图1)相关联的单一操作影响。在一个示例实现中,延期风险数据128可以包括:皆与所述多个操作影响类别中的相应一个相关联的多个操作影响。在这种实现中,聚合模块174可以针对每一个操作影响类别,而分开聚合指配给每一个预定影响因子的操作影响值178。因此,每一个操作影响类别将通过聚合模块174,而被指配分离聚合操作影响值和关联操作影响。接着,若希望的话,聚合模块174可以聚合操作影响类别的聚合操作影响值,并且对所得操作影响值178与一个或更多个预定阈值进行比较,以确定平台108(图1)的总体操作影响(例如,延期风险),换句话说,计算延期风险数据128。按类似方式,聚合模块174可以聚合皆与机队166(图1)的多个平台108之一相关联的多个总体操作影响值,并且对所得操作影响值178与一个或更多个预定阈值进行比较,以确定机队266的总体操作影响,换句话说,计算延期风险数据128。
虽然未明确例示,但可以例如通过平台管理装置104(图1)的显示模块188(图1),以图形方式来显示与设备118、平台108以及/或者机队266(图1)相关联的单个操作影响值178、操作影响类别以及/或者延期风险数据128。
通过延期风险模块162生成的延期风险数据128可以存储在数据源122中。作为一个示例,延期风险数据128可以存储在平台管理装置104的数据库模块158中。作为一个示例,延期风险数据128可以存储在延期风险模块162的数据库模块(未明确例示)中。作为一个示例,延期风险数据128可以存储在外部数据库模块180中。
在某些实现中,在2014年8月19日提交的、题名为“Deferred AircraftMaintenance Impact Assessment Apparatus,System,and Method”的美国专利申请No.14/463540中,对生成和/或提供延期风险数据128的方式的示例进行了详细描述。
参照图2,如上表达的,延期数据130可以包括对平台108(图1)的维护延期的量化。作为一个示例,延期数据130可以存储在维护模块114(图1)中并且从其检索。
参照图2,并且参照图1,如上表达的,调度可靠性数据132可以包括:对平台108(图1)和/或机队266(图1)的调度可靠性的量化,例如,因基于直到将来在设备118(图1)中的故障出现的概率的维护事件(例如,非排程维护事件)。调度可靠性可以是:直到将来平台108的大概排程可靠性,或者对平台108按排程离开(例如,如规划的)的预测。
在一个示例实现中,调度可靠性数据132可以被表达为百分比。作为一个示例,调度可靠性数据132可以被表达为如下的离开百分比,其中,预计直到将来的平台108按排程离开。作为一个示例,调度可靠性数据132可以被表达为,在预计直到将来没有排程中断的情况下的操作(例如,调遣(maneuvers)、行程、路线、任务等)的百分比。
参照图6,并且参照图1,作为一个示例,平台管理装置104(图1)还包括调度可靠性模块182。一般来说,通过根据已经收集并且例如存储在数据源122(例如,维护模块114、数据库模块158或者外部数据库模块180)中的历史维护数据184来分析平台可靠性,调度可靠性模块182计算调度可靠性数据132。一般来说,调度可靠性模块182分析历史维护数据184,并且确定被表达为调度可靠性数据132的、针对平台108(图1)和/或机队266(图1)的总体可靠性(例如,调度可靠性)。由此,作为一个示例,该分析结果指示如下单个平台108:可以是任务临界(例如,濒于设备故障),或者可以是边缘操作(例如,濒于变得任务临界)。
作为一个示例,可以例如通过数据查询模块160,从维护模块114和/或外部数据库模块180,来查询历史维护数据184。该历史维护数据可以包括:针对设备118、平台108以及/或者机队266的维护事件数据,和针对每一个平台108或者针对机队266的设备数据(例如,设备故障数据和/或设备更换数据)。
虽然所公开的示例例示了平台管理装置104的、被配置成例如查询维护模块114并将历史维护数据184提供给调度可靠性模块182的一般数据查询模块(例如,数据查询模块160),但在其它示例中,调度可靠性模块182可以包括其自身的数据查询模块(未明确例示)。
作为一个示例,调度可靠性模块182包括Weibull分析模块186。在一个示例实现中,Weibull分析模块186使历史维护数据184(例如,维护事件数据和设备数据)经受Weibull分析。可选的是,调度可靠性模块182可以包括数据筛选和清理模块(未明确例示),其在Weibull分析之前筛选和/或清理历史维护数据184。
一般来说,Weibull分析模块186利用Weibull分析生成针对单个平台108(图1)和/或针对单个设备118(图1)的Weibull曲线。所以本质上,Weibull分析生成针对例如在查询步骤中选择的每一个平台108和每一个平台108的设备118的生存函数。例如,在指定时间窗期间(例如,在指定数量的操作天期间、在指定数量的操作小时期间等),将每一个平台108或机队266映射到Weilbull曲线上,以提供针对每一个平台108的非排程维护事件和每一个设备118的预测失败。
由此,Weibull分析可以反映在指定时间窗期间,每一个单个平台108的和/或每一个平台108的设备118的健康,和/或量化由因非排程维护事件而造成的排程中断所导致的设备118的预期故障(例如,故障的概率)。作为一个示例,Weibull分析可以基于针对多个平台108的特定设备118(如LRU(例如,热交换器))的服务数据中的时间。Weibull曲线指示,针对生存达预定时间间隔(例如,下一个一百(100)个操作小时、下一个六(6)个操作天等)的设备118的Weibull分布和设备118的置信系统程度的下限(例如,95%置信度)超出其当前使用。可以通过沿Weibull曲线生存函数标绘单个平台108来测量机队266健康度。Weibull曲线上的、表示单个平台108的点指示:在预定时间间隔内,设备118在每一个对应平台108中失败的可能性。
因而,一旦有条件的生存期被确定,并标绘在针对设备118的Weibull曲线上,该Weibull曲线就向平台108提供生存间隔,其已经根据对服务时间中的历史性失败和当前部分(例如,历史维护数据184)的分析而被导出。根据该Weibull分析,Weibull分析模块186生成调度可靠性数据132。
Weibull曲线是生存曲线,其可以以图形方式呈现与特定平台108上的特定设备118的有条件预期寿命(例如,针对当前年龄条件化的)的特定程度有关的详细信息。虽然未明确例示,但可以通过平台管理装置104(图1)的显示模块188,以图形方式显示Weibull曲线和调度可靠性数据132。
通过调度可靠性模块182生成的调度可靠性数据132可以存储在数据源122中。作为一个示例,调度可靠性数据132可以存储在平台管理装置104的数据库模块158中。作为一个示例,调度可靠性数据132可以存储在调度可靠性模块182的数据库模块(未明确例示)中。作为一个示例,调度可靠性数据132可以存储在外部数据库模块180中。
在某些实现中,在Brandstetter等人的、题名为“System,Method and Programfor Predicting Fleet Reliability and Maintaining a Fleet of Vehicles”的美国专利7860618中,对可以生成和/或提供调度可靠性数据132的方式进行了更详细描述。
参照图2,并且参照图1,如上表达的,延迟风险数据126可以包括:对与机队266(图1)和/或单个平台108(图1)的、例如因非排程维护事件而造成的潜在排程中断有关的风险的量化。作为一个示例,延迟风险是:与由平台108的延迟(例如,排程中断)所导致的设备118(图1)中的故障相关联的风险。换句话说,延迟风险是与平台108的潜在排程中断和/或机队266的潜在排程破坏有关的风险的前向预计。
参照图7,并且参照图1,作为一个示例,平台维护装置104(图1)还包括延迟风险模块210。延迟风险模块210计算延迟风险数据126。延迟风险模块210例如通过数据网络106(图1),经由数据查询模块160(图1)接收来自数据源122的输入数据120。作为一个示例,输入数据122包括预计排程中断数据212和延迟数据214。
