CN108229538B - 交通工具系统预测装置和方法 - Google Patents

交通工具系统预测装置和方法 Download PDF

Info

Publication number
CN108229538B
CN108229538B CN201711287724.9A CN201711287724A CN108229538B CN 108229538 B CN108229538 B CN 108229538B CN 201711287724 A CN201711287724 A CN 201711287724A CN 108229538 B CN108229538 B CN 108229538B
Authority
CN
China
Prior art keywords
data
vehicle
vehicle system
matrix
processor
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
Application number
CN201711287724.9A
Other languages
English (en)
Other versions
CN108229538A (zh
Inventor
查尔斯·E·马丁
蔡-青·卢
艾丽斯·A·墨菲
克里斯托夫·R·韦兹登克
史蒂夫·斯劳特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Boeing Co
Original Assignee
Boeing Co
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Boeing Co filed Critical Boeing Co
Publication of CN108229538A publication Critical patent/CN108229538A/zh
Application granted granted Critical
Publication of CN108229538B publication Critical patent/CN108229538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
    • G06F18/21345—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis enforcing sparsity or involving a domain transformation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • 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
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data
    • G07C5/085—Registering performance data using electronic data carriers
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/0841—Registering performance data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了交通工具系统预测装置和方法。一种用于确定交通工具系统预测的方法，包括用一个或多个传感器检测交通工具的预定特性，获得与预定特性对应的多个传感器信号，从所述一个或多个传感器接收多个传感器信号并基于传感器信号确定数据的输入时间序列，基于数据的输入时间序列产生时间序列数据的矩阵，基于预定聚类标准将时间序列数据的矩阵聚类成预定数量的群集，基于预定数量的群集产生稀疏时间矩阵，从稀疏时间矩阵提取指示交通工具系统的操作的提取特征并且基于提取特征来确定交通工具系统的操作状态，和将交通工具系统的操作状态传送至交通工具的操作员或机组人员。

