CN107463161B - 预测飞行器中的故障的方法和系统以及监控系统 - Google Patents
预测飞行器中的故障的方法和系统以及监控系统 Download PDFInfo
- Publication number
- CN107463161B CN107463161B CN201710405964.8A CN201710405964A CN107463161B CN 107463161 B CN107463161 B CN 107463161B CN 201710405964 A CN201710405964 A CN 201710405964A CN 107463161 B CN107463161 B CN 107463161B
- Authority
- CN
- China
- Prior art keywords
- learning
- flight
- current
- aircraft
- parameter
- 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
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 230000006399 behavior Effects 0.000 claims abstract description 79
- 238000005259 measurement Methods 0.000 claims description 61
- 239000013598 vector Substances 0.000 claims description 48
- 230000010006 flight Effects 0.000 claims description 29
- 238000012423 maintenance Methods 0.000 claims description 25
- 230000003542 behavioural effect Effects 0.000 claims description 19
- 239000012634 fragment Substances 0.000 claims description 10
- 206010000117 Abnormal behaviour Diseases 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 230000001747 exhibiting effect Effects 0.000 claims description 2
- 239000002243 precursor Substances 0.000 abstract description 3
- 238000007726 management method Methods 0.000 description 7
- 238000010276 construction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000011218 segmentation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000001934 delay Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- RZVHIXYEVGDQDX-UHFFFAOYSA-N 9,10-anthraquinone Chemical compound C1=CC=C2C(=O)C3=CC=CC=C3C(=O)C2=C1 RZVHIXYEVGDQDX-UHFFFAOYSA-N 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/0808—Diagnosing performance data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D45/00—Aircraft indicators or protectors not otherwise provided for
- B64D2045/0085—Devices for aircraft health monitoring, e.g. monitoring flutter or vibration
-
- 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
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Linguistics (AREA)
- Traffic Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及用于预测飞行器中的故障的系统和方法，以及包含用于预测飞行器中的故障的系统的监控系统。本发明提出识别会对飞行器的服务使用造成影响的所有现象的先兆。故障预测系统包括：处理器(3)，该处理器被配置成分析飞行器的至少一个飞行参数的当前行为以检测当前行为相对于参数的预定行为模型(14)的任何偏差，行为模型是根据与在一组飞行器的飞行期间采集的参数有关的多个学习数据序列而被确定的。
Description
技术领域
本发明涉及检测飞行器中的故障的早期迹象的领域。特别地，本发明涉及用于预测故障以预测飞行器的维护操作的方法和系统。
背景技术
每个飞行器包括用于检测故障的系统BITE(内置测试设备)用以检测和隔离任何出故障的设备。此外，关键飞行控制由监控系统FWS(飞行警告系统)进行监控，该监控系统将任何故障或异常用信号发送给机组人员。由FWS在飞行前发送的警报指示事件对飞行器的可服务性的影响，使得机组人员能够确定飞行器的服务状态。
BITE和FWS系统所发送的数据由飞行器的各部件的集中式监控系统CMS(中央维护系统)获取并处理。
集中式监控系统CMS的功能被托管在两个相同的计算机上。CMS聚集和处理来自一系列不同部件的关于异常的数据，以生成对异常的诊断。
由CMS进行的各种诊断的结果被保存在嵌入式数据库中，并且还经由控制和显示单元MCDU(多用途控制和显示单元)被显示在机载接口上。
此外，警报或异常消息经由称为ACARS(飞行器通信寻址和报告系统)的消息系统而被发送至地面站，以在出现明显异常的情况下处理该消息，否则将该消息保存在数据库中。这些消息是以在飞行期间的报告CFR(当前飞行报告)或在飞行结束时的报告PFR(飞行后报告)的形式被发送至地面的。