作为一个示例,预计排程中断数据212包括:对平台108(图1)和/或机队266(图1)的直到将来出现的排程中断的概率的量化。在一个示例实现中,预计排程中断数据212可以被表达为数字值(例如,预计排程中断值218)(图8),其表示每平台108和/或每机队266的预测排程中断数。作为一个示例,预计排程中断数据212是排程数据222和调度可靠性数据的补数220的组合。
在一个示例实现中,调度可靠性数据的补数220可以被表达为数字值(例如,补数值)(未明确例示),其表示平台108(图1)或机队266(图1)经历排程中断并且没有按排程继续存在的概率(例如,调度可靠性值的补数206)(图3)。作为一个示例,当调度可靠性值206被表达为十进制数(例如,0.98)时,该补数值为一(1)减该十进制数(例如,1-0.98)。作为一个示例,当调度可靠性值206被表达为百分比(例如,0.98)时,该补数值是百分之一百(100%)减该百分比(例如,100%-98%)。调度可靠性数据的补数220可以存储在数据源122(例如,数据库模块158或外部数据库模块180)中,并且例如通过数据查询模块160提取。另选的是,延迟风险模块210可以例如经由数据查询模块160(图1)从数据源122提取调度可靠性数据132(图2),并且计算调度可靠性数据的补数220。
在一个示例实现中,排程数据222可以被表达为数字值(例如,排程值)(未明确例示)。作为一个示例,排程值表示排程直到将来(例如,明天、达三(3)天、达一(1)周等)的平台108(图1)和/或机队266(图1)的操作(例如,调遣、行程、路线、任务等)的数量。作为一个示例,该排程值表示排程直到将来的平台108和/或机队266的操作的总数量。排程数据222可以存储在数据源122(例如,排程模块156、数据库模块158、或外部数据库模块180)中,并且例如通过数据查询模块160提取。
作为一个示例,预计排程中断值218(图8)是该补数值与排程值的乘积。在一个示例实现中,预计排程中断值218表示:例如平台108(图1)或机队266(图1)的、在直到将来的预定时间期间基于经历排程中断的概率(例如,调度可靠性数据的补数220)预测或预计的预计排程中断的总数,和总操作数(例如,排程数据222)。
在一个示例实现中,预计排程中断数据212被提取并提供给延迟风险模块210。另选的是,在一个示例实现中,调度可靠性数据的补数220和排程数据222被提取并提供给延迟风险模块210,并且延迟风险模块210计算预计排程中断数据212。
作为一个示例,延迟数据214包括:对因排程中断(例如,基于设备118(图1)的故障)而造成的延迟时间的量化。在一个示例实现中,延迟数据214可以被表达为数字值(例如,延迟值224)(图8),其表示与因由特定设备118中的故障所导致的非排程维护事件而造成的在先排程中断相对应的平均(例如,历史性平均)延迟时间(例如,按分钟计)。延迟数据214可以存储在数据源122(例如,排程模块156、维护模块114、数据库模块158,或外部数据库模块180)(图1)中,并且例如通过数据查询模块160提取。
虽然所公开的示例例示了平台管理装置104的、被配置成例如查询数据源122并将输入数据120(例如,调度可靠性数据的补数220,或者调度可靠性数据132、排程数据222,以及延迟数据214)提供给延迟风险模块210的一般数据查询模块(例如,数据查询模块160),但在其它示例中,延迟风险模块210可以包括其自身的数据查询模块(未明确例示)。
作为一个示例,延迟风险模块210包括风险规则模块226。风险规则模块226包括多个规则(例如,商业规则),其支配选择和利用输入数据120(例如,预计排程中断数据212和延迟数据214),并确定将计算延迟风险的、直到将来的预定时段。风险规则模块226还包括被用于根据输入数据120计算延迟风险值208的算法。
作为一个示例,延迟风险模块210还包括风险分析模块228。风险分析模块228应用该规则和/或算法来计算延迟风险值208。延迟风险值208可以例如存储在数据库模块258中,作为延迟风险数据126(图2)。
由此,表达为延迟风险值208(图3)的延迟风险数据126表示:例如因设备118(图1)中的故障和维护相关排程中断的影响(例如,总延迟)而造成的维护相关排程中断(例如,非排程维护事件)的概率。在一个示例实现中,延迟风险数据208可以被计算为,预计排程中断值218与延迟值224的乘积。作为一个示例,延迟风险值208是预计排程中断值218与延迟值224的计算积(例如,预计排程中断值218乘以延迟值224)。
因此,延迟风险模块210被配置成,对排程中断的概率或可能性与排程中断的应选或结果进行相关作为延迟风险,并且计算与针对特定设备118(图1)、平台108(图1)以及/或者机队266(图1)条件化的延迟风险相对应的延迟风险值208。
如上表达的,延迟风险数据126被排程中断预测模块134(图2)用于计算排程中断144(图2)的统计上显著的概率。
在一个示例实现中,风险分析模块228还被配置成,基于平台108(图1)或机队266(图1)的预测排程中断,来计算延迟风险值208,以表示例如针对平台系统102(图1)的财务风险。在这种实现中,延迟风险值208可以被计算为,预计排程中断值218、延迟值224以及成本值(未明确例示)的乘积。该成本值可以表示与该延迟的时间相关联的财务成本或损失。因此,在某些实现中,该成本值可以是延迟数据214的函数。
作为一个示例,延迟风险模块210还包括设备数据模块270。设备数据模块270使预计排程中断数据212、延迟数据214以及计算延迟风险数据126,与特定的对应设备118(其故障可以导致排程中断)进行关联。
在一个示例实现中,输入数据120还包括设备数据230。设备数据230可以包括与机队266(图1)的平台108(图1)的一些或全部设备118(图1)有关的信息。作为示例,设备数据230可以:包括设备118的一个或更多个标识符(例如,名称、编号、代码等)、设备118中的故障的飞行甲板影响(flight deck effect)、与设备118中的故障有关的服务公告等。
作为一个示例,延迟风险模块210还包括延期风险变化模块232。延期风险变化模块232计算与可以导致预计排程中断的设备118(图1)中的故障的维护延期相关联的延期风险变化数据234。作为一个示例,延期风险变化数据234被表达为数字值(例如,延期风险变化值),其表示当附加设备118或平台108(图1)被包括在延期风险值202的计算中时,例如通过延期风险模块162计算的延期风险值202(图3)中的变化。在一个示例实现中,该延期风险变化值被表达为,当被预计成遭遇因设备118中的故障而造成的排程中断的平台108接收到维护延期时,延期风险值202中的百分比变化。
参照图8,并且参照图1,作为一个示例,可以通过显示模块188(图1)例如在显示画面192上,以图形方式显示延迟风险数据126、预计排程中断数据212、延迟数据214以及设备数据230。
在一个示例实现中,显示画面192包括表246(例如,列和行格式)。作为一个示例,表246可以包括用于风险标识(“ID”)数据238的域、用于设备标识(“ID”)数据240的域、用于预计排程中断数据212的域、用于延迟数据214的域、用于延迟风险数据126的域。可选的是,显示画面192可以包括用于各种其它数据的其它域,例如,延期风险变化数据234(未明确例示)。
在一个示例实现中,风险ID数据238被表达为,对应于用于计算延迟风险值208的特定设备118的数字值(例如,风险DI值242)。作为一个示例,风险ID值242(被各自标识为242a、242b、242c、242d)是按升序(例如,1、2、3、4等)的数字。
在一个示例实现中,设备标识(“ID”)数据240被表达为名称、编号、代码等(例如,设备ID值244),其标识用于计算延迟风险值208的特定设备118的。作为一个示例,设备ID值244(被各自标识为244a、244b、244c、244d)是该特定设备118的名称。