Description

交通工具系统预测装置和方法
背景技术
传统上，使用进行时间序列中的特征的无监督学习的聚类(聚类分析，clustering)聚焦于将数据点分组为固定数量的群集(群组，cluster)。在预测(prognostics)和健康管理领域中，通常假设分组对应于相对于特定类型的故障模式的组件磨损/劣化的程度。
通常，以不同的方式执行用于相对于预测、诊断或剩余使用寿命预报(prediction)建模和预报的聚类时间序列数据。例如，减法最大熵模糊聚类可以用作无监督特征学习的形式。减法最大熵模糊聚类对多维时间序列数据进行操作，并将每个群集与组件条件相关联。利用减法最大熵模糊聚类，使用减法聚类预先确定群集的数量，并且因此丢失了来自群集稳定性的任何可用信息。
作为另一实例，基于竞争模型的聚类利用隐藏式马尔科夫模型来表示具有不同特性(characteristics)的时间序列。由于构成元素的条件劣化了由作为不同特征(features)的构成元素产生的时间序列测量。隐藏式马尔科夫模型竞争代表时间序列的区段(segments)，并且最终，将时间序列划分成由不同操作条件产生的区段的组(group)。然后使用监督学习将每个集合(set)的区段映射到一定程度的组件劣化。基于竞争性模型的聚类的缺点在于，它聚焦于一维时间序列数据，这是由于用隐藏式马尔科夫模型将多维时间序列数据准确地建模的挑战。
聚类时间序列的另外的实例聚焦于将一维时间序列的不同区段聚类，如用动态时间扭曲作为时间序列区段之间的度量。然后将标准聚类算法应用于区段的集合。然后，针对每个数据的群集学习独特的预测模型。
发明内容
因此，旨在解决一个或多个上述(或其他)问题的系统和方法会发挥效用。
本公开的一个实例涉及一种用于确定交通工具系统预测的方法，该方法包括：利用交通工具上的(随交通工具携带的，onboard the vehicle)一个或多个传感器来检测交通工具的预定特性；从一个或多个传感器获得与预定特性对应的多个传感器信号；用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号并且用交通工具上的处理器基于这些传感器信号确定数据的输入时间序列；用交通工具上的处理器基于数据的输入时间序列产生时间序列数据的矩阵；用交通工具上的处理器基于预定聚类标准将时间序列数据的矩阵聚类成预定数量的群集；用交通工具上的处理器基于预定数量的群集产生稀疏时间矩阵；用交通工具上的处理器从稀疏时间矩阵提取指示交通工具系统的操作的特征并基于特征确定交通工具系统的操作状态；以及用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
本公开的一个实例涉及一种交通工具系统预测装置，包括：交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性，并产生与预定特性对应的多个传感器信号；指示器装置；和交通工具上的处理器，该处理器连接到一个或多个传感器和指示器装置，并且被配置为从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号确定数据的输入时间序列；基于数据的输入时间序列产生时间序列数据的矩阵；基于预定的聚类标准将时间序列数据的矩阵聚类成预定数量的群集；基于预定数量的群集产生稀疏时间矩阵；从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和通过指示器装置将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
本公开的一个实例涉及一种用于确定交通工具系统预测的方法，方法包括：用交通工具上的一个或多个传感器来检测交通工具的预定特性；从一个或多个传感器获得与预定特性对应的多个传感器信号；用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号并且用交通工具上的处理器基于传感器信号确定数据的输入时间序列；用交通工具上的处理器基于数据的输入数据时间序列产生数据分布空间内的时间序列数据的矩阵；用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成数据分布空间的预定数量的数据区域；用交通工具上的处理器基于预定数量的数据区域内的数据产生稀疏时间矩阵；用交通工具上的处理器从稀疏时间矩阵提取指示交通工具系统的操作的特征并基于该特征确定交通工具系统的操作状态；以及用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
附图说明
已经概括地描述了本公开的实例，现在将参考附图，这些附图不一定按比例绘制，并且其中相同的附图标记在几个视图中表示相同或相似的部分，并且其中：
图1是根据本公开的一个方面的交通工具系统预测装置的框图；
图2是根据本公开的一个方面的传感器信号的时间序列、数据窗口化和聚类的示意图；
图3A是根据本公开的一个方面的各个子空间中的数据点矢量的示意图；
图3B是根据本公开的一个方面的各个局部区域中的数据点的示意图；
图3C是根据本公开的一个方面的各个非线性流形(non-linear manifold)中的数据点矢量的示意图；
图4是根据本公开的一个方面的示出数据点的时间序列的稀疏时间矩阵；
图5是根据本公开的一个方面的示出数据点的时间序列的稀疏时间矩阵；
图6是根据本公开的一个方面的用于确定交通工具系统预测的方法的流程图；
图7是飞机生产和服务方法的流程图；和
图8是包括分布式交通工具系统的飞机的示意图。
在上述方框图中，连接各种元件和/或组件的实线(如果有的话)可以表示机械的、电气的、流体的、光学的、电磁的和其他的连接(coupling)和/或它们的组合。如本文所使用的，“连接”意味着直接和间接相关联。例如，构件A可直接与构件B相关联，或者例如可以经由另一个构件C间接地与其相关联。也可以存在除框图中描述的那些以外的连接。连接各种元件和/或组件的虚线(如果有的话)代表与由实线表示的那些连接在功能上和目的上相似的连接；然而，由虚线表示的连接可以是选择性提供的，或者可以涉及本公开的替代的或可选的方面。同样，以虚线表示的元件和/或组件(如果有的话)表示本公开的替代的或可选的方面。环境因素(如果有的话)用虚线表示。
在上述框图中，框也可以表示操作和/或其部分。连接各种框的线不暗示操作或其部分的任何特定顺序或从属性。
具体实施方式
在下面的描述中，阐述了许多具体细节以提供对所公开概念的透彻理解，可以在没有这些细节中的一些或全部的情况下实践这些概念。在其他情况下，已经省略了已知设备和/或过程的细节以避免不必要地模糊本公开。虽然将结合具体实施例描述一些概念，但是应当理解，这些实施例并不旨在限制。
参考图1和图8，本文所描述的本公开的方面提供了一种交通工具系统预测装置100和使用基于聚类的特征提取来增强交通工具预测和剩余使用寿命预报的方法。本公开的方面使用多尺度时间聚类，并且将多维时间序列数据(如数据的输入时间序列Z(t))自动组织成有意义的组。本公开的方面利用群集间(inter-cluster)动态和群集稳定性中的一个或多个作为交通工具系统组件190C故障预报和状态评估的特征。群集间动态和群集稳定性携带信息，如表示关于交通工具系统组件190C的操作条件的信息的数据点和提供用于区分不同故障模式(如布线和传感器故障与机械故障)之间的区别的数据点，以及组件劣化的程度。在一个方面，组件的劣化程度提供了交通工具系统组件190C的剩余使用寿命的确定。
如本文更详细地描述的，给定一组变量，如通过其测量一个或多个交通工具系统组件190C的状态(例如条件)的多维传感器信号数据YD，以及数据点的多维时间序列，如数据的输入时间序列Z(t)，通过将数据的输入时间序列Z(t)时间窗口化来提取一提取特征115以产生一个或多个时间序列数据的矩阵M(t)。将一个或多个时间序列数据的矩阵M(t)的数据点聚类预定的次数以产生包括多个群集C1-Cn的聚类数据113。将多个群集C1-Cn映射到稀疏时间矩阵114。从稀疏时间矩阵114提取提取特征115，其中提取特征115和/或群集C1-Cn(如在稀疏时间矩阵中表示的)被输出到交通工具操作员或任何其他合适的个人，如维护人员。如在稀疏时间矩阵中表示的提取特征115和/或群集C1-Cn被用于检测在交通工具系统组件190C的操作条件方面的变化并预报交通工具系统组件190C的故障和剩余使用寿命。
如下面更详细描述的，本公开的方面产生并利用不同级别的粒度的公用数据集合的多个群集C1-Cn。不同级别的粒度提供了公用数据集的多尺度视图，并且提供关于所学习的聚类在时间和空间维度上的稳定性的信息，其有效地提供交通工具系统组件190C即将发生的故障的早期指示。多个群集C1-Cn的呈现和数据的时间分量作为稀疏时间矩阵提供了用于分析群集间动态的框架。群集间动态捕获如断裂(例如，当数据点从一个群集跳转到另一个群集)和群集转换(例如，当数据点从一个群集永久变换到另一个群集时)的特征，这些特征是不同类型的交通工具系统组件190C故障模式的。考虑到足够的历史数据，可以使用断裂和群集转变来预报被监测的交通工具系统组件190C的剩余使用寿命。
本公开的方面提供从大群体(large groups)的噪声多维传感器信号数据中提取提取特征115，用于增强即将到来的交通工具系统组件190C故障和剩余使用寿命的预报的目的。通常，交通工具802包括不同子系统的阵列，如参考图8，例如推进系统824、电力系统826、液压系统828和环境系统830。每个子系统包括各自的交通工具系统组件190C和传感器101测量交通工具系统组件190C的状态的各个方面。从传感器获得的测量结果，例如多维传感器信号数据YD，由交通工具系统预测装置100使用以推断交通工具子系统及其各自的交通工具系统组件190C的状态和操作特性。在交通工具子系统内部和交通工具子系统之间存在根本因果机制，其引起测量的多维传感器信号数据YD之间的统计依赖性。本公开的方面提取这些统计依赖性并将它们组织成显示指示交通工具系统组件190C的操作特性方面的变化或改变的细微(subtle)信号的特征。在一个方面，细微信号包括在记录的传感器101测量结果的动态中的细微间歇性不一致。下面描述的细微信号中的这些变化或改变指示即将发生的交通工具系统组件190C故障以及指示关于交通工具系统组件190C的剩余使用寿命的信息。
多尺度聚类和数据点的时间排序的合并(例如，数据的输入时间序列Z(t)和时间序列数据的矩阵M(t)中)提供给交通工具系统预测装置100以通过细微信号预报即将发生的故障。此外，本公开的多尺度聚类使得能够在交通工具系统预测装置100的后端直接在提取特征之上使用简单分类器(例如断裂和群集变换)，如在特征提取和分析期间。