从而，监控系统CMS提供对维护和飞行员有用的信息以获知是否能够绝对安全地使用飞行器或者是否必须将飞行器锁定以在将其投入使用前进行维护。
该监控系统很有效，并且为飞行器提供最大程度的安全。然而，在一些情况下，飞行员可能会由于飞行前的意外故障警报而措手不及，这可能导致延误甚至飞行取消。
此外，监控系统基于提前预限定的规则来检测故障。然而，可能存在当前未被怀疑但可能产生影响的现象。
因此，本发明的目的是提出这样一种方法或系统，该方法或系统用于识别会对飞行器的可服务性产生影响的所有现象的先兆从而使得能够提前很久地安排维护操作以避免飞行延迟或取消的问题。
发明内容
本发明涉及一种用于预测飞行器中的故障的方法，该方法包括：分析飞行器的至少一个飞行参数的当前行为以检测当前行为相对于该参数的既有行为模型的任何偏差，该行为模型是根据与在一组飞行器的飞行期间采集的参数有关的多个学习数据序列在初步学习阶段中被构建的。
这使得能够很早地识别故障的先兆，从而使得不因意外故障而措手不及，且因此可以在确保飞行器最佳可用性的同时预测维护且提前很久进行安排，使得不会出现飞行延误。此外，该方法使得能够在没有先入之见的情况下检测会对飞行器的可用性产生影响的非典型行为或意外故障的早期迹象。
根据本发明的一个实施方式，检测飞行参数的任何行为偏差包括以下步骤：
-根据与所述参数有关的测量值来对每个当前飞行采集当前数据序列；
-将当前数据序列分割成预定数量的片段以将该当前数据序列转换成当前片段串，片段数量由行为模型来限定；
-相对于由行为模型限定的参考片段串来排列当前片段串中的片段；
-向当前片段串分配预定特征测量值以生成当前测量矢量；以及
-计算当前测量矢量与由行为模型限定的参考测量矢量之间的距离，该距离的值表示飞行参数的正常行为或异常行为。
这使得能够以很高的准确度估计故障发生的概率。
有利地，方法还包括计算飞行参数的异常行为的得分。
这使得能够表征降级水平并且估计在检测到故障的早期迹象与实际发生故障之间的延迟。
有利地，方法还包括：识别飞行器的展现出异常行为的一组飞行以及识别在该组飞行期间进行的维护动作。
这使得能够准确地安排将来的维护，以便对飞行器的重新启用进行良好的管理。
有利地，每个学习数据序列或每个当前数据序列包括来自飞行数据记录仪的时间数据和/或来自集中式监控系统的按时间编索引的故障消息。
这使得能够具有若干信息源，从而增大对故障的早期迹象的检测准确度。
根据本发明的一个实施方式，构建与给定参数有关的行为模型包括以下步骤：
-根据与所述参数有关的测量值来对一组飞行器的每个飞行采集至少一个学习数据序列，从而在该组飞行器的飞行期间形成多个学习数据序列；
-将每个学习数据序列分割成最佳数量的片段以将学习数据序列转换成学习片段，最佳片段数量限定了与所述参数相关联的预定片段数量。
-将一组学习数据序列转换成对应的一组学习片段串；
-从一组学习片段串中选择中央片段串，中央片段串限定参考片段串；
-通过相对于参考片段串进行识别，来排列该组学习片段串中的片段；
-通过对每个学习片段和/或每个学习片段串中的一组片段分配预定特征测量值，来生成针对每个学习片段串的学习测量矢量；
-计算每个学习测量矢量与关联于参考片段串的参考测量矢量之间的学习距离；以及
-根据随学习距离的变化而变化的连续区间，对一组学习测量矢量进行划分，从而限定正常行为区间和非典型行为区间。
这使得能够使用大量信息来生成准确的、可靠的、鲁棒的且容易使用的行为模型，以揭示与新飞行有关的参数的任何非典型行为，并且因此使得能够分析该非典型行为的原因并预防将来的故障。
有利地，中央片段串对应于一组片段串的中心点。
有利地，方法还包括以下步骤：
-保存参考片段串、测量矢量与参考测量矢量之间的距离以及对测量矢量的划分；
-显示表示行为模型的图。
本发明还涉及一种用于预测飞行器中的故障的系统，该系统包括：处理器，该处理器被配置成分析飞行器的至少一个飞行参数的当前行为以检测当前行为相对于该参数的预定行为模型(例如，理论模型)的任何偏差，行为模型是根据与在一组飞行器的飞行期间采集的参数有关的多个学习数据序列而被确定的。
本发明还涉及一种监控系统，该监控系统包括：维护和管理航空电子系统以及根据上述特征的用于预测故障的系统。
这使得能够很早地准确安排维护，以便对飞行器的重新启用进行良好的管理。
附图说明
通过阅读以下参照附图以说明性而非限制性方式给出的描述，根据本发明的设备和方法的其它特定特征和优点将变得更加显而易见，在附图中：
-图1示意性地示出了根据本发明的一个实施方式的用于预测飞行器中的故障的系统；
-图2和图3示意性地示出了根据本发明的一个实施方式的行为模型的构建；
-图4示出了根据本发明的一个实施方式的、表示与给定参数相关联的行为模型的图的显示；
-图5示出了根据本发明的一个优选实施方式的、与图1的系统有关的用于预测飞行器中的故障的方法；
-图6示出了根据本发明的一个实施方式的、表示特定飞行器的一组连续飞行的图；
-图7示出了根据本发明的另一实施方式的、在特定飞行器在两个特定机场之间的一组连续飞行期间的特定参数的行为；以及
-图8示出了根据本发明的一个实施方式的、包括用于预测故障的系统的监控系统。
具体实施方式
本发明的原理在于最佳地利用来自多个飞行器的大量飞行的参数的行为历史，从而在没有先入之见的情况下自动地检测飞行器的故障的早期迹象。
图1示意性地示出了根据本发明的一个实施方式的用于预测飞行器中的故障的系统。
用于预测故障的系统1包括数据获取模块2、处理器3、存储单元4以及输入和输出接口5。
获取模块2被配置成根据与飞行器6的飞行参数有关的测量值来恢复数据。
事实上，在每个飞行期间，飞行器6对关于不同飞行电子参数的信息进行记录。获取系统7集中并格式化来自不同传感器、嵌入式计算机或其他仪器的所有数据，并且经由专用链路将这些数据传送至飞行数据记录仪8(FDR)。数据可以是离散数据(例如，逻辑检测状态、指示符、开关或继电器的状态等)、模拟数据(例如电位计数据)或同步数据等。
此外，集中式监控系统9(CMS)处理由监控系统11(FWS)和用于检测故障的系统10(BITE)发送的数据，并且生成报告或故障消息。
因此，获取模块2被配置成恢复与来自至少一个飞行数据记录仪8的飞行参数有关的(通常按时间编索引的)有序数据和/或来自集中式监控系统9(CMS)的以有序方式编索引的故障消息。
处理器3被配置成分析飞行器6的至少一个飞行参数的行为以检测该参数的行为相对于被保存在存储单元4中的既有参考行为模型14的任何偏差。
此外，接口5被配置成显示分析结果，以说明每个参数相对于每个相应的行为模型14的任何行为偏差。