在一个示例实现中,预计排程中断数据212被表达为针对用于计算延迟风险值208的特定设备118的预计排程中断值218。作为一个示例,并且如上表达的,预计排程中断值218(各自被标识为218a、218b、218c、218d)是因该特定设备118中的故障而造成的预计排程中断的总数量。
在一个示例实现中,延迟数据214被表达为针对用于计算延迟风险值208的特定设备118的延迟值224。作为一个示例,并且如上表达的,延迟值224(各自被标识为224a、224b、224c、224d)是与因该特定设备118中的故障而造成的维护事件相关联的平均时间延迟。
在一个示例实现中,延迟风险数据126被表达为针对特定设备118的延迟风险值208。作为一个示例,并且如上表达的,延迟风险值208(各自被标识为208a、208b、208c、208d)是表示因该特定设备118中的故障而造成的排程中断的概率和根据该排程中断的总延迟的数字值。
虽然图8的示例显示画面192中仅例示了四(4)个不同设备118(图1),但可以显示任何总数量的设备118。作为一个示例,某一平台108(图1)的所有设备118、某一类型的平台108,或者机队266(图1)的所有平台108都可以以图形方式显示。
因此,在一个示例实现中,预计排程中断数据212、延迟数据214以及延迟风险数据126表示有关特定平台108(图1)的设备118(图1),换句话说,显示画面192表示平台级视图。在一个示例实现中,预计排程中断数据212、延迟数据214以及延迟风险数据126表示机队266(图1)的所有平台108上的设备118,换句话说,显示画面192表示机队级视图。
在一个示例实现中,显示画面192还包括风险矩阵248。作为一个示例,风险矩阵248通过预计排程中断250(例如,风险可能性)和延迟252(例如,风险结果)来限定。风险矩阵248基于预计排程中断250和延迟252而被划分成用于分类延迟风险的区域。作为一个示例,区域254a表示具有严重预计排程中断250(例如,高预计排程中断值218)和严重延迟(例如,高延迟值224)的严重延迟风险(例如,表示排程中断的高风险的延迟风险值208)。作为一个示例,区域254b表示具有中等预计排程中断250(例如,中预计排程中断值218)和中等延迟252(例如,中延迟值224)的中等延迟风险(例如,表示排程中断的中等风险的延迟风险值208)。作为一个示例,区域254c表示具有低预计排程中断250(例如,低预计排程中断值218)和低延迟252(例如,低延迟值224)的低延迟风险(例如,表示排程中断的低风险的延迟风险值208)。基于与该特定设备118(图1)相对应的延迟风险的严重性,风险ID值242可以大约位于区域254a、254b或者254c中的一个区域内。
作为一个示例,延迟风险模块210还包括平台性能模块256。平台性能模块256计算性能数据258。作为一个示例,性能数据258量化某一平台108(图1)或者机队266(图1)的所有平台108的性能。在一个示例实现中,性能数据258可以被表达为延迟风险与平台可靠性之间的比率。
在一个示例实现中,平台性能模块256存取针对每一个平台108(图1)的延迟风险数据126(例如,延迟风险值208)和调度可靠性数据132(例如,调度可靠性值206)。平台性能模块256被配置成,基于比较针对平台108的延迟风险数据126与调度可靠性数据132,而将一些或全部平台108归类或分类成各种性能类别260。
参照图9,作为一个示例,可以通过显示模块188(图1)例如在显示画面192上以图形方式显示性能数据258。作为一个示例,显示画面192包括:用于性能类别260的域,和用于平台数据262的域。在一个示例实现中,性能类别260可以例如被表达为“顶执行器”、“底执行器”、“高风险执行器”、“低风险执行器”、“具有潜在风险的平台”等。
在一个示例实现中,平台数据262可以被表达为平台值264。作为一个示例,平台值264包括或者表示特定平台108的标识,例如,型号、尾号(tail number)等。平台数据262还可以包括针对平台108的延迟风险值208和调度可靠性值206。
在该例示示例实现中,针对“顶执行器”的性能类别260可以包括具有高可靠性和低延迟风险的平台108。作为一个示例,用平台值264a标识的平台108可以具有高关联调度可靠性值206和低关联延迟风险值208。
在该例示示例实现中,针对“高风险执行器”的性能类别260可以包括具有低可靠性和高延迟风险的平台108。作为一个示例,用平台值264b标识的平台108可以具有低关联调度可靠性值206和高关联延迟风险值208。
在该例示示例实现中,针对“具有潜在风险的平台”的性能类别260可以包括具有高可靠性和高延迟风险的平台108。作为一个示例,用平台值264c标识的平台108可以具有高关联调度可靠性值206和高关联延迟风险值208。
作为一个示例,平台性能模块256可以包括支配平台108的归类的规则。作为一个示例,延迟风险模块210或者平台性能模块256可以包括规则模块(未明确例示),其被配置成存储和应用被利用以分类平台108(图1)的规则。
在一个示例实现中,平台108在调度可靠性值206满足或超出预定调度可靠性阈值(未明确例示)时,被归类为具有高可靠性。在一个示例实现中,平台108在调度可靠性值206低于该预定调度可靠性阈值时,被归类为具有低可靠性。可以基于通过平台系统102(图1)设置的需求来确定该预定调度可靠性阈值。作为一个示例,该预定调度可靠性阈值可以是百分之九十八(98%)。
在一个示例实现中,平台108在延迟风险值208低于预定延迟风险阈值(未明确例示)时,被归类为具有低延迟风险。在一个示例实现中,平台108在延迟风险值208超过该预定延迟风险阈值时,被归类为具有高延迟风险。可以基于通过平台系统102(图1)设置的需求来确定该预定延迟风险阈值。
在一个示例实现中,延迟风险数据126还可以与破坏严重性数据(未明确例示)一起使用,以进行有关是否响应于延迟风险(例如,将来排程中断的高概率)而行动的决定。破坏严重性数据包括:对因设备118(图1)中的故障而造成的影响平台108(图1)的操作的严重性或表述的量化。作为一个示例,破坏严重性数据可以量化在特定设备118过去失败时对平台108的影响的严重性。作为示例,破坏严重性数据可以被表达为数字值(例如,破坏严重性值)(未明确例示),其例如表示由特定设备118中的故障所导致的延迟的时长、受到因特定设备118中的故障而造成的排程中断影响的乘客数、作为排程中断的结果的针对平台系统102(图1)(例如,航空公司系统)的成本等。作为一个示例,当延迟风险(例如,延迟风险值208)较高(例如,超过预定延迟风险阈值)并且破坏严重性值较高(例如,超过预定破坏严重性阈值)时,可以采取动作,以缩减潜在排程中断的风险。作为一个示例,延迟风险和破坏严重性的组合可以用于进行维护管理决定,例如,高风险和高严重性设备118可以在特定平台108或机队266上接受抢先检查或维护。
在某些实现中,在Kesler等人的、题名为“Unscheduled Maintenance DisruptionSeverity and Flight Decision System and Method”的美国专利9037320中,对可以生成和/或提供破坏严重性的方式进行了更详细描述。
参照图10,并且参照图1-4,公开了用于管理平台系统102的方法(总体上指定500)的一个示例。一般来说,方法500涉及预测因设备118中的故障而造成的平台系统102的平台108和/或机队266的潜在排程中断。在不脱离本公开的范围的情况下,可以对方法500进行修改、添加或省略。方法500可以包括更多、更少或其他步骤。另外,步骤可以按任何合适次序来执行。
在一个示例实现中,方法500包括以下步骤:接收延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个,以及排程中断数据124,如框502所示。作为一个示例,延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个和排程中断数据124,通过平台管理装置104的排程中断预测模块134经由数据网络106从数据源122接收。