仍参考图1和图8，交通工具系统预测装置100可以被集成到任何合适的交通工具802中。交通工具系统预测装置100包括交通工具802上的一个或多个传感器101，一个或多个传感器101被配置为检测交通工具系统190(和/或交通工具系统组件190C)的预定特性190P，并且产生多维传感器信号数据YD，其包括对应于预定特性190P的多个传感器信号Y1-Yn。传感器信号Y1-Yn可以来自交通工具系统190内的连续的或离散的事件。预定特性190P可以是与被监测的交通工具系统190C的操作相对应的任何合适的特性，如电流消耗、振动、流体流动速率等。一个或多个传感器101通过例如通信电缆102和/或任何合适的无线通信连接到位于交通工具802上的任何合适的数据记录器103。数据记录器103可以是任何合适的数据记录器，如维护数据记录器、现代化信号处理单元或飞行数据记录器。在一个方面，数据记录器103包括被配置为任何合适的存储器104和执行本文所描述的本发明的各方面的一个或多个处理器105。任何合适的指示器装置106，如任何合适的视觉显示和/或听觉指示器，被连接到数据记录器103以便从例如数据记录器的处理器105接收，并将操作状态106A(其可以包括例如至少交通工具系统的组件的剩余使用寿命)或其他消息106B指示给交通工具802操作员或其他人员。在一个方面，另一个消息106B包括以下中的至少一个或多个：修复交通工具系统190的组件的消息中；替换交通工具系统190的组件和在预定区域呈现更换组件的消息；以及该表交通工具802的调度时间表的消息，使得基于交通工具系统组件190C的剩余使用寿命的预测修理交通工具系统190的消息。
参考图1、图2和图3A-图3C，在一个方面，处理器105，其借助数据记录器103连接到一个或多个传感器101和指示器装置106，被配置为从一个或多个传感器101接收传感器信号Y1-Yn(其形成多维传感器信号数据YD)，并且使用输入时间序列产生模块105A基于传感器信号Y1-Yn来确定数据的输入时间序列Z(t)。处理器105进一步被配置为用矩阵产生模块105B基于数据的输入时间序列Z(t)产生时间序列数据的矩阵M(t)。例如，通过用具有任何合适的尺寸(例如，以便包括任何合适数量的时间点)的窗口210将数据的输入时间序列Z(t)时间窗口化来产生时间序列数据的矩阵M(t)。例如，具有固定长度(在本实例中，长度为四个时间单位(t)-(t+3))的时间窗口210在数据的输入时间序列Z(t)上移动，并且每个数据窗口在时间序列数据的矩阵M(t)中创建的一组数据点。在一个方面，时间窗口210的长度可以是预设的，或者可由交通工具802的操作员或其他人员设置长度(即用户定义的)，注意时间窗口210应该足够大以捕获相关时间点，但不会过大使得时间窗口捕获不相关的时间点。一方面，随着时间窗口210沿数据的输入时间序列Z(t)移动，窗口210的位置210A、210B可彼此重叠或不重叠。注意，如图2所示，沿着数据的输入时间序列Z(t)，为窗口210的每个位置210A、210B产生时间序列数据的矩阵M(t)的矩阵M1-Mn。例如，位置210A处的时间窗口210用于产生矩阵M1，而位置210B处的窗口210将用于产生矩阵M2等。
在一个方面，处理器105被配置为产生时间序列数据的矩阵M(t)，使得时间序列数据的矩阵M(t)存在于数据分布空间300A、300B、300C中，上述数据分布空间300A、300B、300C具有的尺寸对应于数据的输入时间序列X1(t)-Xn(t)的数量和用于确定时间序列数据的矩阵M(t)的时间窗口210的大小。在图2所示的实例中，数据分布空间300具有四乘四的尺寸(例如四个数据的输入时间序列Z1-Z4和跨越四个时间单位(t)-(t+3)的时间窗口210)。在一方面，取决于由交通工具系统预测装置100使用的聚类的类型，时间序列数据的矩阵M(t)中的每个时间序列X(t)，X(t+1)，X(t+2)，X(t+3)等存在于数据分布空间300A内的各个子空间S1-S4中，数据分布空间300C内的相应的非线性流形S1B-S4B中，数据分布空间300B内的相应的局部区域或“团”S1A-S4A中，或任何合适的空间，这里统称为数据区域S。
处理器105被配置为用聚类模块105C基于任何合适的预定的聚类标准将时间序列数据的矩阵M(t)聚类成预定数量的群集C1-Cn，其中预定数量的群集C1-Cn包括多于两个时间上连续的群集C1-Cn。在一个方面，使用任何合适的聚类方法200来执行时间序列数据的矩阵M(t)的聚类，合适的聚类方法如例如稀疏子空间聚类、凝聚聚类(agglomerativeclustering)或近邻传播(affinity propagation)。作为实例，时间序列数据的矩阵M(t)被聚集到数据分布空间300A的子空间S1A-S4A的情况下，每个子空间S1A-S4A表示群集C1-C4，并且每个群集C4-C4包括数据分布空间300A的超平面400H1、400H2、500H1、500H2、500H3(参见图4和图5)。类似地，当时间序列数据的矩阵M(t)被聚类到数据分布空间300C的非线性流形S1B-S4B中的情况下，非线性流形S1B-S4B中的每一个表示群集C1-C4；并且当时间序列数据的矩阵M(t)被聚类到数据分布空间300B的局部区域S1A-S4A中，每个局部区域S1A-S4A表示群集C1-C4。
根据本公开的方面，由聚类模块105C使用的聚类方法200提供待产生的指定数目的群集C1-Cn，或者具有增加或减少产生的群集C1-Cn的数量的参数。例如，对由数据的输入时间序列Z(t)的时间窗口化产生的时间序列数据的矩阵M(t)进行运算聚类方法200。一方面，交通工具802的操作员或其他人员可以指定应用聚类方法200的次数以及对于每个应用将每个时间序列数据的矩阵M1-Mn分多少个群集；而在其他方面，可以预设应用聚类方法200的次数以及将每个时间序列数据的矩阵M1-Mn分多少个群集。作为实例，操作员或其他人员可指定聚类标准的列表，其限定聚类应用的数量和针对每个聚类应用待产生的群集的数量。例如，聚类标准的列表可以是[2，3，4，6，8，12]，这意味着聚类方法200应用于例如时间序列数据的矩阵M(t)中的每个矩阵M1-Mn六次，其中，对于每个矩阵M1-Mn，第一聚类应用将矩阵数据分解成两个群集C1，C2，第二聚类应用将矩阵数据分解三个群集C3-C6，第三聚类应用将矩阵数据分解为四个群集C7-C10，第四个应用将矩阵数据分解成六个群集C11-C16，第五个聚类应用将矩阵数据分解成八个群集C17-C24，第六个聚类应用将矩阵数据分解成12个群集C25-C36，从而为每个矩阵M1-Mn产生不同级别的粒度。可替代地，如果聚类方法200具有指定聚类方法200在将每个矩阵M1-Mn的数据点放入不同分组中应当的主动(aggressive)程度的参数，那么交通工具802的操作员或其他人员将指定对应于聚类方法200的侵略性的参数值的列表。
参考图1，图2，图4和图5，处理器105被配置为用稀疏时间矩阵模块105D组织数据点的预定数量的群集C1-Cn，并且基于该预定数量的群集C1-Cn产生稀疏时间矩阵114。在一个方面，为每个聚类数据113产生稀疏时间矩阵114，其中每个聚类数据对应于时间序列数据的矩阵M(t)的矩阵M1-Mn中的相应一个。在一个方面，如图4和图5所示，稀疏时间矩阵114、114A、114B的列(columns)代表取得/获得传感器信号Y1-Yn的有序离散时间点。稀疏时间矩阵114、114A、114B的行代表群集C1-Cn。在一个方面，属于产生最少群集数量的聚类的群集C1-Cn占据第一行，依此类推。例如，使用上面描述的聚类标准的列表(例如[2，3，4，6，8，12])，在聚类的第一次应用期间产生的两个群集将占据第1行和第2行，在聚类的第二次应用期间产生的三个聚类将占据第3-5行，依此类推。对应于稀疏时间矩阵114、114A、114B中的时间T的列和行的条目(i、j-，其中i表示聚类应用而j表示在第i个聚类应用期间产生的群集)，如果在时间T测量的数据点属于由第i次聚类产生的第j个群集，则条目为一(1，one)，否则为零(0，zero)(注意：对于每个时间/列，每次聚类只有一个非零的条目)。
处理器105被配置为用特征提取和分析模块105E从稀疏时间矩阵114提取指示交通工具系统190的操作的提取特征115，并且基于该提取特征115确定交通工具系统190的操作状态。在一个方面，可以存在指示交通工具系统190的操作的两个广泛类别的特征。例如，这两个广泛类别的特征可以是稳定的群集间动态和不稳定的群集间动态。在稀疏时间矩阵114、114A、114B的群集C1-Cn之间的稳定的群集间动态的展示(exhibition)可以指示被监测的交通工具系统190或交通工具系统组件190C的正常操作。例如，参考图4，区域410是稳定的群集间动态的区域，其中稀疏时间矩阵114A中的数据点存在于公共群集C2中。作为另一实例，参考图5，区域510是稳定的群集间动态的区域，其中稀疏时间矩阵114B中的数据点存在于两个群集C1，C2，其中从群集C2到群集C1的数据点改变可能是对被监测的交通工具系统190或交通工具系统组件190C的修改的结果。图4和图5中的区域430和530也说明了群集转变的稳定群集间动态特征，但是如下所描述的，在群集转变发生在不稳定群集间动态的区域之后的情况下，该群集转变指示交通工具系统190或交通工具系统组件190C中即将发生的故障。
不稳定的群集间动态的展示是交通工具系统190或交通工具系统组件190C将在例如预定量的时间内经历故障的指示。不稳定的群集间动态的一个实例是断裂，其在图4和图5的区域420和520中示出。这里，稀疏时间矩阵114A、114B的数据点偶尔地或频繁地从一个群集跳到另一个不同的群集，并且随着稀疏时间矩阵数据点驻留的群集的数量的增加而持续。
处理器105被配置为监测在稀疏时间矩阵114、114A、114B中的预定数量的群集C1-Cn内的数据点的稳定性，其中预定数量的群集C1-Cn内的数据点的稳定性的变化是交通工具系统190或交通工具系统组件190C中向故障的转变的指示。在一个方面，群集C1-Cn之间的平均距离在被监测之间转变，并将所得到的标量值与预定阈值进行比较。例如，如上所描述的，相对于一个或多个预定数量的群集C1-Cn中的数据点的存在，处理器105监测稀疏时间矩阵114、114A、114B内的数据点的行为，使得识别出如断裂或群集转变等特征。数据点的断裂行为(例如，数据点在预定数量的群集的两个或更多个群集之间连续转变)表示交通工具系统190或交通工具系统组件190C中的向故障的预转变。数据点从一个群集永久转变到另一个群集(即，群集转变)的数据点的转变行为，当这种转变在断裂之后，表明交通工具系统190C或交通工具系统组件190C向故障的转变。