此外，存储单元4被配置成保存在飞行期间获取的数据、分析结果以及参考行为模型14。
应当注意，参数的行为模型14是根据与在多个飞行器的飞行期间采集的参数有关的多个学习数据序列而在初步学习阶段中被构建的。数据序列应被理解为是指按时间型索引排序的数据。
因此，本发明提出对按照不同的角度而被整体地和/或局部地排序的数据进行分析，以检测与标记为正常的一组其他数据显著不同的数据。
图2示意性地示出了根据本发明的一个实施方式的用于构建行为模型的系统。
此外，图3与图2相关地示出了根据本发明的一个实施方式的、用于构建与参数相关联的行为模型的方法。
对行为模型14的构建包括：针对每个给定的参数来选择一组飞行器16的具有(至少关于该参数的)正常行为的一组飞行；以及记录其有序数据以便提取特定特征，从而使得能够生成行为模型14。该模型14一旦被构建就可以被用于每个新的飞行，以确定与该新的飞行相关联的参数是否展现出相对于行为模型14的异常行为。
以类似于用于预测故障的系统1的方式，用于构建行为模型14的系统21包括学习获取模型22、学习处理器23、学习存储单元24和学习接口25。
在下文中，将对与特定参数相关联的行为模型14的构建进行阐述，但是，当然，该方法对构建每个飞行参数都是相同的。
在步骤E1中，学习获取模块22被配置成根据与参数有关的测量值，对一组飞行器16的每个飞行采集至少一个学习数据序列。因此，在一组飞行器16的飞行期间，学习获取模块22采集多个学习数据序列。
每个学习数据序列包括来自相应的飞行器的飞行数据记录仪的时间数据和/或来自相应的飞行器的集中式监控系统的按时间编索引的故障消息。
应当注意，每个飞行与其他飞行可以具有不同的持续时间、不同的轨迹和不同的飞行阶段。因此，来自不同飞行的有序数据不必在相同的时刻具有相同的长度或相同的特征，这会使这些不同数据之间的比较变得复杂。
此外，来自大量飞行器16的飞行的数据表示无法直接进行分析的大量信息。
事实上，在步骤E2中，为了减少数据的维度，学习处理器23被配置成将每个学习数据序列分割成展现出对起始数据序列的良好近似的最佳数量的片段s1...sk。
有利地，学习处理器23首先被配置成针对每个飞行独立地计算与参数相关联的最小数量的片段。根据迭代处理、通过在每次迭代时在开始时设置初始片段数量以及通过分析片段向数据序列的收敛，来计算针对每个飞行的最小片段数量。作为示例，收敛准则对应于由数据序列形成的曲线与由片段形成的曲线之间的最小偏差。该偏差可以通过很简单地计算两个曲线之间的面积来被确定。
为了验证已经达到了最小片段数量，可以应用非正增益策略，其在于消除不会对收敛增加(或增加很少的)附加准确度的片段。
当针对每个飞行计算出最小片段数量时，学习处理器23被配置成分析不同飞行的全部最小数量片段的分布，以确定对于所有飞行都可接受的单个最佳片段数量ns1...sn。换言之，针对给定的参数，学习处理器23计算对所有飞行器16的所有飞行都有效的单个最佳片段数量n(其在下文中称为预定片段数量)。与每个参数相关联的每个预定片段数量n被保存在学习存储单元14中，以能够在检测关于每个新的飞行的早期故障迹象时被使用。
因此，分割将每个学习数据序列转换成由学习片段串构成的曲线，每个片段仅由两个点限定，这两个点还可以被相邻的片段共享。例如，如果由3000个点编索引的数据序列被划分成六个片段，则获得仅有7个点而非3000个点的子序列。
在步骤E3中，学习处理器23被配置成使用与给定参数相关联的单个预定片段数量n(即最佳数量)来再一次对每个学习数据序列进行分割。
因此，学习处理器23将每组学习数据序列转换成对应的一组学习片段串C1...Cp，然后将其保存在学习存储单元24中。
在步骤E4中，学习处理器23被配置成从在前面的步骤中确定的一组学习片段串中选择中央片段串M1。
有利地，通过计算一组学习片段串的中心点来确定中央片段串M1。中心点是属于该组片段串并且表示与所有其他片段串的最小相似度偏差的片段串。其大致对应于一组片段串的中间片段串。因此，在下文中将称为参考片段串M1的中央片段串M1限定了相对于其排列其他片段串的参考。该参考片段串M1被保存在学习存储单元24中以能够被用于检测关于每个新飞行的早期故障迹象。
事实上，在步骤E5中，学习处理器23被配置成通过将参考片段串M1作为排列参考来排列一组学习片段串C1...Cp中的片段。参考片段串M1用作该组片段串C1...Cp的模型。
作为示例，学习处理器23被配置成相对于参考片段串M1(DTW-中心点)应用动态时间弯曲算法DTW。
排列便利不同片段之间的比较任务。还应当注意，排列可能更改学习数据序列的初始分割。
然而，分割可能会丢失初始数据的某些特征。然后，为了恢复丢失的信息的一部分，将从初始有序数据中提取的度量分配给每个片段或每个学习片段串C1...Cp。
事实上，在步骤E6中，学习处理器23被配置成通过将预定特征测量值单独地分配给每个学习片段和/或整体地分配给每个学习片段串的一组片段来生成针对每个学习片段串C1...Cp的学习测量矢量V1...Vp。预定特征测量值包括例如斜率、均值、方差、标准差、最小值、最大值、角速度、频率参数等的测量值。
可以将学习测量矢量V1...Vp视为稍微增加多个学习片段串的维度的多变量时间序列。应当注意，与给定参数相关联的每个学习测量矢量V1...Vp表示一个飞行。
该步骤(步骤E6)因而对应于元分割处理，元分割处理在于对每个飞行局部地(即通过分割)或整体地(即对于所有片段串)计算少量说明性变量。每个变量添加新的维度，这使得能够增加对行为模型14的构建的准确度。
有利地，针对每个飞行和每个参数，学习处理器23被配置成计算学习测量矢量的百分位数Q0、Q1、Q2、Q3、Q4，注意，正常行为被限定在区间[Q0，Q4]中。百分位值被保存在学习存储单元24中。
有利地，在步骤E7中，学习处理器23被配置成将与一组学习片段串C1...Cp相关联的学习测量矢量归一化。归一化的学习测量矢量被保存在学习存储单元24中。
在步骤E8中，学习处理器23被配置成计算在(可能被归一化的)每个学习测量矢量V1...Vp与关联于参考片段串M1的参考测量矢量Vm之间的学习距离d1...dp。
有利地，学习处理器23使用欧氏(Euclidean，欧几里得)距离测量法。作为变型，在测量矢量是线性独立的情况下，可以使用马氏(Mahalanobis，马哈拉诺比斯)类型的距离，其考虑不同矢量之间的相关性。学习距离(欧氏和/或马氏)被保存在学习存储单元中。
在步骤E9中，学习处理器23被配置成根据随学习距离而变化的连续区间来划分一组学习测量矢量。该划分限定正常行为区间ln以及一个或更多个非典型行为区间la。