在一个示例实现中,方法500包括以下步骤:随着时间跟踪延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个和排程中断数据124,如框504所示。作为一个示例,延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个和排程中断数据124,通过排程中断预测模块134的数据跟踪模块136随着时间加以跟踪。
在一个示例实现中,方法500包括以下步骤:计算延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个与排程中断数据124之间的交叉相关140,如框510所示。作为一个示例,延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个与排程中断数据124的交叉相关140通过排程中断预测模块134的数据相关模块138来计算。
在一个示例实现中,方法500包括以下步骤:基于交叉相关140和延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个的在直到将来的预定时段期间所预计的趋势146,来计算一排程中断的统计上显著的概率144,如框512所示。作为一个示例,通过排程中断预测模块134的数据趋势分析模块142,来计算基于交叉相关140和趋势146的排程中断的统计上显著的概率144。
在一个示例实现中,方法500包括以下步骤:计算延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个之间的自相关148,如框506所示。作为一个示例,通过数据相关模块138来计算延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个之间的自相关148。
在一个示例实现中,方法500包括以下步骤:基于自相关148来计算针对延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132的趋势146,如框508所示。作为一个示例,通过数据趋势分析模块142来计算趋势146。
在一个示例实现中,方法500包括以下步骤:随着时间显示延迟风险数据126、延期风险数据128、延期数据130以及调度可靠性数据132中的至少一个和排程中断数据124,如框514所示。
在一个示例实现中,方法500包括以下步骤:在直到将来的预定时段期间,按一个或更多个时间显示排程中断的统计上显著的概率144,如框516所示。
参照图10,并且参照图1和7-9,公开了用于管理平台系统102的方法(总体上指定600)的一个示例。一般来说,方法600涉及:确定与因设备118中的故障而造成的平台系统102的机队266和/或单个平台108的潜在排程中断有关的延迟风险。在不脱离本公开的范围的情况下,可以对方法500进行修改、添加或省略。方法500可以包括更多、更少或其他步骤。另外,步骤可以按任何合适次序来执行。
在一个示例实现中,方法600包括以下步骤:接收预计排程中断数据212和延迟数据214,如框602所示。作为一个示例,通过平台管理装置104的延迟风险模块210,经由数据网络106从数据源122接收预计排程中断数据212和延迟数据214。
在一个示例实现中,方法600包括以下步骤:根据调度可靠性数据的补数220和排程数据222,来计算预计排程中断数据212。作为一个示例,预计排程中断数据212在被延迟风险模块210接收之前被计算。作为一个示例,调度可靠性数据的补数220和排程数据222被延迟风险模块210接收,并且延迟风险模块210计算预计排程中断数据212。
在一个示例实现中,方法600包括以下步骤:基于预计排程中断数据212和延迟数据214,来计算延迟风险数据126,如框604所示。作为一个示例,通过延迟风险模块210的风险分析模块228来计算延迟风险数据126。
在一个示例实现中,方法600包括以下步骤:基于延迟风险数据126和调度可靠性数据132,来计算针对平台108的性能数据258,如框606所示。作为一个示例,通过延迟风险模块210的平台性能模块256来计算性能数据258。
在一个示例实现中,方法600包括以下步骤:基于性能数据258将平台108分类成性能类别260,如框608所示。作为一个示例,通过性能模块256将平台108分类成性能类别260。
在一个示例实现中,方法600包括以下步骤:显示延迟风险数据126,如框610所示。
在一个示例实现中,方法600包括以下步骤:显示性能数据258,如框612所示。
因此,通过所公开系统、装置以及方法计算和生成的数据可以被用于:进行与管理包括一队平台(例如,飞行器)并且支持工程资源的平台系统(例如,航空公司系统)有关的各种风险减轻和商业决定。作为一个示例,所公开系统、装置以及方法可以基于平台或机队的当前数据来预测排程中断何时变得更可能出现,并且基于当前数据量化将来排程中断。因此,可以进行有关怎样缩减将来排程中断的风险的决定。作为一个示例,可以基于预测排程中断进行有关是否延期维护活动或者有关维护延期可以持续多久的决定。作为一个示例,可以在可能导致排程中断的设备中的预测故障之前,进行有关是否采取抢先动作(例如,设备的检查和/或维护)的决定。作为一个示例,可以基于平台的排程和/或位置和因设备中的故障而造成的预测排程中断,来进行有关怎样管理降落场的维护容量的决定。作为一个示例,可以例如基于风险、性能以及可靠性,来进行有关哪些平台应当被指配给哪些操作或路线的决定。作为一个示例,航空公司系统和/或飞行器制造方的维护工程资源、容量以及/或者人力可以更有效地分配,以确定针对随着时间导致风险升高的飞行器系统、组件或其它设备的预防性和/或纠正性动作。
前述主旨特征化了本公开的各种示例。每一个示例还包括每一个其它示例的主旨。
在本公开中描述的许多功能性单元已经被标注为模块,以便更具体强调它们的实现独立性。例如,模块可以被实现为:包括定制VLSI电路或门阵列的硬件电路、诸如逻辑芯片这样的现成半导体、晶体管、或者其它离散组件。模块还可以采用可编程硬件装置来实现,如现场可编程门阵列、可编程阵列逻辑、可编程逻辑装置等。
还可以按用于通过各种类型的处理器执行的软件来实现模块。计算机可读程序代码的标识模块例如可以包括:计算机指令的一个或更多个物理或逻辑块,其例如可以被组织为对象、过程或功能。尽管如此,可执行的标识模块不需要在物理上定位在一起,而是可以包括存储在不同位置中的全异(disparate)指令,当在逻辑上结合在一起时,其形成该模块并实现针对该模块的规定目的。
作为一个示例,计算机可读程序代码的模块可以是单一指令,或者许多指令,而且甚至可以在不同代码段上、不同程序之间,并横跨几个存储器组装置分布。类似的是,可操作数据在此可以在模块内标识和例示,并且可以按任何合适形式具体实施,并且在任何合适类型的数据结构内组织。该可操作数据可以被收集为单一数据集,或者可以在包括不同存储装置的不同位置上分布,并且可以至少部分地仅作为电子信号存在于系统或网络上。在模块或模块的部分按软件实现的情况下,计算机可读程序代码可以存储在一个或更多个计算机可读介质中,和/或在其上传播。
该计算机可读介质可以是存储该计算机可读程序代码的有形计算机可读存储介质。该计算机可读存储介质例如可以是,但不限于:电子、磁性、光学、电磁、红外线、全息、微机械或半导体系统、装置或设备,或者前述的任何合适组合。
该计算机可读介质的更具体示例可以包括,但不限于:便携式计算机磁碟、硬盘、随机存取存储器(“RAM”)、只读存储器(“ROM”)、可擦除可编程只读存储器(“EPROM”或闪速存储器)、便携式光盘只读存储器(“CD-ROM”)、数字万用盘(“DVD”)、光学存储装置、磁存储装置、全息存储介质、微机械存储装置,或者前述的任何合适组合。在本公开的上下文中,计算机可读存储介质可以是如下的任何有形介质:可以包含和/或存储用于供和/或结合指令执行系统、装置或设备使用的计算机可读程序代码。