例如，在稀疏子空间聚类被用作聚类方法200的情况下，在一个方面，稀疏时间矩阵中的群集C1-Cn(表示为行)中的每一个包括数据分布空间300A的超平面400H1、400H2、500H1、500H2、500H3。在这方面，处理器被配置为通过相对于一个或多个超平面400H1、400H2、500H1、500H2、500H3内的数据点的存在监测稀疏时间矩阵114内的数据点的行为提取作为交通工具系统190的操作的指示的提取特征115。在一个方面，提取特征115包括数据点的断裂行为，其中数据点在两个或更多个超平面400H1、400H2、500H1、500H2、500H3之间连续转变，其中断裂行为是交通工具系统190的向故障的预转变的指示。在一个方面，提取特征115包括数据点的转变行为，其中数据点从一个超平面400H1、400H2、500H1、500H2、500H3永久转换到不同的超平面400H1、400H2、500H1、500H2、500H3，其中转变行为表示交通工具系统190中向故障的转变。
除了群集稳定性、断裂和群集转变的特征之外，还可以使用任何合适的机器学习技术由处理器105自动地学习指示交通工具系统故障的其他特征。例如，处理器105可配置有用于从大的稀疏时间矩阵提取预定特征的深度卷积神经网络。这种预定特征包括超平面400H1、400H2、500H1、500H2、500H3的行为，其中例如单个超平面表示正常操作，而多个超平面指示交通工具系统190的转变或即将发生故障。在一个方面，在监测断裂行为中使用超平面400H1、400H2、500H1、500H2、500H3提供计数独特超平面的数量，监测数据点在每个超平面上花费的时间，并监测超平面之间的距离。处理器105可以被配置为基于一个或多个数量的超平面中、数据点在每个超平面中所花的时间以及超平面之间的距离来产生数学模型以预测被检测的交通工具系统190或交通工具系统组件190C的剩余使用寿命。
在一个方面，处理器105可以被配置为在存储器104中存储在断裂和存在预定类型的故障之间的时间的量和/或在群集转变和存在预定类型的故障之间的时间的量用于创建将时间-至-故障与特定类型的故障相关联的历史数据，使得当发生断裂或群集转变时，处理器105可以使用历史数据来确定被监测交通工具系统190或交通工具系统组件190C的剩余使用寿命。
在一个方面，处理器105被配置为通过指示器装置106将指示交通工具系统190的操作、交通工具系统190的操作状态106A和/或消息106B的一个或多个特征传送至交通工具802的操作员或机组成员，在其他方面，处理器105被配置为(通过有线或无线通信)将指示交通工具系统190的操作、交通工具系统190的状态106A和/或消息106B的一个或多个特征传送至位于交通工具场外的(off-board)通信装置199。例如，交通工具系统预测装置100的输出在一方面是提取特征115和构成该提取特征115的群集C1-Cn。交通工具系统预测装置100的输出可以用于预测交通工具系统190和/或交通工具系统组件190C，其中将提取特征115用于如上所描述的预报和诊断故障。作为实例，强的断裂现象可以是传感器布线问题的表示(注意，由于与交通工具系统190和/或交通工具系统组件190C相关的故障的类型与断裂和群集转变现象有关，可以随着时间的推移进行学习(例如由处理器105和/或由交通工具802的操作员或其他人员)从而以增加的确定性来识别故障的类型)。此外，群集C1-Cn的输出，如在稀疏时间矩阵114、114A、114B上表示的，在空间和时间上简化了数据的表示，例如通过表示对数据的动态的内在约束，使其更容易分析和减少错误的故障指示。
在一个方面，输入时间序列产生模块105A、矩阵产生模块105B、聚类模块105C、稀疏时间矩阵产生模块105D和特征提取和分析模块105E中的一个或多个可以是由处理器105执行的计算机程序的不同的和可识别的单元，其中每个不同的和可识别的单元被配置为执行其如本文所描述的各自的功能。在另一方面，输入时间序列产生模块105A、矩阵产生模块105B、聚类模块105C、稀疏时间矩阵产生模块105D和特征提取和分析模块105E中的一个或多个可以是不同的硬件模块，其中每个不同的硬件模块具有被配置为执行它们如本文所描述的各自功能的相应处理器(和存储器)，例如，通过执行存储在其中的或由不同硬件模块访问的任何合适的程序。
现在参考图1和图6，并且将提供交通工具系统预测装置100的示例性操作。例如，用交通工具上的一个或多个传感器101确定交通工具802的一个或多个预定特性190P(图6，框600)。由数据记录器103的处理器105从一个或多个传感器101获得与预定特性190P对应的多个传感器信号，如多维传感器信号数据YD(图6，框610)。由处理器105从交通工具802上的一个或多个传感器101接收多个传感器信号(图6，框620)，并且处理器105基于传感器信号确定数据的输入时间序列Z(t)(图6，框630)。交通工具上的处理器105基于数据的输入时间序列Z(t)在数据分布空间内产生时间序列数据的矩阵M(t)(图6，框640)。交通工具上的处理器105基于预定的聚类标准将时间序列数据的矩阵M(t)聚类成预定数量的数据分布空间的数据区域S(图6，框650)。在一个方面，如上所描述的，数据区域S可以是如图3A-图3C所示的子空间S1-S4、非线性流形S1B-S4B或局部区域或“团”S1A-S4A。用交通工具802上的处理器105基于预定数量的数据区域内的数据产生稀疏时间矩阵114、114A、114B(图6，框660)。交通工具上的处理器105从稀疏时间矩阵114、114A、114B提取作为交通工具系统190和/或交通工具系统组件190C的操作的指示的提取特征115(图6，框670)，和基于提取特征115确定交通工具系统190和/或交通工具系统组件190C的操作状态(图6，框680)。交通工具上的处理器105将交通工具系统190和/或交通工具系统组件190C的操作状态传送至交通工具802的操作员或机组成员(图6，框690)。在一个方面，可以在交通工具802的调度期间或在交通工具维护期间将交通工具系统190和/或交通工具系统组件190C的操作状态实时呈现给操作员或机组人员。在其他方面，可以在任何合适的时间将交通工具系统190和/或交通工具系统组件190C的操作状态呈现给操作员或机组成员，如在交通工具系统预测装置100的记录回放期间，在交通工具调度之后输出或离线分析传感器101数据。
参考回图1和图5，本公开的方面已经应用于案例研究中以预测由于例如振动(震动，vibration)而导致的飞机802的前变速箱(nose gearbox)中即将发生的故障。例如，交通工具系统预测装置100的方面利用现场采集的数据(例如，如传感器101数据)来检测指示即将发生的组件故障的早期指示。在该实例中，从数据记录器103获得现场采集的数据，数据记录器103包括各种加速度计信号和从加速度计测量得出的称为条件指示器的低级数字特征。本实施例中的现场采集的数据在预定操作规程(operating regime)下由交通工具802定期产生和记录。本实施例中的数据的输入时间序列Z(t)是特定于飞机802的前变速箱的条件指示器时间序列数据。指示器时间序列数据由二十三个条件指示器变量组成，通过将传感器101信号数据传过多个函数获得这些变量。使用具有三个时隙的尺寸的时间窗口，并且如上参照图2所描述的数据处理，获得产生六十九个维度向量的时间序列作为聚类方法200的输入。对于本案例研究，将稀疏子空间聚类用作聚类方法200，然而也可以使用其他聚类方法，如K均值聚类、光谱影像聚类或凝聚聚类。
在本案例研究中，使用交通工具系统预测装置100的输出，检测到即将发生的前变速箱故障的早期迹象。案例研究的结果如图5所示。在时间0到约时间95之间，稀疏时间矩阵114B的数据抵抗断裂成两个以上的时间上(temporally)连续的群组(例如，群集C1和C2)，注意从群集C2到T1的转变是由于替换交通工具802的主旋翼桨毂(main rotor head)、耳轴和阻尼器。在约时间95和约时间125之间，稀疏时间矩阵114B的数据断裂为对应于群集C1和C3的两个群组，其中一组(例如，群集C1)是在正常操作条件下观察到相同组，而另一组(例如，群组C3)是正常操作聚类外的新组。这种断裂表示前变速箱中的向故障的预转变。在约时间125到时间160开始，稀疏时间矩阵114B的数据完全移动到新组(例如，群集C3)中，这表示前变速箱中即将发生故障。
描述本文中阐述的一种或多种方法的操作的公开和附图不应被解释为必须确定要执行操作的顺序。相反，尽管指示了一个说明性的顺序，但是应当理解的是，可以在适当的情况下修改操作的顺序。因此，可以以不同的顺序或同时执行某些操作。另外，在本公开的某些方面，并不是本文描述的所有操作都被执行。
可以在如图7所示的飞机制造和服务方法700以及如图8所示的飞机802的上下文中描述本公开的实例。在前期生产(pre-production)期间，说明性方法700可以包括飞机802的规格和设计704以及材料采购706。在生产期间，进行飞机802的组件和子组件的制造708和系统集成710。此后，飞机802可通过认证和交付712以被放置在服务714中。在由客户服务的情况下，飞机802被安排用于日常维护和服务716(其还可以包括修改、重新配置、翻新等)。
可以由系统集成商、第三方和/或运营商(例如，客户)执行或进行说明性方法700的每个处理。为了本说明书的目的，系统集成商可以包括但不限于任何数量的飞机制造商和主要系统分包商；第三方可以包括但不限于任何数量的销售商、分包商和供应商；运营商可以是航空公司、租赁公司、军事实体、服务机构等。
如图8所示，由说明性方法700生产的飞机802可以包括具有多个高级系统(high-level system)的机身818和内部822。分布在整个飞机上的高级系统的实例包括推进系统824、电力系统826、液压系统828和环境系统830中的一个或多个。可以包括任何数量的其他系统。本文描述的交通工具系统预测装置100和方法可以集成到至少任何一个或多个前述交通工具系统190，824，826，828，830或飞机802的任何其他系统中。尽管示出了航空航天实例，本发明的原理可应用于其他行业，如汽车和海运业。进一步地，虽然飞机802在其他方面被示出为旋翼飞机，但是飞机可以是固定翼飞机或太空交通工具。
可以在制造和服务方法700的任何一个或多个阶段的期间使用本文所示或描述的系统和方法。例如，可以以与在飞机802运行时生产的组件或子组件类似的方式组装或制造对应于组件和子组件制造708的组件或子组件。同样，可以在生产状态708和710期间利用系统、方法或它们的组合的一个或多个方面，例如通过极大加速组装或降低飞机802的成本。类似地，可以利用系统或方法实现或它们的组合的一个或多个方面，例如但不限于，当飞机802在服务中时，例如操作、维护和服务716。
本文公开了包括各种组件、特征和功能的系统和方法的不同实例和方面。应当理解，本文公开的系统和方法的各种实例和方面可以包括以任何组合形式的本文公开的系统和方法的任何其他实例和方面的任何组件、特征和功能，并且所有这种可能性旨在在本公开的精神和范围内。
本公开所属技术领域的技术人员将会想到本文所阐述的公开内容的许多修改和其他的实例，这些实例具有前述描述和相关附图中呈现的教导的益处。
根据本公开的方面提供以下内容：
A1.用于确定交通工具系统预测的方法，方法包括：
用交通工具上的一个或多个传感器检测交通工具的预定特性；
从一个或多个传感器获得与预定特性对应的多个传感器信号；
用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号，并且用交通工具上的处理器基于传感器信号确定数据的输入时间序列；
用交通工具上的处理器基于数据的输入时间序列产生时间序列数据的矩阵；
用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成预定数量的群集；
用交通工具上的处理器基于预定数量的群集产生稀疏时间矩阵；
用交通工具上的处理器从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
A2.根据段落A1的方法，其中，时间序列数据的矩阵存在于数据分布空间中，该空间具有的尺寸对应于输入时间序列的数量以及用于确定时间序列数据的矩阵的时间窗口的大小。
A3.根据段落A2的方法，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应子空间中。
A4.根据段落A2的方法，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应非线性流形中。
A5.根据段落A2的方法，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应局部区域中。
A6.根据段落A2的方法，其中，预定数量的群集中的每个群集包括数据分布空间的超平面。
A7.根据段落A6的方法，其中，提取指示交通工具系统的操作的提取特征包括相对于一个或多个超平面内的数据点的存在监测稀疏时间矩阵内的数据点的行为。
A8.根据段落A6的方法，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在两个或更多个超平面之间连续地转变。
A9.根据段落A8的方法，其中，断裂行为指示在交通工具系统中向故障的预转变(pretransition)。
A10.根据段落A6的方法，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个超平面永久地转变到不同的超平面。
A11.根据段落A10的方法，其中，转变行为指示交通工具系统中向故障的转变。
A12.根据段落A2的方法，其中，将时间序列数据的矩阵聚类包括使用稀疏子空间聚类来将时间序列数据的矩阵聚类。
A13.根据段落A2的方法，其中，将时间序列数据的矩阵聚类包括使用凝聚聚类来将时间序列数据的矩阵聚类。
A14.根据段落A2的方法，其中，将时间序列数据的矩阵聚类包括使用近邻传播来将时间序列数据的矩阵聚类。
A15.根据段落A1的方法，其中，提取指示交通工具系统的操作的提取特征包括监测预定数量的群集内的数据点的稳定性，其中，预定数量的群集内的数据点的稳定性变化指示交通工具系统中向故障的转变。
A16.根据段落A1的方法，其中，提取指示交通工具系统的操作的提取特征包括相对于一个或多个预定数量的群集中的数据点的存在监测稀疏时间矩阵内的数据点的行为。
A17.根据段落A16的方法，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在预定数量的群集中的两个或更多个群集之间连续转变。
A18.根据段落A17的方法，其中，断裂行为指示交通工具系统中的向故障的预转变。
A19.根据段落A16的方法，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个群集永久地转变到不同的群集。
A20.根据段落A19的方法，其中，转变行为指示交通工具系统中向故障的转变。
A21.根据段落A1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作员或机组成员包括传送消息以修复交通工具系统的组件。
A22.根据段落A1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作员或机组成员包括传送消息以替换交通工具系统的组件。
A23.根据段落A1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作人员或机组成员包括传送消息以获得交通工具系统的替换组件，并将更换组件放置在预定区域。
A24.段落A1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作人员或机组成员包括传送消息以改变交通工具的调度时间表，以便基于交通工具系统组件的剩余的使用寿命预测来修复交通工具系统。
A25.根据段落A1的方法，其中，指示交通工具系统的操作的提取特征包括预定数量的群集内的数据点的稳定性，预定数量的群集的两个或更多个群集之间的数据点的断裂，以及从预定数量的群集的一个群集到不同群集的数据点的转变。
A26.根据段落A1的方法，其中，预定数量的群集包括多于两个时间上连续的群集。
A27.根据段落A1的方法，其中，交通工具系统的操作状态包括至少交通工具系统的组件的剩余使用寿命。
A28.根据段落A1的方法，进一步包括用交通工具上的处理器将指示交通工具系统的操作和交通工具系统的操作状态的一个或多个提取特征传送至位于交通工具外的通信装置。
B1.一种交通工具预测装置，包括：
交通工具上的一个或多个传感器，该一个或多个传感器被配置为检测交通工具系统的预定特性并产生与预定特性对应的多个传感器信号；
指示器装置；和
交通工具上的处理器，该处理器连接到一个或多个传感器和指示器装置，并且被配置为
从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号确定数据的输入时间序列；
基于数据的输入时间序列产生时间序列数据的矩阵；
基于预定的聚类标准将时间序列数据的矩阵聚类成预定数量的群集；
基于预定数量的群集产生稀疏时间矩阵；
从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
通过指示器装置将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
B2.根据段落B1的交通工具预测装置，其中，处理器被配置为产生时间序列数据的矩阵，使得时间序列数据的矩阵存在于数据分布空间中，该数据分布空间具有的尺寸对应于输入时间序列的数量和用于确定时间序列数据的矩阵的时间窗口的大小。
B3.根据段落B2的交通工具预测装置，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应子空间中。
B4.根据段落B2的交通工具预测装置，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应非线性流形中。
B5.根据段落B2的交通工具预测装置，其中，时间序列数据的矩阵中的每个时间序列存在于数据分布空间内的相应局部区域中。
B6.根据段落22的交通工具预测装置，其中，预定数量的群集中的每个群集包括数据分布空间的超平面。
B7.根据段落B6的交通工具预测装置，其中，处理器被配置为通过相对于一个或多个超平面内的数据点的存在监测稀疏时间矩阵内的数据点的行为来提取指示交通工具系统的操作的提取特征。
B8.根据段落B6的交通工具预测装置，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在两个或更多个超平面之间连续转变。
B9.根据段落B8的交通工具预测装置，其中，断裂行为指示在交通工具系统中向故障的预转变。
B10.根据段落B6的交通工具预测装置，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个超平面永久地转变到不同的超平面。
B.11根据段落B10的交通工具预测装置，其中，转变行为指示交通工具系统中向故障的转变。
B12.根据段落B2的交通工具预测装置，其中，将时间序列数据的矩阵聚类包括使用稀疏子空间聚类来将时间序列数据的矩阵聚类。
B13.根据段落B2的交通工具预测装置，其中，将时间序列数据的矩阵聚类包括使用凝聚聚类来将时间序列数据的矩阵聚类。
B14.根据段落B2的交通工具预测装置，其中，将时间序列数据的矩阵聚类包括使用近邻传播来将时间序列数据的矩阵聚类。
B15.根据段落B1的交通工具预测装置，其中，处理器被配置为通过监测预定数量的群集内的数据点的稳定性来提取指示交通工具系统的操作的提取特征，其中，预定数量的群集内的数据点的稳定性变化表示交通工具系统中向故障的转变。
B16.根据段落B1的交通工具预测装置，其中，处理器被配置为通过相对于一个或多个预定数量的群集中的数据点的存在监测稀疏时间矩阵内的数据点的行为来提取指示交通工具系统的操作的提取特征。
B17.根据段落B16的交通工具预测装置，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在预定数量的群集中的两个或更多个群集之间连续转变。
B18.根据段落B17的交通工具预测装置，其中，断裂行为指示交通工具系统的向故障的预转变。
B19.根据段落B16的交通工具预测装置，其中，指示交通工具系统的操作的提取特征包括数据点从一个群集永久地转变到不同的群集的数据点的转变行为。
B20.根据段落B19的交通工具预测装置，其中，转变行为指示交通工具系统中向故障的转变。
B21.根据段落B1的方法，其中，处理器被配置为通过指示器装置使维修交通工具的组件的消息呈现。
B22.根据段落B1的交通工具系统预测装置，其中，处理器被配置为通过指示器装置使更换交通工具的组件的消息呈现。
B23.根据段落B1的交通工具系统预测装置，其中，处理器被配置为通过指示器装置使获得交通工具系统的替换组件并将替换组件放置(stage)在预定区域的消息呈现。
B24.根据段落B1的交通工具系统预测装置，其中，处理器被配置为通过指示器装置使这样的消息呈现：改变交通工具的调度时间表、使得基于交通工具系统组件的剩余使用寿命预报来修复交通工具。
B25.根据段落B1的交通工具系统预测装置，其中，指示交通工具系统的操作的提取特征包括预定数量的群集内的数据点的稳定性、预定数量的群集的两个或更多个群集之间的数据点的断裂、以及从预定数量的群集的一个群集到不同群集的数据点的转变。
B26.根据段落B1的交通工具系统预测装置，其中，预定数量的群集包括多于两个时间上连续的群集。
B27.根据段落B1的交通工具系统预测装置，其中，交通工具系统的操作状态包括至少交通工具系统的组件的剩余使用寿命。
B28.根据段落B1的方法，其中，指示器装置是听觉指示器和视觉指示器中的一个或多个。
C1.一种用于确定交通工具系统预测的方法，方法包括：
用交通工具上的一个或多个传感器检测交通工具的预定特性；
从一个或多个传感器获得与预定特性对应的多个传感器信号；
用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号用交通工具上的处理器确定数据的输入时间序列；
用交通工具上的处理器基于数据的输入时间序列产生数据分布空间内的时间序列数据的矩阵；
用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成数据分布空间的预定数量的数据区域；
用交通工具上的处理器基于预定数量的数据区域内的数据产生稀疏时间矩阵；
用交通工具上的处理器，从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
C2.根据段落C1的方法，其中，数据分布空间具有的尺寸对应于输入时间序列的数量以及用于确定时间序列数据的矩阵的时间窗口的大小。
C3.根据段落C1的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的子空间。
C4.根据段落C3的方法，其中，提取指示交通工具系统的操作的提取特征包括相对于一个或多个超平面内的数据点的存在监测稀疏时间矩阵内的数据点的行为。
C5.根据段落C1的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的非线性流形。
C6.根据段落C1的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的局部区域。
C7.根据段落C1的方法，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在两个或更多个预定数量的数据区域之间连续转变。
C8.根据段落C5的方法，其中，断裂行为指示在交通工具系统中向故障的预转变。
C9.根据段落C1的方法，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个预定数量的数据区域永久地转变到不同的一个预定数量的数据区域。
C10.根据段落C9的方法，其中，转变行为指示交通工具系统中向故障的转变。
C11.根据段落C1的方法，其中，将时间序列数据的矩阵聚类包括使用稀疏子空间聚类来将时间序列数据的矩阵聚类。
C12.根据段落C1的方法，其中，将时间序列数据的矩阵聚类包括使用凝聚聚类来将时间序列数据的矩阵聚类。
C13.根据段落C1的方法，其中，将时间序列数据的矩阵聚类包括使用近邻传播来将时间序列数据的矩阵聚类。
C14.根据段落C1的方法，其中，提取指示交通工具系统的操作的提取特征包括监测预定数量的数据区域内的数据点的稳定性，其中，预定数量的数据区域内的数据点的稳定性变化表示交通工具系统中向故障的转变。
C15.根据段落C1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作员或机组成员包括传送消息以修复交通工具系统的组件。
C16.根据段落C1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作员或机组成员包括传送消息以替换交通工具系统的组件。
C17.根据段落C1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作人员或机组成员包括传送消息以获得交通工具系统的替换组件，并将更换组件放置在预定区域。
C18.根据段落C1的方法，其中，将交通工具系统的操作状态传送至交通工具的操作人员或机组成员包括传送消息以改变交通工具的调度时间表，以便基于交通工具系统组件的剩余的使用寿命预测来修复交通工具系统。
C19.根据段落C1的方法，其中，指示交通工具系统的操作的提取特征包括预定数量的数据区域内的数据点的稳定性、预定数量的数据区域的两个或更多个数据区域之间的数据点的断裂、以及从一个数据区域到预定数量的数据区域的不同数据区域的数据点的转变。
C20.根据段落C1的方法，其中，预定数量的数据区域包括多于两个时间上连续的数据区域。
C21.根据段落C1的方法，其中，交通工具系统的操作状态包括至少交通工具系统的组件的剩余使用寿命。
C22.根据段落C1的方法，进一步包括用交通工具上的处理器将指示交通工具系统的操作和交通工具系统的操作状态的一个或多个提取特征传送至位于交通工具外的通信装置。
进一步地，本公开包括根据以下条款的实施方式：
条款1.一种用于确定交通工具系统预测的方法，方法包括：
用交通工具上的一个或多个传感器检测交通工具的预定特性；
从一个或多个传感器获得与预定特性对应的多个传感器信号；
用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号用交通工具上的处理器确定数据的输入时间序列；
用交通工具上的处理器基于数据的输入时间序列产生时间序列数据的矩阵；
用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成预定数量的群集；
用交通工具上的处理器基于预定数量的群集产生稀疏时间矩阵；
用交通工具上的处理器从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
条款2.根据条款1的方法，其中，时间序列数据的矩阵存在于数据分布空间中，该数据分布空间具有的尺寸对应于输入时间序列的数量以及用于确定时间序列数据的矩阵的时间窗口的大小。
条款3.根据条款1-2中任一项的方法，其中，提取指示交通工具系统的操作的提取特征包括监测预定数量的群集内的数据点的稳定性，其中在预定数量的群集内的数据点的稳定性的变化表示交通工具系统中向故障的转变。
条款4.根据条款1-3中任一项的方法，其中，提取指示交通工具系统的操作的提取特征包括相对于一个或多个预定数量的群集中的数据点的存在监测稀疏时间矩阵内的数据点的行为。
条款5.根据条款4的方法，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在预定数量的群集的两个或更多个群集之间连续地转变。
条款6.根据条款5的方法，其中，断裂行为指示在交通工具系统中向故障的预转变。
条款7.根据条款4-6中任一项的方法，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个群集永久地转变到不同的群集。
条款8.根据条款7的方法，其中，转变行为指示交通工具系统中向故障的转变。
条款9.根据条款1-8中任一项的方法，其中，预定数量的群集包括多于两个的时间上连续的群集。
条款10.一种交通工具系统预测装置，包括：
交通工具上的一个或多个传感器，一个或多个传感器被配置为检测交通工具系统的预定特性，并产生与预定特性对应的多个传感器信号；
指示器装置；和
交通工具上的处理器，处理器连接到一个或多个传感器和指示器装置，并且被配置为
从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号确定数据的输入时间序列；
基于数据的输入时间序列产生时间序列数据的矩阵；
基于预定的聚类标准将时间序列数据的矩阵聚类成预定数量的群集；
基于预定数量的群集产生稀疏时间矩阵；
从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
通过指示器装置将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
条款11.根据条款10的交通工具系统预测装置，其中，处理器被配置为产生时间序列数据的矩阵，使得时间序列数据的矩阵存在于数据分布空间，该数据分布空间具有的尺寸对应于输入时间序列的数量和用于确定时间序列数据的矩阵的时间窗口的大小。
条款12.根据条款10-11中任一项的交通工具系统预测装置，其中，处理器被配置为通过监测预定数量的群集内的数据点的稳定性来提取指示交通工具系统的操作的提取特征，其中，预定数量的群集内的数据点的稳定性变化表示交通工具系统中向故障的转变。
条款13.根据条款10-12中任一项的交通工具系统预测装置，其中，处理器被配置为通过相对于一个或多个预定数量的群集中的数据点的存在监测稀疏时间矩阵内的数据点的行为来提取指示交通工具系统的操作的提取特征。
条款14.根据条款13的交通工具系统预测装置，其中，指示交通工具系统的操作的提取特征包括数据点的断裂行为，其中数据点在预定数量的群集中的两个或更多个群集之间连续转变。
条款15.根据条款13-14中任一项的交通工具系统预测装置，其中，指示交通工具系统的操作的提取特征包括数据点的转变行为，其中数据点从一个群集永久地转变到不同的群集。
条款16.一种用于确定交通工具系统预测的方法，方法包括：
用交通工具上的一个或多个传感器检测交通工具的预定特性；
从一个或多个传感器获得与预定特性对应的多个传感器信号；
用交通工具上的处理器从交通工具上的一个或多个传感器接收多个传感器信号，并且基于传感器信号用交通工具上的处理器确定数据的输入时间序列；
用交通工具上的处理器基于数据的输入时间序列产生数据分布空间内的时间序列数据的矩阵；
用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成数据分布空间的预定数量的数据区域；
用交通工具上的处理器基于预定数量的数据区域内的数据产生稀疏时间矩阵；
用交通工具上的处理器从稀疏时间矩阵提取指示交通工具系统的操作的提取特征，并且基于提取特征确定交通工具系统的操作状态；和
用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
条款17.根据条款16的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的子空间。
条款18.根据条款16-17中任一项的方法，其中，提取指示交通工具系统的操作的提取特征包括相对于一个或多个超平面内的数据点的存在监测稀疏时间矩阵内的数据点的行为。
条款19.根据条款16-18中任一项的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的非线性流形。
条款20.根据条款16-19中任一项的方法，其中，数据分布空间的预定数量的数据区域包括数据分布空间内的预定数量的局部区域。
本文中对“一个实例”或“一个方面”的引用意味着结合实例或方面描述的一个或多个特征、结构或特性被包括在至少一个实现中。说明书中的各个地方的短语“一个实例”或“一个方面”可以是或可不是指相同的实例或方面。
除非另有说明，术语“第一”、“第二”、“第三”等在本文中仅用作标签，并不意图对这些术语所指的项目施加序数、位置或分级要求。此外，例如对“第二”项的引用不要求或排除例如“第一”或更低编号项目和/或例如“第三”或更高编号项的存在。
因此，应当理解，本公开不限于所公开的具体实施例，并且修改和其他实施例旨在被包括在所附权利要求的范围内。此外，尽管上述描述和相关附图在元件和/或功能的某些说明性组合的上下文中描述了实例实施例，但是应当理解，可通过替代实现来提供元件和/或功能的不同组合而不脱离所附权利要求的范围。

Claims (18)

1.一种用于确定交通工具系统预测的方法，所述方法包括：
用交通工具(802)上的一个或多个传感器(101)检测所述交通工具(802)的预定特性(190P)；
从所述一个或多个传感器(101)获得与所述预定特性(190P)对应的多个传感器信号(Y1-Yn)；
用所述交通工具(802)上的处理器(105)从所述交通工具上的所述一个或多个传感器(101)接收所述多个传感器信号(Y1-Yn)，并且用所述交通工具上的处理器(105)基于所述传感器信号(Y1-Yn)确定数据的输入时间序列(Z(t))；
用所述交通工具(802)上的处理器(105)基于所述数据的输入时间序列(Z(t))，产生时间序列数据的矩阵(M(t))；
用所述交通工具(802)上的处理器(105)基于预定的聚类标准，将时间序列数据的矩阵(M(t))聚类成预定数量的群集(C1-Cn)；
用所述交通工具(802)上的处理器(105)基于所述预定数量的群集(C1-Cn)，产生稀疏时间矩阵(114、114A、114B)；
用所述交通工具(802)上的处理器(105)，从所述稀疏时间矩阵(114、114A、114B)提取指示交通工具系统(190)的操作的提取特征(115)，并且基于所述提取特征(115)确定所述交通工具系统(190)的操作状态(106A)；和
用所述交通工具(802)上的处理器(105)，将所述交通工具系统(190)的所述操作状态(106A)传送至所述交通工具(802)的操作员或机组成员；
其中，提取指示所述交通工具系统(190)的操作的提取特征(115)包括监测所述预定数量的群集(C1-Cn)内的数据点的稳定性，其中所述预定数量的群集(C1-Cn)内的数据点的稳定性的变化表示所述交通工具系统(190)中向故障的转变；
并且其中，稀疏时间矩阵中的群集(C1-Cn)中的每一个包括数据分布空间(300A)的超平面(400H1、400H2、500H1、500H2、500H3)；通过相对于一个或多个所述超平面(400H1、400H2、500H1、500H2、500H3)内的数据点的存在监测所述稀疏时间矩阵(114)内的数据点的行为提取作为所述交通工具系统(190)的操作的指示的所述提取特征(115)。
2.根据权利要求1所述的方法，其中，所述时间序列数据的矩阵(M(t))存在于数据分布空间(300A、300B、300C)中，所述数据分布空间(300A、300B、300C)具有的尺寸对应于输入时间序列(Z1-Zn)的数量以及用于确定所述时间序列数据的矩阵(M(t))的时间窗口的大小。
3.根据权利要求1-2中任一项所述的方法，其中，提取指示所述交通工具系统(190)的操作的提取特征(115)包括相对于一个或多个预定数量的群集(C1-Cn)中的数据点的存在监测所述稀疏时间矩阵(114、114A、114B)内的数据点的行为。
4.根据权利要求3所述的方法，其中，指示所述交通工具系统(190)的操作的提取特征(115)包括数据点的断裂行为，其中，所述数据点在所述预定数量的群集(C1-Cn)的两个或更多个群集之间连续地转变。
5.根据权利要求4所述的方法，其中，所述断裂行为指示在所述交通工具系统(190)中向故障的预转变。
6.根据权利要求3所述的方法，其中，指示所述交通工具系统(190)的操作的提取特征(115)包括所述数据点的转变行为，其中，所述数据点从一个群集永久地转变到不同的群集。
7.根据权利要求6所述的方法，其中，所述转变行为指示所述交通工具系统(190)中向故障的转变。
8.根据权利要求1-2中任一项所述的方法，其中，所述预定数量的群集(C1-Cn)包括多于两个的时间上连续的群集。
9.一种交通工具系统预测装置(100)，包括：
交通工具(802)上的一个或多个传感器(101)，所述一个或多个传感器(101)被配置为检测所述交通工具系统(190)的预定特性(190P)并产生与所述预定特性(190P)对应的多个传感器信号(Y1-Yn)；
指示器装置(106)；和
所述交通工具(802)上的处理器(105)，所述处理器(105)连接到所述一个或多个传感器(101)以及所述指示器装置(106)，并且所述处理器(105)被配置为：
从所述交通工具(802)上的所述一个或多个传感器(101)接收所述多个传感器信号(Y1-Yn)，并且基于所述传感器信号(Y1-Yn)确定数据的输入时间序列(Z(t))；
基于所述数据的输入时间序列(Z(t))产生时间序列数据的矩阵(M(t))；
基于预定的聚类标准将所述时间序列数据的矩阵(M(t))聚类成预定数量的群集(C1-Cn)；
基于所述预定数量的群集(C1-Cn)产生稀疏时间矩阵(114、114A、114B)；
从所述稀疏时间矩阵(114、114A、114B)提取指示交通工具系统(190)的操作的提取特征(115)，并且基于所述提取特征(115)确定所述交通工具系统(190)的操作状态(106A)；和
通过所述指示器装置(106)将所述交通工具系统(190)的操作状态(106A)传送至所述交通工具(802)的操作员或机组成员；
其中，所述处理器(105)被配置为通过监测所述预定数量的群集(C1-Cn)内的数据点的稳定性来提取指示所述交通工具系统(190)的操作的所述提取特征(115)，其中，所述预定数量的群集(C1-Cn)内的数据点的稳定性的变化表示所述交通工具系统(190)中向故障的转变；
并且其中，稀疏时间矩阵中的群集(C1-Cn)中的每一个包括数据分布空间(300A)的超平面(400H1、400H2、500H1、500H2、500H3)，所述处理器(105)被配置为通过相对于一个或多个所述超平面(400H1、400H2、500H1、500H2、500H3)内的数据点的存在监测所述稀疏时间矩阵(114)内的数据点的行为提取作为所述交通工具系统(190)的操作的指示的所述提取特征(115)。
10.根据权利要求9所述的交通工具系统预测装置(100)，其中，所述处理器(105)被配置为产生所述时间序列数据的矩阵(M(t))，使得所述时间序列数据的矩阵(M(t))存在于数据分布空间(300A、300B、300C)中，所述数据分布空间(300A、300B、300C)具有的尺寸对应于所述输入时间序列(Z1-Zn)的数量和用于确定所述时间序列时间序列数据的矩阵(M(t))的时间窗口的大小。
11.根据权利要求9至10中任一项所述的交通工具系统预测装置(100)，其中，所述处理器(105)被配置为通过相对于所述预定数量的群集(C1-Cn)中的一个或多个内的数据点的存在监测所述稀疏时间矩阵(114、114A、114B)内的数据点的行为，来提取指示所述交通工具系统(190)的操作的所述提取特征(115)。
12.根据权利要求11所述的交通工具系统预测装置(100)，其中，指示所述交通工具系统(190)的操作的提取特征(115)包括所述数据点的断裂行为，其中，所述数据点在所述预定数量的群集(C1-Cn)中的两个或多于两个的群集之间连续转变。
13.根据权利要求11所述的交通工具系统预测装置(100)，其中，指示所述交通工具系统(190)的操作的所述提取特征(115)包括所述数据点的转变行为，其中，所述数据点从一个群集永久地转变到不同的群集。
14.一种用于确定交通工具系统预测的方法，所述方法包括：
用交通工具上的一个或多个传感器检测所述交通工具的预定特性；
从所述一个或多个传感器获得与所述预定特性对应的多个传感器信号；
用所述交通工具上的处理器从所述交通工具上的所述一个或多个传感器接收所述多个传感器信号，并且用所述交通工具上的处理器基于所述传感器信号确定数据的输入时间序列；
用所述交通工具上的处理器基于所述数据的输入时间序列，产生数据分布空间内的时间序列数据的矩阵；
用交通工具上的处理器基于预定的聚类标准将时间序列数据的矩阵聚类成数据分布空间的预定数量的数据区域；
用交通工具上的处理器基于预定数量的数据区域内的数据产生稀疏时间矩阵，其中，每个数据区域包括所述稀疏时间矩阵内的超平面；
用交通工具上的处理器基于相对于所述稀疏时间矩阵内的至少两个超平面的数据点的行为从所述稀疏时间矩阵提取指示交通工具系统的操作的特征，并基于提取特征确定交通工具系统的操作状态；和
用交通工具上的处理器将交通工具系统的操作状态传送至交通工具的操作员或机组成员。
15.根据权利要求14所述的方法，其中，所述数据分布空间的预定数量的数据区域包括所述数据分布空间内的预定数量的子空间。
16.根据权利要求14所述的方法，其中，提取指示所述交通工具系统的操作的提取特征包括相对于所述至少两个超平面中的一个或多个中的数据点的存在监测所述稀疏时间矩阵内的数据点的行为。
17.根据权利要求14所述的方法，其中，所述数据分布空间的预定数量的数据区域包括所述数据分布空间内的预定数量的非线性流形。
18.根据权利要求14所述的方法，其中，所述数据分布空间的预定数量的数据区域包括所述数据分布空间内的预定数量的局部区域。
CN201711287724.9A 2016-12-13 2017-12-07 交通工具系统预测装置和方法 Active CN108229538B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US15/377,532 2016-12-13
US15/377,532 US10304263B2 (en) 2016-12-13 2016-12-13 Vehicle system prognosis device and method

Publications (2)

Publication Number Publication Date
CN108229538A CN108229538A (zh) 2018-06-29
CN108229538B true CN108229538B (zh) 2023-06-06

Family

ID=62487877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711287724.9A Active CN108229538B (zh) 2016-12-13 2017-12-07 交通工具系统预测装置和方法

Country Status (2)

Country Link
US (2) US10304263B2 (zh)
CN (1) CN108229538B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10304263B2 (en) * 2016-12-13 2019-05-28 The Boeing Company Vehicle system prognosis device and method
US10891545B2 (en) * 2017-03-10 2021-01-12 International Business Machines Corporation Multi-dimensional time series event prediction via convolutional neural network(s)
DE102017210827A1 (de) * 2017-06-27 2018-12-27 Ford Global Technologies, Llc Verfahren zum Prüfen eines Zustands eines elektrischen Systems eines Kraftfahrzeugs
CN108961468B (zh) * 2018-06-27 2020-12-08 广东海洋大学 一种基于集成学习的船舶动力系统故障诊断方法
CN110827446A (zh) * 2019-11-13 2020-02-21 北京理工大学 一种电动汽车行驶状态预测方法
CN113221974B (zh) * 2021-04-26 2022-02-08 中山大学 一种交叉图匹配不完整多视图聚类方法及装置
US20230119568A1 (en) * 2021-10-19 2023-04-20 International Business Machines Corporation Pattern detection and prediction using time series data
CN114638051B (zh) * 2022-03-08 2024-02-27 浙江大学 一种基于系统不变量的智能汽车时滞稳定性分析方法

Family Cites Families (42)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8024084B2 (en) * 1995-06-07 2011-09-20 Automotive Technologies International, Inc. Vehicle diagnostic techniques
US20040133574A1 (en) * 2003-01-07 2004-07-08 Science Applications International Corporaton Vector space method for secure information sharing
US20040243636A1 (en) * 2003-03-18 2004-12-02 Smartsignal Corporation Equipment health monitoring architecture for fleets of assets
US7321809B2 (en) * 2003-12-30 2008-01-22 The Boeing Company Methods and systems for analyzing engine unbalance conditions
US8116936B2 (en) * 2007-09-25 2012-02-14 General Electric Company Method and system for efficient data collection and storage
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
US20120137367A1 (en) * 2009-11-06 2012-05-31 Cataphora, Inc. Continuous anomaly detection based on behavior modeling and heterogeneous information analysis
US8554500B2 (en) * 2010-06-11 2013-10-08 Deere & Company System and method for ground isolation detection in a vehicle
KR101101974B1 (ko) * 2010-06-14 2012-01-02 인하대학교 산학협력단 항공기엔진 이상검출 및 진단시스템 및 그 방법
US8712634B2 (en) * 2010-08-11 2014-04-29 The Boeing Company System and method to assess and report the health of landing gear related components
US9336493B2 (en) * 2011-06-06 2016-05-10 Sas Institute Inc. Systems and methods for clustering time series data based on forecast distributions
US8682032B2 (en) * 2011-08-19 2014-03-25 International Business Machines Corporation Event detection through pattern discovery
US8719194B2 (en) * 2011-09-19 2014-05-06 Siemens Aktiengesellschaft Hybrid interior-point alternating directions algorithm for support vector machines and feature selection
US9378112B2 (en) * 2012-06-25 2016-06-28 International Business Machines Corporation Predictive alert threshold determination tool
US9269012B2 (en) * 2013-08-22 2016-02-23 Amazon Technologies, Inc. Multi-tracker object tracking
TWI543151B (zh) * 2014-03-31 2016-07-21 Kung Lan Wang Voiceprint data processing method, trading method and system based on voiceprint data
US9984334B2 (en) * 2014-06-16 2018-05-29 Mitsubishi Electric Research Laboratories, Inc. Method for anomaly detection in time series data based on spectral partitioning
US9916702B2 (en) * 2014-10-09 2018-03-13 The Boeing Company Systems and methods for monitoring operative sub-systems of a vehicle
US9349226B2 (en) * 2014-10-09 2016-05-24 The Boeing Company Systems and methods for detecting faults within operative sub-systems of a vehicle
CN104376329A (zh) * 2014-11-17 2015-02-25 上海交通大学 基于空间自相关性和分水岭算法的聚类评估方法
US9471452B2 (en) * 2014-12-01 2016-10-18 Uptake Technologies, Inc. Adaptive handling of operating data
US9606934B2 (en) * 2015-02-02 2017-03-28 International Business Machines Corporation Matrix ordering for cache efficiency in performing large sparse matrix operations
US9558601B2 (en) * 2015-04-24 2017-01-31 The Boeing Company System and method for detecting vehicle system faults
US9418493B1 (en) * 2015-04-30 2016-08-16 The Boeing Company Methods and systems for data analytics
EP3098681B1 (en) * 2015-05-27 2020-08-26 Tata Consultancy Services Limited Artificial intelligence based health management of host system
JP5946573B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
US9697245B1 (en) * 2015-12-30 2017-07-04 International Business Machines Corporation Data-dependent clustering of geospatial words
JP6696213B2 (ja) * 2016-02-22 2020-05-20 富士ゼロックス株式会社 監視装置、監視システム
CN105894027B (zh) * 2016-03-31 2019-06-14 华北电力科学研究院有限责任公司 基于密度聚类的主元关联度传感器故障检测方法及装置
CN105956614A (zh) * 2016-04-25 2016-09-21 中国科学院上海高等研究院 一种时间序列语义化预测方法及系统
CN105844435A (zh) * 2016-06-15 2016-08-10 南京中车浦镇城轨车辆有限责任公司 一种基于fmeca的地铁车辆故障信息管理系统
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
US10304263B2 (en) * 2016-12-13 2019-05-28 The Boeing Company Vehicle system prognosis device and method
US11301773B2 (en) * 2017-01-25 2022-04-12 International Business Machines Corporation Method and system for time series representation learning via dynamic time warping
US10262299B2 (en) * 2017-02-15 2019-04-16 Microsoft Technology Licensing, Llc Efficient recommendation services
US10296849B2 (en) * 2017-02-15 2019-05-21 Microsoft Technology Licensing, Llc Member clustering with equi-sized partitions
US10580228B2 (en) * 2017-07-07 2020-03-03 The Boeing Company Fault detection system and method for vehicle system prognosis
US10699040B2 (en) * 2017-08-07 2020-06-30 The Boeing Company System and method for remaining useful life determination
US10672204B2 (en) * 2017-11-15 2020-06-02 The Boeing Company Real time streaming analytics for flight data processing
US10948079B2 (en) * 2018-08-02 2021-03-16 GM Global Technology Operations LLC Torque converter clutch control system health estimation
US10922906B2 (en) * 2019-03-28 2021-02-16 GM Global Technology Operations LLC Monitoring and diagnosing vehicle system problems using machine learning classifiers

Also Published As

Publication number Publication date
CN108229538A (zh) 2018-06-29
US10304263B2 (en) 2019-05-28
US20200027287A1 (en) 2020-01-23
US20180165894A1 (en) 2018-06-14
US11138817B2 (en) 2021-10-05

Similar Documents

Publication Publication Date Title
CN108229538B (zh) 交通工具系统预测装置和方法
US10891406B2 (en) Prediction methods and systems for structural repair during heavy maintenance of aircraft
US8914149B2 (en) Platform health monitoring system
JP5753286B1 (ja) 情報処理装置、診断方法、およびプログラム
JP5530020B1 (ja) 異常診断システム及び異常診断方法
US8478479B2 (en) Predicting time to maintenance by fusion between modeling and simulation for electronic equipment on board an aircraft
CA2771401C (en) Platform health monitoring system
JP5530045B1 (ja) ヘルスマネージメントシステム及びヘルスマネージメント方法
US10650614B2 (en) Aircraft maintenance event prediction using higher-level and lower-level system information
JP4875661B2 (ja) 航空機の健全性診断装置及び方法並びにプログラム
EP2477086A1 (en) Anomaly detection and diagnostic method, anomaly detection and diagnostic system, and anomaly detection and diagnostic program
CN116647819B (zh) 基于传感器网络的仪器能耗监测方法及系统
KR20190013017A (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
CN110333962B (zh) 一种基于数据分析预测的电子元器件故障诊断模型
JP6489235B2 (ja) システム分析方法、システム分析装置、および、プログラム
EP2722822A2 (en) Platform health monitoring system
CN113962308A (zh) 一种航空设备故障预测方法
CN113468022B (zh) 一种对产品集中监控的自动化运维方法
JP2022042989A (ja) センサデータに基づく修理の自動予測
Suzuki et al. An anomaly detection system for advanced maintenance services
US20210118248A1 (en) Methods and systems for continuously determining remaining useful lives of vehicle components
CN106231298B (zh) 大屏幕远程智能监控方法、装置及系统
JP6973445B2 (ja) 表示方法、表示装置、および、プログラム
US20240185189A1 (en) Method for ordering the vehicles of a fleet of vehicles according to a maintenance need; associated computer program and computer system

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