有利地，可以使用之前对关联于一组片段串的测量矢量而计算的百分位数Q0、Q1、Q2、Q3、Q4来限定正常行为区间，注意，该区间之外的行为将被认为是异常的。
因此，被保存在学习存储单元24中的所有分析和数据(参考片段串M1、测量矢量之间的距离d1...dp、参考测量矢量Vm、对一个或更多个测量矢量的划分)构成准确、可靠且鲁棒的行为模型14。
有利地，将表示行为模型的图显示在学习接口25上。
事实上，图4示出了根据本发明的一个实施方式的、表示与给定参数相关联的行为模型的图的显示。
该图表示不同学习飞行及其相对于参考飞行的距离。每个飞行由对应于学习测量矢量的点来表示。x轴指示不同飞行的日期，以及y轴指示每个飞行相对于参考飞行的距离。y轴被划分成两个区间，即区间ln和区间la：第一ln限定针对相关参数具有正常行为的飞行总数，而第二la限定具有非典型行为的飞行。因此，该图示出了每个飞行相对于其他飞行、特别是相对于正常飞行总数的定位。飞行距正常总数的距离越远，其行为被判断为异常的可能性越大。
还应当注意，该图被划分成表示若干对应的飞行器的若干列(用竖直线区分)。根据该示例，存在表示8个飞行器8个列，并且每列指示每个对应飞行器的连续飞行。事实上，每个飞行器的飞行在对应列中在x轴上按时间排序。
因此，该图使得能够非常简单地揭示与新飞行有关的参数相对于正常飞行的任何非典型行为，并且因此使得能够分析非典型行为的原因并且特别是预防将来的故障。
有利地，在对新飞行进行测试之前，学习处理器23被配置成基于百分位数Q0、Q1、Q2、Q3、Q4的离差对不同学习飞行进行统计分析。在避免去除极端但有效的飞行的情况下，去除与相对于大多数其他飞行具有非常非典型行为的飞行相对应的被判断为异常的点。
图5示出了根据本发明的一个优选实施方式的、与图1所示的系统有关的用于预测飞行器中的故障的方法。
用于预测故障的方法包括类似于用于构建行为模型的方法的步骤。然而，用于预测故障的方法对新飞行的数据应用行为模型14以检测飞行参数的行为相对于行为模型14的正常飞行的任何偏差。在下文中，针对给定参数来阐述用于预测故障的方法，但是当然，该方法可应用于每个飞行参数。
首先，行为模型14(包括预定数量的片段、参考片段串、预定特征测量值等)被保存在存储单元4中。
在步骤E21中，获取模块2被配置成根据与相应参数有关的测量值来对每个当前飞行采集当前数据序列。
每个当前数据序列包括来自飞行器的飞行数据记录仪8的时间数据和/或来自飞行器的集中式监控系统9的按时间编索引的故障消息。
在步骤E22中，处理器3被配置成根据由行为模型14限定的预定片段数量来分割当前数据序列。该分割将当前数据序列转换成曲线或当前片段串S。
在步骤E25中，处理器3被配置成相对于参考片段串M1(例如通过应用DTW技术)排列当前片段串C中的片段。如前所述，参考片段串在构建行为模型14时已经被限定并且用作对片段进行排列的参考。
在步骤E26中，处理器被配置成向当前片段串C分配预定特征测量值或说明性测量值以生成当前测量矢量V。预定特征测量值与用于构建行为模型14的测量值相同。将特征测量值(斜率、均值、方差、标准差、最小值、最大值、角速度、频率)分配给每个片段和/或当前片段串中的一组片段。
在步骤E28中，处理器3被配置成计算在当前测量矢量V与由行为模型限定的参考测量矢量Vm之间的(欧氏和/或马氏)距离d。该距离的值表示飞行参数的正常行为或异常行为。
在当前测量矢量V与参考测量矢量Vm之间的距离d的值使得能够通过表示可以显示在接口5上的行为模型14的图上的点来表示当前飞行。
有利地，处理器3被配置成计算飞行参数的异常行为的得分。
事实上，通过使用百分位数Q0、Q1、Q2、Q3、Q4，处理器3根据以下算法来计算由点v表示的飞行参数的得分K：
K＝0
如果V<Q0，则K＝(V-Q1)/(Q3-Q1)
否则，如果V>Q4，则K＝(V–Q3)/(Q3-Q1)。
得分K使得能够量化异常的程度，从而估计在检测到异常与实际发生故障之间的延迟。得分K的值越高，异常越显著。
有利地，可以使用不同的图来表示飞行器的不同飞行的得分。
图6示出了根据本发明的一个实施方式的、表示特定飞行器的一组连续飞行的图。y轴表示得分K(或距离d)的值。该图标识了其参数展现出非典型行为的飞行Vi、Vj、Vk，以及在这些飞行期间执行的维护的动作和日期。
图7示出了根据本发明的另一实施方式的、在特定飞行器在两个特定机场之间的一组连续飞行期间的特定参数的行为。
在本文中，由水平轴上的线表示连续飞行。浅色或白色线tw表示在其期间没有检测到非典型行为的飞行。黑色线tb表示在其期间识别到非典型行为的飞行。最后，灰色线tg表示在其期间检测到非典型行为但与黑色线相比得分K较低的飞行。
这些浅色线tw、灰色线tg和黑色线tb限定了飞行器的系统的与特定参数相关联的降级状态的可靠标记。特别地，灰色线tg可以被视为降级的先兆。此外，通过查询维护历史，可以识别已经产生最佳维修的维护动作，从而便利维护操作员进行任何新的故障搜索的任务。
图8示出了根据本发明的一个实施方式的、包括用于预测故障的系统的监控系统。
监控系统31包括用于预测故障的系统1以及现有的维护和管理航空电子系统33，该维护和管理航空电子系统33包括飞行调度系统、维护信息系统、排故手册TSM、飞行器维护手册AMM以及最少设备清单MEL。该监控系统31将由用于预测故障的系统生成的信息与来自维护和管理航空电子系统的信息进行组合。该信息组合35使得维护工程师能够识别已经对其检测到非典型行为的特定飞行器的飞行计划，使得他们能够在正确的时间采取正确的行动，从而使飞行服务的中断最小化。
例如，在检测到非典型行为的情况下，飞行器可以在接下来的两个飞行之后经受MEL。因此，维护操作员因而具有两个飞行来执行预期的维护操作，或者在订购适当的设备时选择最合适的维护中心。然后可以进行准确的维护安排，从而优化对飞行器的重新使用的管理。
Claims (8)
1.一种用于预测飞行器中的故障的方法，其中，所述方法包括：分析所述飞行器(6)的至少一个飞行参数的当前行为以检测所述当前行为相对于所述参数的既有行为模型(14)的任何偏差，所述行为模型是根据与在一组飞行器(16)的飞行期间采集的所述参数有关的多个学习数据序列而在初步学习阶段中被构建的，检测飞行参数的行为的任何偏差包括以下步骤：
根据与所述参数有关的测量值来对每个当前飞行采集当前数据序列；
将所述当前数据序列分割成预定数量的片段以将所述当前数据序列转换成当前片段串，所述片段的数量由所述行为模型(14)来限定；
相对于由所述行为模型(14)限定的参考片段串来排列所述当前片段串中的片段；