该计算机可读介质还可以是计算机可读信号介质。计算机可读信号介质可以包括:其中具体实施有计算机可读程序代码的传播数据信号(例如在基带中或作为载波的一部分)。这种传播信号可以采取多种形式中的任一种,包括但不限于:电气、电磁、磁性、光学或其任何合适组合。计算机可读信号介质可以是如下的任何计算机可读介质:其不是计算机可读存储介质,并且可以传送、传播或者传输用于供和/或结合指令执行系统、装置或设备使用的计算机可读程序代码。在计算机可读信号介质上具体实施的计算机可读程序代码可以利用任何合适介质来发送,包括但不限于,无线、有线、光缆、射频(“RF”)等,或前述任何合适组合。
在一个示例中,计算机可读介质可以包括:一个或更多个计算机可读存储介质和一个或更多个计算机可读信号介质的组合。例如,计算机可读程序代码既可以作为电磁信号通过光缆传播,以通过处理器执行,也可以存储在RAM存储装置上,以供处理器执行。
用于执行针对所公开的系统、装置以及方法的多个方面的操作的计算机可读程序代码,可以采用一种或更多种编程语言的任何组合来编写,包括诸如Java、Smalltalk、C++等这样的面向对象编程语言,和诸如“C”编程语言或类似编程语言这样的常规过程化编程语言。该计算机可读程序代码可以全部在用户的计算机上、部分地在用户的计算机上、作为独立软件包、一部分在用户的计算机上而一部分在远程计算机上或者全部在远程计算机或服务器上执行。在后一情况下,该远程计算机可以经由任何类型的网络(包括局域网(“LAN”)或广域网(“WAN”))连接至用户的计算机,或者可以针对外部计算机进行该连接(例如,经由利用因特网服务提供商的因特网)。
可以在如图12所示飞行器制造和保养方法1100和如图13所示飞行器1200的背景下,对本公开的示例进行描述。飞行器1200可以是图1所示交通工具(例如,飞行器112)的一个示例。
在预生产期间,该例示性方法1100可以包括飞行器1200的规范和设计(如框1102所示)以及材料采购(如框1104所示)。在生产期间,可以进行飞行器1200的部件和子组件制造(如框1106所示)以及系统集成(如框1108所示)。此后,飞行器1200可以经历认证和交付(如框1110所示),以进行使用(如框1112所示)。在使用中,飞行器1200被安排例行维护和保养,如框1114所示。例行维护和保养可以包括对飞行器1200的一个或更多个系统的修改、重新配置、整修等。
例示性方法1100的每一个过程都可以通过系统集成商、第三方和/或操作者(例如,消费者)来执行或完成。出于本描述的目的,系统集成商可以无限制地包括任何数量的飞行器制造商和主系统分包商;第三方可以无限制地包括任何数量的厂商、分包商以及供应商;而操作者可以是航线、租赁公司、军事实体、保养机构等。
如图13所示,根据例示性方法1100生产的飞行器1200可以包括具有多个高级系统1204和内部1206的机身1202。高级系统1204的示例包括以下中的一个或更多个:推进系统1208、电气系统1210、液压系统1212以及环境系统1214。可以包括任何数量的其它系统。尽管示出了航天示例,但在此公开的原理可以应用至其它工业,如汽车业、海运业建筑业等。
而且,本公开包括根据下列条款的示例:
条款1、一种平台管理系统,该平台管理系统包括:数据网络,该数据网络接收来自数据源的输入数据,其中,所述输入数据包括延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的至少一个以及排程中断数据;和排程中断预测模块,该排程中断预测模块接收来自所述数据网络的所述输入数据,其中,所述排程中断预测模块包括:数据跟踪模块,该数据跟踪模块随着时间跟踪所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个以及所述排程中断数据;数据相关模块,该数据相关模块计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个与所述排程中断数据之间的交叉相关;以及数据趋势分析模块,该数据趋势分析模块基于所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个的在一预定时段直到将来期间所预计的趋势以及所述交叉相关,来计算排程中断的统计上显著的概率。
条款2、根据条款1所述的系统,其中:所述数据相关模块还计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的至少一个之间的自相关;并且所述数据趋势分析模块还基于所述自相关来计算所述趋势。
条款3、根据条款1所述的系统,其中,在所述直到将来的预定时段期间,在所述交叉相关满足预定显著性阈值时,所述排程中断的所述统计上显著的概率出现。
条款4、根据条款1所述的系统,所述系统还包括:机队,其中,所述机队包括平台,并且其中,每一个平台包括设备。
条款5、根据条款4所述的系统,其中:所述排程中断数据包括对因所述设备中的在先故障而造成的所述平台的排程中断的量化;所述延迟风险数据包括对与因所述设备中的未来故障而造成的所述平台的潜在排程中断有关的延迟风险的量化;所述延期风险数据包括对与因所述平台的维护延期而造成的所述潜在排程中断有关的延期风险的量化;所述延期数据包括对所述平台的所述维护延期的量化;以及所述调度可靠性数据包括对所述平台的未来排程可靠性的量化。
条款6、根据条款1所述的系统,所述系统还包括:显示模块,该显示模块被配置成,在所述直到将来的预定时段期间,按一个或更多个时间来显示随着时间跟踪的所述输入数据和所述排程中断的所述统计上显著的概率中的至少一个。
条款7、一种用于管理平台系统的方法,该方法包括以下步骤:随着时间跟踪延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的至少一个以及排程中断数据;计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个与所述排程中断数据之间的交叉相关;以及基于所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个的在直到将来期间的预定时段所预计的趋势以及所述交叉相关,来计算一排程中断的统计上显著的概率。
条款8、根据条款7所述的方法,所述方法还包括以下步骤:计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的至少一个之间的自相关;并且基于所述自相关计算所述趋势。
条款9、根据条款7所述的方法,其中:所述排程中断数据包括对因平台的设备中的在先故障而造成的所述平台的排程中断的量化;所述延迟风险数据包括对与因所述设备中的将来故障而造成的所述平台的潜在排程中断有关的延迟风险的量化;所述延期风险数据包括对与因所述平台的维护延期而造成的所述潜在排程中断有关的延期风险的量化;所述延期数据包括对所述平台的所述维护延期的量化;以及所述调度可靠性数据包括对所述平台的将来排程可靠性的量化。
条款10、根据条款7所述的方法,所述方法还包括以下步骤:随着时间显示所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个和所述排程中断数据;并且在所述直到将来的预定时段期间,按一个或更多个时间来显示所述排程中断的所述统计上显著的概率。
条款11、一种平台管理系统,该平台管理系统包括:数据网络,该数据网络接收来自数据源的输入数据,其中,所述输入数据包括所预计的排程中断数据和延迟数据;和延迟风险模块,该延迟风险模块接收来自所述数据网络的所述输入数据,其中,所述延迟风险模块包括风险分析模块,该风险分析模块基于所预计的排程中断数据和所述延迟数据来计算延迟风险数据。
条款12、根据条款11所述的系统,所述系统还包括:机队,其中,机队包括平台,并且其中,每一个平台包括设备。
条款13、根据条款12所述的系统,其中,所述延迟风险数据包括对与因所述设备中的将来故障而造成的所述平台的潜在排程中断有关的延迟风险的量化。
条款14、根据条款13所述的系统,其中:所述预计排程中断数据包括对因所述设备中的将来故障而造成的所述平台的所述潜在排程中断的量化;所述延迟数据包括对由因所述设备中的在先故障而造成的所述平台的在先排程中断所导致的延迟时间的量化;以及所述延迟风险数据包括所述预计排程中断数据与所述延迟数据的计算乘积。
条款15、根据条款12所述的系统,所述系统还包括:平台性能模块,该平台性能模块基于所述延迟风险数据和调度可靠性数据,来计算性能数据,并且基于所述性能数据将所述平台分类成性能类别。
条款16、根据条款15所述的系统,所述系统还包括:显示模块,该显示模块被配置成,显示所述延迟风险数据和所述性能类别中的至少一个。
条款17、一种用于管理平台系统的方法,所述方法包括以下步骤:接收所预计的排程中断数据和延迟数据;并且基于所预计的排程中断数据和所述延迟数据来计算延迟风险数据。
条款18、根据条款17所述的方法,其中:所述预计排程中断数据包括对因平台的设备中的将来故障而造成的所述平台的潜在排程中断的量化;所述延迟数据包括对由因所述设备中的在先故障而造成的所述平台的在先排程中断所导致的延迟时间的量化;以及所述延迟风险数据包括所预计的排程中断数据与所述延迟数据的计算乘积。
条款19、根据条款17所述的方法,所述方法还包括以下步骤:基于所述延迟风险数据和调度可靠性数据来计算针对所述平台的性能数据;并且基于所述性能数据将所述平台分类成性能类别。
条款20、根据条款19所述的方法,所述方法还包括以下步骤:显示所述延迟风险数据和所述性能数据。
可以在制造和保养方法1100的任一个或更多个阶段期间采用在此示出或描述的系统、装置以及方法。例如,可以按与在飞行器1200处于使用中时(框1112)所生产的部件或子组件类似的方式,来制作或制造与部件和子组件制造(框1106)相对应的部件或子组件。而且,该装置、系统以及方法或其组合的一个或更多个示例可以在生产阶段加以利用(框1108和1110)。类似的是,例如并且无限制地,当飞行器1200在使用中时(框1112)和在维护和保养阶段(框1114),该系统、装置以及方法,或其组合的一个或更多个示例可以加以利用。作为一个示例,所公开系统、装置以及方法可以在使用(框1112)和/或维护和保养(框1114)期间加以利用,以管理飞行器维护,并且缩减将来排程中断的风险。
尽管已经示出并描述了所公开系统、装置以及方法的各种示例,但本领域技术人员可以在阅读本说明书时想到修改例。本申请包括这种修改例,并且仅通过权利要求书的范围来限制。
Claims (10)
1.一种平台管理系统(100),该平台管理系统(100)包括:
数据网络(106),该数据网络(106)接收来自数据源(122)的输入数据(120),其中,所述输入数据包括延迟风险数据(126)、延期风险数据(128)、延期数据(130)和调度可靠性数据(132)中的至少一个以及排程中断数据(124);以及
排程中断预测模块(134),该排程中断预测模块(134)接收来自所述数据网络的所述输入数据,其中,所述排程中断预测模块包括:
数据跟踪模块(136),该数据跟踪模块(136)随着时间跟踪所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个以及所述排程中断数据;
数据相关模块(138),该数据相关模块(138)计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个与所述排程中断数据之间的交叉相关(140);以及
数据趋势分析模块(142),该数据趋势分析模块(142)基于所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个的在直到将来的预定时段期间所预计的趋势(146)以及所述交叉相关,来计算排程中断的统计上显著的概率(144)。
2.根据权利要求1所述的系统,其中:
所述数据相关模块还计算所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的至少一个之间的自相关(148);以及
所述数据趋势分析模块还基于所述自相关来计算所述趋势。
3.根据权利要求1所述的系统,其中,在所述直到将来的预定时段期间,当所述交叉相关满足预定显著性阈值时,所述排程中断的所述统计上显著的概率出现。
4.根据权利要求1所述的系统,所述系统还包括:
机队(266),其中,所述机队包括平台(108),并且其中,每一个平台包括设备(118)。
5.根据权利要求4所述的系统,其中:
所述排程中断数据包括对因所述设备中的在先故障而造成的所述平台的排程中断的量化;
所述延迟风险数据包括对与因所述设备中的未来故障而造成的所述平台的潜在排程中断有关的延迟风险的量化;
所述延期风险数据包括对与因所述平台的维护延期而造成的所述潜在排程中断有关的延期风险的量化;
所述延期数据包括对所述平台的所述维护延期的量化;以及
所述调度可靠性数据包括对所述平台的未来排程可靠性的量化。
6.根据权利要求1所述的系统,所述系统还包括:
显示模块(188),该显示模块(188)被配置成,在所述直到将来的预定时段期间,按一个或更多个时间来显示随着时间跟踪的所述输入数据和所述排程中断的所述统计上显著的概率中的至少一个。
7.一种用于管理平台系统的方法(500),该方法(500)包括以下步骤:
随着时间跟踪(504)延迟风险数据、延期风险数据、延期数据和调度可靠性数据中的至少一个以及排程中断数据;
计算(510)所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个与所述排程中断数据之间的交叉相关;以及
基于所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个的在直到将来的预定时段期间所预计的趋势以及所述交叉相关,来计算(512)排程中断的统计上显著的概率。
8.根据权利要求7所述的方法,所述方法还包括以下步骤:
计算(506)所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的至少一个之间的自相关;以及
基于所述自相关来计算(508)所述趋势。
9.根据权利要求7所述的方法,其中:
所述排程中断数据包括对因平台的设备中的在先故障而造成的所述平台的排程中断的量化;
所述延迟风险数据包括对与因所述设备中的未来故障而造成的所述平台的潜在排程中断有关的延迟风险的量化;
所述延期风险数据包括对与因所述平台的维护延期而造成的所述潜在排程中断有关的延期风险的量化;
所述延期数据包括对所述平台的所述维护延期的量化;以及
所述调度可靠性数据包括对所述平台的未来排程可靠性的量化。
10.根据权利要求7所述的方法,所述方法还包括以下步骤:
随着时间显示(514)所述延迟风险数据、所述延期风险数据、所述延期数据和所述调度可靠性数据中的所述至少一个以及所述排程中断数据;以及
在所述直到将来的预定时段期间,按一个或更多个时间来显示(516)所述排程中断的所述统计上显著的概率。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US14/841,926 | 2015-09-01 | ||
US14/841,926 US20170060792A1 (en) | 2015-09-01 | 2015-09-01 | Platform Management System, Apparatus, and Method |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106485393A true CN106485393A (zh) | 2017-03-08 |
Family
ID=56409505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610728121.7A Pending CN106485393A (zh) | 2015-09-01 | 2016-08-25 | 平台管理系统、装置以及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20170060792A1 (zh) |
EP (1) | EP3139317A1 (zh) |