向所述当前片段串分配预定特征测量值以生成当前测量矢量；和
计算所述当前测量矢量与由所述行为模型限定的参考测量矢量之间的距离，所述距离的值表示所述飞行参数的正常行为或异常行为，
其中，构建与给定参数有关的所述行为模型包括：
根据与所述参数有关的测量值来对所述一组飞行器的每个飞行采集至少一个学习数据序列，从而在所述一组飞行器(16)的飞行期间形成多个学习数据序列，
将每个所述学习数据序列分割成最佳数量的片段以将所述学习数据序列转换成学习片段串，所述片段的最佳数量限定与所述参数相关联的预定片段数量，
将一组学习数据序列转换成相应的一组学习片段串，
从所述一组学习片段串中选择中央片段串，所述中央片段串限定所述参考片段串，
通过相对于所述参考片段串进行识别，来排列所述一组学习片段串(C1...Cp)中的片段，
通过向每个学习片段和/或每个学习片段串中的一组片段分配预定特征测量值，来生成针对每个学习片段串的学习测量矢量，
计算每个学习测量矢量与关联于所述参考片段串的参考测量矢量之间的学习距离，以及
根据随所述学习距离而变化的连续区间，对一组学习测量矢量进行划分，从而限定正常行为区间(ln)和非典型行为区间(la)。
2.根据权利要求1所述的方法，其中，所述方法还包括：计算所述飞行参数的异常行为的得分。
3.根据权利要求1或2所述的方法，其中，识别所述飞行器的展现出异常行为的一组飞行(Vi、Vj、Vk)以及在所述一组飞行期间进行的维护动作。
4.根据权利要求1或2所述的方法，其中，每个学习数据序列或每个当前数据序列包括来自飞行数据记录仪的时间数据和/或来自集中式监控系统的按时间编索引的故障消息。
5.根据权利要求1或2所述的方法，其中，所述中央片段串对应于所述一组片段串的中心点。
6.根据权利要求5所述的方法，其中，所述方法还包括以下步骤：
保存所述参考片段串、所述测量矢量与所述参考测量矢量之间的距离以及对所述测量矢量的划分；
显示表示所述行为模型的图。
7.一种用于预测飞行器中的故障的系统，其中，所述系统包括：处理器(3)，所述处理器被配置成分析所述飞行器的至少一个飞行参数的当前行为以检测所述当前行为相对于所述参数的预定行为模型(14)的任何偏差，所述行为模型是根据与在一组飞行器的飞行期间采集的所述参数有关的多个学习数据序列而被确定的，检测飞行参数的行为的任何偏差包括以下步骤：
根据与所述参数有关的测量值来对每个当前飞行采集当前数据序列；
将所述当前数据序列分割成预定数量的片段，以将所述当前数据序列转换成当前片段串，所述片段的数量由所述行为模型(14)来限定；
相对于由所述行为模型(14)限定的参考片段串来排列所述当前片段串中的片段；
向所述当前片段串分配预定特征测量值以生成当前测量矢量；和
计算所述当前测量矢量与由所述行为模型限定的参考测量矢量之间的距离，所述距离的值表示所述飞行参数的正常行为或异常行为，
其中，构建与给定参数有关的所述行为模型包括：
根据与所述参数有关的测量值来对所述一组飞行器的每个飞行采集至少一个学习数据序列，从而在所述一组飞行器(16)的飞行期间形成多个学习数据序列，
将每个所述学习数据序列分割成最佳数量的片段以将所述学习数据序列转换成学习片段串，所述片段的最佳数量限定与所述参数相关联的预定片段数量，
将一组学习数据序列转换成相应的一组学习片段串，
从所述一组学习片段串中选择中央片段串，所述中央片段串限定所述参考片段串，
通过相对于所述参考片段串进行识别，来排列所述一组学习片段串(C1...Cp)中的片段，
通过向每个学习片段和/或每个学习片段串中的一组片段分配预定特征测量值，来生成针对每个学习片段串的学习测量矢量，
计算每个学习测量矢量与关联于所述参考片段串的参考测量矢量之间的学习距离，以及
根据随所述学习距离而变化的连续区间，对一组学习测量矢量进行划分，从而限定正常行为区间(ln)和非典型行为区间(la)。
8.一种包括维护和管理航空电子系统的监控系统，其中，所述监控系统还包括如权利要求7所述的用于预测故障的系统。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1655040A FR3052273B1 (fr) | 2016-06-02 | 2016-06-02 | Prediction de pannes dans un aeronef |
| FR1655040 | 2016-06-02 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107463161A CN107463161A (zh) | 2017-12-12 |
| CN107463161B true CN107463161B (zh) | 2021-10-12 |
Family
ID=56990529
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710405964.8A Active CN107463161B (zh) | 2016-06-02 | 2017-05-26 | 预测飞行器中的故障的方法和系统以及监控系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US10360741B2 (zh) |
| CN (1) | CN107463161B (zh) |
| FR (1) | FR3052273B1 (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017208179A1 (en) * | 2016-05-31 | 2017-12-07 | Bombardier Inc. | Displaying performance limitations in aircraft display |
| US10587635B2 (en) * | 2017-03-31 | 2020-03-10 | The Boeing Company | On-board networked anomaly detection (ONAD) modules |
| US10372389B2 (en) * | 2017-09-22 | 2019-08-06 | Datamax-O'neil Corporation | Systems and methods for printer maintenance operations |
| CN107992077A (zh) * | 2017-12-13 | 2018-05-04 | 北京小米移动软件有限公司 | 飞行器故障救援方法及装置 |