JP (1) | JP2017079052A (zh) |
CN (1) | CN106485393A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118830A (zh) * | 2017-06-22 | 2019-01-01 | 波音公司 | 飞行调度确定系统和方法 |
CN116757650A (zh) * | 2023-08-21 | 2023-09-15 | 欧特朗(日照)云科技有限公司 | 一种基于机器学习的项目管理及资源调度的方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190220827A1 (en) * | 2018-01-18 | 2019-07-18 | International Business Machines Corporation | Disruption control in complex schedules |
JP7057199B2 (ja) * | 2018-04-16 | 2022-04-19 | 株式会社日立製作所 | ダイヤ分析支援装置及び方法 |
US20190377881A1 (en) | 2018-06-06 | 2019-12-12 | Reliaquest Holdings, Llc | Threat mitigation system and method |
US11709946B2 (en) | 2018-06-06 | 2023-07-25 | Reliaquest Holdings, Llc | Threat mitigation system and method |
USD926809S1 (en) | 2019-06-05 | 2021-08-03 | Reliaquest Holdings, Llc | Display screen or portion thereof with a graphical user interface |
USD926810S1 (en) | 2019-06-05 | 2021-08-03 | Reliaquest Holdings, Llc | Display screen or portion thereof with a graphical user interface |
USD926200S1 (en) | 2019-06-06 | 2021-07-27 | Reliaquest Holdings, Llc | Display screen or portion thereof with a graphical user interface |
USD926782S1 (en) | 2019-06-06 | 2021-08-03 | Reliaquest Holdings, Llc | Display screen or portion thereof with a graphical user interface |
USD926811S1 (en) | 2019-06-06 | 2021-08-03 | Reliaquest Holdings, Llc | Display screen or portion thereof with a graphical user interface |
US20220396376A1 (en) * | 2021-06-11 | 2022-12-15 | Rockwell Collins, Inc. | Aircraft selection for dispatch optimizer |
CN114580842B (zh) * | 2022-01-25 | 2022-12-09 | 中国电子产品可靠性与环境试验研究所((工业和信息化部电子第五研究所)(中国赛宝实验室)) | 交通工具的签派可靠度分析方法、装置和计算机设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190280A1 (en) * | 2005-02-22 | 2006-08-24 | Lockheed Martin Corporation | Method and apparatus for management for use in fleet service and logistics |
US20120271816A1 (en) * | 2010-10-20 | 2012-10-25 | Silent Semi Llc | System and method for quantifying vehicle maintenance costs and frequency based on statistical repair data |
US9037320B1 (en) * | 2014-01-29 | 2015-05-19 | The Boeing Company | Unscheduled maintenance disruption severity and flight decision system and method |
CN104820868A (zh) * | 2015-04-23 | 2015-08-05 | 北京恒泰实达科技股份有限公司 | 一种基于风电概率进行预测的调度展示方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6442459B1 (en) * | 1999-12-01 | 2002-08-27 | Sinex Holdings Llc | Dynamic aircraft maintenance management system |
US7912742B2 (en) * | 2006-03-20 | 2011-03-22 | The Boeing Company | Visualization of airline flight schedules |
US7860618B2 (en) | 2006-12-21 | 2010-12-28 | The Boeing Company | System, method and program product for predicting fleet reliability and maintaining a fleet of vehicles |
US8560376B2 (en) * | 2007-05-31 | 2013-10-15 | Airbus Operations S.A.S. | Method, system, and computer program product for a maintenance optimization model |
US9251502B2 (en) * | 2012-11-01 | 2016-02-02 | Ge Aviation Systems Llc | Maintenance system for aircraft fleet and method for planning maintenance |
-
2015
- 2015-09-01 US US14/841,926 patent/US20170060792A1/en not_active Abandoned
-
2016
- 2016-07-12 EP EP16178952.4A patent/EP3139317A1/en not_active Withdrawn
- 2016-08-23 JP JP2016162437A patent/JP2017079052A/ja not_active Withdrawn
- 2016-08-25 CN CN201610728121.7A patent/CN106485393A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060190280A1 (en) * | 2005-02-22 | 2006-08-24 | Lockheed Martin Corporation | Method and apparatus for management for use in fleet service and logistics |
US20120271816A1 (en) * | 2010-10-20 | 2012-10-25 | Silent Semi Llc | System and method for quantifying vehicle maintenance costs and frequency based on statistical repair data |
US9037320B1 (en) * | 2014-01-29 | 2015-05-19 | The Boeing Company | Unscheduled maintenance disruption severity and flight decision system and method |
CN104820868A (zh) * | 2015-04-23 | 2015-08-05 | 北京恒泰实达科技股份有限公司 | 一种基于风电概率进行预测的调度展示方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109118830A (zh) * | 2017-06-22 | 2019-01-01 | 波音公司 | 飞行调度确定系统和方法 |
CN116757650A (zh) * | 2023-08-21 | 2023-09-15 | 欧特朗(日照)云科技有限公司 | 一种基于机器学习的项目管理及资源调度的方法 |
CN116757650B (zh) * | 2023-08-21 | 2023-11-14 | 欧特朗(日照)云科技有限公司 | 一种基于机器学习的项目管理及资源调度的方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3139317A1 (en) | 2017-03-08 |
US20170060792A1 (en) | 2017-03-02 |
JP2017079052A (ja) | 2017-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485393A (zh) | 平台管理系统、装置以及方法 | |
Chung et al. | Cascading delay risk of airline workforce deployments with crew pairing and schedule optimization | |
CN103136967B (zh) | 用于控制航运系统运行的系统和方法 | |
US10447975B2 (en) | CCTV automatic selection monitoring system, and CCTV automatic selection monitoring management server and management method | |
JP7219353B2 (ja) | ワークフロー割当ての方法およびシステム | |
US20170124495A1 (en) | Method and system for mitigating risk in a supply chain | |
US10713706B1 (en) | Multi-model prediction and resolution of order issues | |
CN104809542A (zh) | 不定期维修破坏严重性和航班决策系统及方法 | |
Ruan et al. | Configuration model of partial repairable spares under batch ordering policy based on inventory state | |
Levitin et al. | Scheduling of imperfect inspections for reliability critical systems with shock-driven defects and delayed failures | |
CN112132484A (zh) | 一种航班恢复方法及装置 | |
Bugaj | Failure analysis-basic step of applying reliability centered maintenance in general aviation | |
Yan et al. | Model-based research for aiding decision-making during the design and operation of multi-load automated guided vehicle systems | |
Filimonyuk | The problem of critical events’ combinations in air transportation systems | |
Sapori et al. | A quantitative approach to risk management in critical infrastructures | |
US20200073014A1 (en) | Generation of weather analytical scenarios translating likely airport capacity impact from probabilistic weather forecast | |
Zhu et al. | Reliability-aware failure recovery for cloud computing based automatic train supervision systems in urban rail transit using deep reinforcement learning | |
San Antonio et al. | Using simulation to estimate critical paths and survival functions in aircraft turnaround processes | |
Parkinson et al. | Big data and the virtuous circle of railway digitization | |
Blom et al. | Resilience | |
Nikzad et al. | A two-stage stochastic programming model for collaborative asset protection routing problem enhanced with machine learning: a learning-based matheuristic algorithm | |
US11769145B1 (en) | Simulations using a token exchange system | |
Kim et al. | Identification model development for proactive response on irregular operations (IROPs) | |
Matsuoka | Overview of system reliability analyses for PSA | |
Pettersen et al. | Assessing the vulnerability of supply chains: advances from engineering systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170308 |
|
WD01 | Invention patent application deemed withdrawn after publication |