| US11720814B2 (en) * | 2017-12-29 | 2023-08-08 | Samsung Electronics Co., Ltd. | Method and system for classifying time-series data |
| CN108957173A (zh) * | 2018-06-08 | 2018-12-07 | 山东超越数控电子股份有限公司 | 一种用于航空电子系统状态的检测方法 |
| CN110910530B (zh) * | 2018-09-11 | 2022-06-07 | 陕西千山航空电子有限责任公司 | 一种具有综合告警功能的飞参系统设计方法 |
| US11341780B2 (en) * | 2018-11-14 | 2022-05-24 | The Boeing Company | Maintenance of an aircraft via similarity detection and modeling |
| FR3089501B1 (fr) * | 2018-12-07 | 2021-09-17 | Safran Aircraft Engines | Système d’environnement informatique pour la surveillance de moteurs d’aéronefs |
| CA3128957A1 (en) * | 2019-03-04 | 2020-03-03 | Bhaskar Bhattacharyya | Near real-time detection and classification of machine anomalies using machine learning and artificial intelligence |
| FR3095424A1 (fr) * | 2019-04-23 | 2020-10-30 | Safran | Système et procédé de surveillance d’un moteur d’aéronef |
| US11604934B2 (en) * | 2019-05-29 | 2023-03-14 | Nec Corporation | Failure prediction using gradient-based sensor identification |
| FR3098942B1 (fr) * | 2019-07-17 | 2021-11-19 | Safran Aircraft Engines | Procédé, dispositif, programme d’ordinateur de prédiction de panne/ anomalie de démarrage d’aéronef |
| CN110635837B (zh) * | 2019-09-23 | 2022-04-26 | 中电科航空电子有限公司 | 一种支持多种网络传输地空数据的系统及方法 |
| FR3101669B1 (fr) * | 2019-10-07 | 2022-04-08 | Safran | Dispositif, procédé et programme d’ordinateur de suivi de moteur d’aéronef |
| US11816935B2 (en) * | 2019-10-18 | 2023-11-14 | The Boeing Company | Predicting a repair and maintenance activity for an aircraft system |
| WO2021130520A1 (en) * | 2019-12-23 | 2021-07-01 | Embraer S.A. | Systems and methods for an agnostic system functional status determination and automatic management of failures |
| US11697510B2 (en) * | 2020-01-30 | 2023-07-11 | The Boeing Company | Monitoring health of safety brakes in auxiliary lift devices |
| FR3120724A1 (fr) * | 2021-03-10 | 2022-09-16 | Psa Automobiles Sa | Procédé et dispositif de prédiction de panne d’au moins composant d’un véhicule |
| CN113204914B (zh) * | 2021-04-12 | 2022-06-17 | 哈尔滨工业大学 | 一种基于多架次飞行数据表征建模的飞行数据异常判读方法 |
| CN114281054B (zh) * | 2021-10-09 | 2024-01-30 | 南京航空航天大学 | 一种基于lstm-cnn的飞机远程故障分析方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101909206A (zh) * | 2010-08-02 | 2010-12-08 | 复旦大学 | 基于视频的智能飞行器追踪系统 |
| CN101943911A (zh) * | 2008-12-23 | 2011-01-12 | 巴西航空有限公司 | 用于机电系统和组件的健康监控和预测 |
| CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
| CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
| CN104321708A (zh) * | 2012-02-29 | 2015-01-28 | 萨热姆防务安全公司 | 分析飞行数据的方法 |
| CN105427674A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
Family Cites Families (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090249129A1 (en) * | 2007-10-12 | 2009-10-01 | David Femia | Systems and Methods for Managing Multi-Component Systems in an Infrastructure |
| 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 |
| US9026304B2 (en) * | 2008-04-07 | 2015-05-05 | United Parcel Service Of America, Inc. | Vehicle maintenance systems and methods |
| FR2939924B1 (fr) * | 2008-12-15 | 2012-10-12 | Snecma | Identification de defaillances dans un moteur d'aeronef |
| US8370045B2 (en) * | 2009-08-14 | 2013-02-05 | Lockheed Martin Corporation | Starter control valve failure prediction machine to predict and trend starter control valve failures in gas turbine engines using a starter control valve health prognostic, program product and related methods |
| US8676432B2 (en) * | 2010-01-13 | 2014-03-18 | GM Global Technology Operations LLC | Fault prediction framework using temporal data mining |
| FR2999318A1 (fr) * | 2012-12-12 | 2014-06-13 | Thales Sa | Procede d'evaluation de la surete de fonctionnement d'un systeme complexe |
| GB2510596B (en) * | 2013-02-08 | 2015-02-18 | Ge Aviat Systems Ltd | Method for predicting a trailing edge flap fault |
| GB2513132B (en) * | 2013-04-16 | 2015-05-27 | Ge Aviat Systems Ltd | Method for predicting a bleed air system fault |
| GB2518893B (en) * | 2013-10-07 | 2018-11-21 | Ge Aviat Systems Ltd | Method for predicting an auxiliary power unit fault |
| BR112016017908A2 (pt) * | 2014-02-21 | 2017-08-08 | Taleris Global Llp | Método para predizer uma falha em um pack de ar condicionado de uma aeronave |
| CN106164794A (zh) * | 2014-02-21 | 2016-11-23 | 特莱丽思环球有限合伙公司 | 用于预测飞机的机舱温度控制系统中的故障的方法 |
| WO2015183364A2 (en) * | 2014-05-09 | 2015-12-03 | Sikorsky Aircraft Corporation | Method and apparatus for condition based maintenance of fiber networks on vehicles |
| KR20160025664A (ko) * | 2014-08-27 | 2016-03-09 | 삼성에스디에스 주식회사 | 이상 조기 감지 장치 및 방법 |
| US9435661B2 (en) * | 2014-10-08 | 2016-09-06 | Honeywell International Inc. | Systems and methods for attitude fault detection based on air data and aircraft control settings |
| US10417251B2 (en) * | 2014-10-31 | 2019-09-17 | The Boeing Company | System and method for storage and analysis of time-based data |
| US9550583B2 (en) * | 2015-03-03 | 2017-01-24 | Honeywell International Inc. | Aircraft LRU data collection and reliability prediction |
| US20170261406A1 (en) * | 2016-03-10 | 2017-09-14 | Simmonds Precision Products, Inc. | Physical component fault diagnostics |
| US20170293517A1 (en) * | 2016-04-11 | 2017-10-12 | Simmonds Precision Products, Inc. | Physical component predicted remaining useful life |
-
2016
- 2016-06-02 FR FR1655040A patent/FR3052273B1/fr active Active
-
2017
- 2017-05-26 US US15/606,917 patent/US10360741B2/en active Active
- 2017-05-26 CN CN201710405964.8A patent/CN107463161B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101943911A (zh) * | 2008-12-23 | 2011-01-12 | 巴西航空有限公司 | 用于机电系统和组件的健康监控和预测 |
| CN101909206A (zh) * | 2010-08-02 | 2010-12-08 | 复旦大学 | 基于视频的智能飞行器追踪系统 |
| CN104321708A (zh) * | 2012-02-29 | 2015-01-28 | 萨热姆防务安全公司 | 分析飞行数据的方法 |
| CN103499921A (zh) * | 2013-09-11 | 2014-01-08 | 西安交通大学 | 变结构模糊系统传感器故障诊断方法及其在飞控系统的应用 |
| CN103675525A (zh) * | 2013-11-14 | 2014-03-26 | 南京航空航天大学 | 基于多svdd模型的dc-dc变换器健康监测与故障预测方法 |
| CN105427674A (zh) * | 2015-11-02 | 2016-03-23 | 国网山东省电力公司电力科学研究院 | 一种无人机飞行状态实时评估预警系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US10360741B2 (en) | 2019-07-23 |
| FR3052273B1 (fr) | 2018-07-06 |
| FR3052273A1 (fr) | 2017-12-08 |
| CN107463161A (zh) | 2017-12-12 |
| US20170352204A1 (en) | 2017-12-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107463161B (zh) | 预测飞行器中的故障的方法和系统以及监控系统 | |
| EP3608744B1 (en) | Methods and systems for identifying associated events in an aircraft | |
| US10643187B2 (en) | Reporting and prioritizing faults for aircraft downtime reduction | |
| EP2015186B1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| US20170284896A1 (en) | System and method for unsupervised anomaly detection on industrial time-series data | |
| US7395188B1 (en) | System and method for equipment life estimation | |
| US8914149B2 (en) | Platform health monitoring system | |
| US8682616B2 (en) | Identifying failures in an aeroengine | |
| US8370045B2 (en) | Starter control valve failure prediction machine to predict and trend starter control valve failures in gas turbine engines using a starter control valve health prognostic, program product and related methods | |
| CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
| WO2010067547A1 (ja) | 車両の故障診断装置 | |
| US20140365179A1 (en) | Method and Apparatus for Detecting and Identifying Faults in a Process | |
| US20110010130A1 (en) | Health management systems and methods with predicted diagnostic indicators | |
| EP3270250A1 (en) | Method and system for remote monitoring of power generation units | |
| US20150287249A1 (en) | System for monitoring a set of components of a device | |
| US9116965B2 (en) | Method and apparatus for monitoring performance characteristics of a system and identifying faults | |
| WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
| US20170352205A1 (en) | Validation tool for an aircraft engine monitoring system | |
| JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
| TWI710873B (zh) | 支援裝置、學習裝置以及廠房運轉條件設定支援系統 | |
| US20170038281A1 (en) | Method of predicting life of component of machine | |
| Azevedo et al. | Estimation of health indicators using advanced analytics for prediction of aircraft systems remaining useful lifetime | |
| TW202201591A (zh) | 裝置診斷裝置、裝置診斷方法、電漿處理裝置及半導體裝置製造系統 | |
| JP2017142624A (ja) | 監視装置及び監視装置の制御方法 | |
| JP7026012B2 (ja) | 機器状態監視システム及び機器状態監視方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |