CN108475445A - 多源飞行器数据的自动化融合和分析的方法和系统 - Google Patents

多源飞行器数据的自动化融合和分析的方法和系统 Download PDF

Info

Publication number
CN108475445A
CN108475445A CN201680078268.4A CN201680078268A CN108475445A CN 108475445 A CN108475445 A CN 108475445A CN 201680078268 A CN201680078268 A CN 201680078268A CN 108475445 A CN108475445 A CN 108475445A
Authority
CN
China
Prior art keywords
aircraft
data
alarm
data source
source
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
Application number
CN201680078268.4A
Other languages
English (en)
Inventor
F.比文
M.L.沃森
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.)
GE Aviation Systems Ltd
Original Assignee
GE Aviation Systems Ltd
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 GE Aviation Systems Ltd filed Critical GE Aviation Systems Ltd
Publication of CN108475445A publication Critical patent/CN108475445A/zh
Pending legal-status Critical Current

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B64—AIRCRAFT; AVIATION; COSMONAUTICS
    • B64F—GROUND OR AIRCRAFT-CARRIER-DECK INSTALLATIONS SPECIALLY ADAPTED FOR USE IN CONNECTION WITH AIRCRAFT; DESIGNING, MANUFACTURING, ASSEMBLING, CLEANING, MAINTAINING OR REPAIRING AIRCRAFT, NOT OTHERWISE PROVIDED FOR; HANDLING, TRANSPORTING, TESTING OR INSPECTING AIRCRAFT COMPONENTS, NOT OTHERWISE PROVIDED FOR
    • B64F5/00—Designing, manufacturing, assembling, cleaning, maintaining or repairing aircraft, not otherwise provided for; Handling, transporting, testing or inspecting aircraft components, not otherwise provided for
    • B64F5/60—Testing or inspecting aircraft components or systems
    • 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
    • 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
    • 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
    • G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Transportation (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了为实现故障确定和其它集成交通工具健康状况管理(IVHM)诊断，用于融合和分析来自多个飞行器有关的数据源的多源数据的系统和方法(300)。更具体讲，访问来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分(302)。可检测一个或多个警报，所述一个或多个警报指示在飞行器有关的数据源的一个或多个部分内的数据异常(304)，其中，可识别警报的类型和与每个警报相关联的原始数据源以及可选的有关置信度得分(306)。可至少部分地基于所识别的类型和用于检测到的报警的数据源的相关性确定一个或多个飞行器故障(312)。可提供指示所确定的一个或多个飞行器故障的输出(314)。

Description

多源飞行器数据的自动化融合和分析的方法和系统
技术领域
本申请总体上涉及用于融合和分析多源飞行器数据的自动化系统和方法。
背景技术
大量的数据通常可以与用于运输机队和单项资产的性能跟踪有关。例如，航空工业从各种特殊来源收集飞行器操作数据。数据可通过快速存取记录器(QAR，Quick AccessRecorders)收集，快速存取记录器可提供从许多飞行器传感器和航空电子系统接收的原始飞行数据参数的机载记录。数据可从来自航空公司维修、修理和检修(MRO，Repair andOverhaul)系统的维修记录收集。数据还可从飞行员报告或飞行器条件监测系统(ACMS，Aircraft Condition Monitoring Systems)的通信收集。此外，飞行器通信寻址与报告系统(ACARS，Aircraft Communications Addressing and Reporting System)消息可包括相关数据，包括飞行器运动事件、飞行计划、天气信息、设备健康状况、衔接航班的状态等等。
对飞行器操作数据的预测分析可针对个别飞行器或整个机队的维修和预测提供有用的信息。此信息可对帮助解决各种飞行器维修问题的航空公司维修组织中的工程师、经理或其它专家有益。许多现有的系统主要依赖人解读这些大量的数据，这可能是棘手、冗长和耗时的。此外，消耗多个数据流的企业级分析系统有时可能要求对资产的所有可用数据进行组合查看。可能需要从这种组合查看推断出来的知识建立一组资产的准确的态势感知图。已知的选择项在对于要采取的维修动作和采取这些动作的紧迫性进行智能决策可产生有限的准确度和有效性。
发明内容
本申请的实施例的各方面和优点将部分地在以下描述中阐述，或者可从所述描述了解，或者可通过实践实施例来了解。
本申请的一个实施例方面涉及一种用于融合和分析多源飞行器数据的计算机实施方法。所述方法可包括由一个或多个处理器访问来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分。所述方法还可包括由所述一个或多个处理器检测一个或多个警报，所述一个或多个警报指示在飞行器有关的数据源的一个或多个部分内存在数据异常。所述方法还可包括由所述一个或多个处理器识别警报的类型和与每个检测到的警报相关联的原始数据源。所述方法还可包括由所述一个或多个处理器至少部分地基于所识别的类型和用于检测到的警报的数据源的相关性来确定一个或多个飞行器故障。所述方法还可包括由所述一个或多个处理器提供输出，所述输出指示所确定的一个或多个飞行器故障。
本申请的另一实施例方面涉及一种用于融合和分析多源飞行器数据的系统。所述系统可包括一个或多个处理器和一个或多个存储装置。所述一个或多个存储装置可存储计算机可读指令，所述指令在由所述一个或多个处理器执行时使得所述一个或多个处理器执行操作。所述操作可包括访问来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分。所述操作还可包括检测一个或多个警报，所述一个或多个警报指示在飞行器有关的数据源的一个或多个部分内存在数据异常。所述操作可包括识别警报的类型和与每个检测到的警报相关联的原始数据源。所述操作可包括至少部分地基于所识别的类型和用于检测到的警报的数据源的相关性确定一个或多个飞行器故障。所述操作可包括提供输出，所述输出指示所确定的一个或多个飞行器故障。
本申请的再一实施例方面涉及一个或多个有形的非暂时性计算机可读介质，所述计算机可读介质存储计算机可读指令，所述指令由一个或多个处理器执行时使所述一个或多个处理器执行操作。所述操作可包括访问来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分。所述操作还可包括检测一个或多个警报，所述一个或多个警报指示在飞行器有关的数据源的一个或多个部分内存在数据异常。所述操作可包括识别警报的类型和与每个检测到的警报关联的发起数据源。所述操作可包括至少部分地基于识别的类型和针对检测到的警报的数据源的相关性确定一个或多个飞行器故障。所述操作可包括提供输出，所述输出指示确定的一个或多个飞行器故障。
可对本申请的这些示例性方面进行改变和修改。
参考以下描述和所附权利要求书将更好地了解各种实施例的这些以及其它特征、方面和优点。并入在本说明书中且构成本说明书的部分的附图说明了本申请的实施例，且与所述描述一起用于解释相关原理。
附图说明
在参考附图的说明书中阐述了针对所属领域的技术人员的实施例的详细论述，在附图中：
图1示出了根据本申请的实施例的数据融合和分析系统的概览图；
图2示出了根据本申请的实施例方面用于实施数据融合和分析特征的系统部件的概览图；以及
图3示出了根据本申请的实施例用于融合和分析多源飞行器数据的方法的流程图。
具体实施方式
现将详细参考本发明的实施例，在图中说明本发明的实施例的一个或多个实施例。每个实施例是为了解释本发明而非限制本发明而提供。实际上，所属领域的技术人员将清楚，在不脱离本发明的范围或精神的情况下可在本发明中进行各种修改和变化。举例来说，说明或描述为一个实施例的部分的特征可与另一实施例一起使用以产生又一实施例。因此，希望本发明涵盖此类属于所附权利要求书和其等效物的范围内的修改和变化。
本申请的实施例方面涉及用于融合和分析来自多个飞行器有关的数据源的多源数据的系统和方法，以用于故障确定和其它集成交通工具健康管理(IVHM)诊断。通过融合和分析连续记录的飞行数据，基于对来自多个数据源的警报的相关联分析，关于是否应当确认、得出或拒绝飞行器故障做出决定。关联的输出可包括确定的飞行器故障和/或关联的飞行器维修建议的指示。
用于融合和分析来自多源的飞行器数据的所公开的系统和方法可提供自动化故障预测、诊断和警报和/或潜在故障或失效的识别的特征。这些特征可具有及早地可能在产生破坏之前检测飞行器故障的技术效果。此外，可有利地提供在安排的维修期间计划修理飞行器问题的预先通知，因而降低对维修和操作产生影响的时间和成本。另外，故障可以被确定，使得可在第一次维护巡修中应用最有效的校正动作，避免重复维修和移去没有解决故障的部件。
在特定的实施例中，通过访问多源飞行器有关的数据的融合集，可实现系统和方法。在一些实施例中，飞行器有关的数据源可包括维修数据、来自快速存取记录器(QAR)的数据、技术中断数据和与特殊的飞行器飞行有关的其它数据、飞行后报告(PFR)数据和其它飞行器有关的数据源。在一些实施例中，飞行器有关的数据源可包括提供来自一个或多个飞行器的特定飞行的数据的至少一个数据源和来自一个或多个飞行器的一个或多个之前的飞行的至少一个数据源。在一些实施例中，飞行器有关的数据源可特定于特定的飞行器系统(例如由航空运输协会定义的ATA章节)，使得随后检测到的警报和确定的飞行器故障特定于特定的飞行器系统。
多个飞行器有关的数据源可被应用作为预配置的处理规则的统计模型的输入。在一些实施例中，预配置的处理规则可包括警报检测规则，所述警报检测规则帮助检测一个或多个警报，以及识别警报的类型和与每个检测到的警报关联的发起数据源，所述一个或多个警报指示飞行器有关的数据源的一个或多个部分内存在数据异常。在一些实施例中，预配置的处理规则可包括飞行器故障确定规则，其帮助至少部分地基于识别的类型和检测到的警报的数据源的相关性以及可选的附加信息(例如但不局限于分配给检测到的警报和/或数据源的置信度得分)确定一个或多个飞行器故障。统计模型可至少部分地由机器学习算法开发，所述机器学习算法接收飞行器有关的数据的数据集和对应的处理规则。这些数据集被用来帮助训练分类器以处理飞行器有关的数据的后续部分。
在一些实施例中，预配置的处理规则也可以被配置成分配警报置信度得分和/或数据源置信度得分，警报置信度得分和/或数据源置信度得分可部分地用在飞行器故障的最终确定中。警报置信度得分可分配给检测到的警报，以提供可量化值，所述可量化值指示给定的警报与给定的故障相关的历史可能性。数据源置信度得分可以分配给飞行器有关的数据源，以提供可量化值，所述可量化值指示该数据源在确定飞行器故障中的重要性水平。警报置信度得分和/或数据源置信度得分可与来自多个数据源的检测到的警报的相关性结合使用，以确定潜在的问题是否应当导致飞行器故障确定。
来自预配置的处理规则的统计模型的输出可以被识别，并且可包括通过警报类型的对应的数据源分类的一个或多个检测到的警报和一个或多个确定的飞行器故障。在一些实施例中，可提供指示确定的飞行器故障的输出以供显示给用户。在一些实施例中，输出可包括与确定的飞行器故障关联的飞行器维修建议。
出于图示和讨论的目的，可参照飞行器有关的数据和与飞行器关联的其它航空电子系统讨论本申请的实施例方面。在不偏离本申请的范围的情况下，本领域技术人员使用本说明书中提供的本申请将理解本说明书中描述的主题可用于其它资产有关的系统。
现在参照附图，图1示出了数据融合和分析系统100的实施例的概览图。来自一个或多个飞行器有关的数据源的数据部分可从传感器、用户输入或飞行器102、客户端计算装置104和/或服务器计算装置106内的其它数据采集特征收集，并采集在数据库110内。可以从由一个或多个特定航空公司、由通用航空跟踪系统、由航空公司授权的第三方数据采集和分析实体或跟踪相关数据的其它组织或其它实体维护的各种特定源采集在数据库110处收集的数据。可以在飞行之前、在飞行期间和/或在飞行之后积累源自飞行器102和计算装置104/106的数据，且所述数据可包括自动地由飞行器传感器和其它航空电子系统收集的数据或从飞行器人工下载或由飞行员、工程师、控制器、维修人员或帮助飞行器有关的活动和分析的其它专家手动录入的数据。在一些实施例中，这些个人可访问飞行器机载或在飞行器远程位置的一个或多个客户端计算装置104以提供在数据库110处收集的飞行器有关的数据。
不同的特定类型的飞行器有关的数据可被收集以用于在数据库110的融合。例如，飞行器维修数据112可从来自航空公司的维修、修理和检修(MRO)系统的维修记录采集，且可包括但不限于识别最近已经更换的飞行器部件或维修团队已经识别的一般磨损的数据。技术中断数据114可包括关于飞行延迟、取消、返航、飞行改道和在飞行器飞行中遇到的其它情况的数据。飞行后报告(PFR)数据116可包括电子形式的数据，其从飞行器系统和/或从由飞行器数据录入提供的与跟踪关于特定飞行器飞行的定制信息有关的信息自动地采集。快速存取记录器(QAR)数据118可提供从许多个飞行器传感器和航空电子系统接收的原始飞行数据参数的机载记录。机载系统还可以被配置成连续地记录关于飞行器系统操作的数据(例如部署的襟翼和缝翼，展开的起落架、部署的反推力装置、施加的制动)和系统状态、性能和健康状况(例如温度、压力、流速、油箱量、阀位置)。在数据库110内收集的飞行器有关的数据源可源于另外的源，包括但不限于飞行员报告，部件移除记录，飞行器条件监测系统(ACMS)和/或飞行器通信寻址和报告系统(ACARS)消息(包括相关数据，例如，飞行器运动事件、飞行计划、航线信息、天气信息、设备健康状况、衔接航班的状态等)。
在数据库110处收集的多个飞行器有关的数据源可作为数据融合和分析处理规则的统计模型122的输入被应用。在一些实施例中，统计模型122可包括警报检测算法124，警报检测算法124包括处理规则，所述处理规则被配置成检测一个或多个警报，这些警报指示飞行器有关的数据源的一个或多个部分内存在数据异常以及识别警报的类型和与每个检测到的警报关联的发起数据源。在一些实施例中，统计模型122可包括置信度得分分配算法126，置信度得分分配算法126包括处理规则，所述处理规则被配置成分配与每个检测到的警报关联的警报置信度得分和/或与飞行器有关的数据源关联的数据源置信度得分。在一些实施例中，统计模型122可包括故障确定算法128，故障确定算法128包括处理规则，所述处理规则被配置成至少部分地基于识别的类型和检测到的警报的数据源的相关性以及可选的附加信息(例如但不限于警报置信度得分和/或数据源置信度得分)确定一个或多个飞行器故障。
图2示出了计算系统200，其可以用来在航空有关的数据系统和其它资产有关的应用中实施数据的融合和分析的方法和系统。可使用包括服务器202和一个或多个客户端222的客户端-服务器架构实施系统200。服务器202可对应于例如驻存(hosting)数据融合和分析应用程序的网络服务器。客户端222可对应于例如计算装置，例如，计算装置104或飞行器102机载计算装置，其被用作收集飞行器有关的数据的接口或采集点。客户端222还可对应于例如计算装置，所述计算装置配置成接收作为所公开的数据融合和分析实施例的一部分生成的维修诊断输出。
每个服务器202和客户端222可包括在至少一个计算装置，例如由服务器计算装置204和客户端计算装置224描绘的。尽管图2中只图示了一个服务器计算装置204和一个客户端计算装置224，但可在一个或多个位置可选地提供多个计算装置，以用于顺序或并行配置的操作，从而实施所公开的数据融合和分析的方法和系统。在其它实施例中，可使用其它适合的架构，例如单个计算装置实施系统200。系统200中的每个计算装置204、224可以是任何适合类型的计算装置，例如通用计算机、专用计算机、膝上型计算机、台式计算机、移动装置、智能电话、平板电脑、可穿戴计算装置、带一个或多个处理器的显示器或其它适合的计算装置。
计算装置204和/或224可以分别包括一个或多个处理器206、226和一个或多个存储装置208、228。一个或多个处理器206、226可包括任何适合的处理装置，例如，微处理器、微控制器、集成电路、逻辑装置、一个或多个中央处理单元(CPU)、专用于有效地渲染图像或执行其它专门计算的图形处理单元(GPU)和/或其它处理装置。一个或多个存储装置208、228可包括一个或多个计算机可读媒体，包括但不限于非暂时性计算机可读媒体、RAM、ROM、硬盘驱动器、闪存驱动器或其它存储装置。在一些实施例中，存储装置208、228可对应于分布在多个位置的协作数据库。
一个或多个存储装置208、228可存储可由一个或多个处理器206、226访问的信息，包括可由一个或多个处理器206、226执行的指令。例如，服务器存储装置208可存储用于实施处理规则、操作和用于执行本说明书中公开的各种功能的算法212的指令210。在一些实施例中，处理规则和算法212可包括但不局限于图1中示出的警报检测算法124、置信度得分分配算法126和/或故障确定算法128。在其它实施例中，处理规则和算法212实施在图3的流程图中展示的功能。客户端存储装置228可存储用于实施使得用户可提供信息和接收来自服务器202的信息的浏览器或应用程序的指令，所述信息包括特定的飞行器有关的数据，产生的分析输出等等。一个或多个存储装置208、228可包括可以由一个或多个处理器206、226检索、操纵、创建或存储的数据214、232。存储在服务器202处的数据214可包括例如在数据库110或其它数据库采集的多个飞行器有关的数据源，以存储来自飞行器有关的数据流和其它来源的信息。
计算装置204和224可通过网络240相互通信。在此情况下，服务器202和一个或多个客户端222可分别包括用来通过网络240相互通信的网络接口。网络接口可包括用于与一个或多个网络连接的任何合适的部件，包括例如发送器、接收器、端口、控制器、天线和/或其它合适的部件。网络240可以是任何类型的通信网络，例如局域网(例如，内联网)、广域网(例如，因特网)、蜂窝式网络，或其某一组合。网络240还可包括服务器计算装置204和客户端计算装置224之间的直连。通常，可以使用多种通信协议(例如，TCP/IP、HTTP、SMTP、FTP)、编码或格式(例如HTML、XML)和/或保护方案(例如，VPN、安全HTTP、SSL)，使用任何类型的有线和/或无线连接，经由网络接口进行服务器计算装置204和客户端计算装置224之间的通信。
客户端222可包括用于提供信息和接收来自用户的信息的各种输入/输出装置。例如，输入装置236可包括例如触摸屏、触摸板、数据录入键和/或适合语音识别的麦克风之类的装置。输入装置236可由用户使用以提供飞行器有关的数据录入或由所公开的数据融合和分析系统和方法使用的其它信息。输出装置238可包括例如扬声器或显示器之类的音频或可视输出，以指示数据融合和分析输出、用户界面等。
本说明书中论述的技术提及服务器、数据库、软件应用程序和/或其它基于计算机的系统，以及所采取的动作和发送到此类系统和从此类系统发送的信息。所属领域的技术人员应认识到，基于计算机的系统的固有灵活性允许大量可能的配置、组合以及任务和功能性在部件之间和当中的划分。例如，可使用单个服务器或组合工作的多个服务器实施本说明书中讨论的服务器过程。数据库和应用程序可以在单个系统上实施或分布在多个系统上。分布式部件可以依序或并行操作。
应认识到，本说明书中描述的计算机可执行算法可在硬件、专用电路、固件和/或控制通用处理器的软件中实施。在一个实施例中，算法是存储在存储装置上，被加载到一个或多个存储器装置中并由一个或多个处理器执行的程序代码文件，或者可从存储在例如RAM、闪存、硬盘或光介质或磁介质之类的有形的计算机可读存储介质上的计算机程序产品(例如，计算机可执行指令)提供。在使用软件时，可使用任何适合的编程语言或平台实施所述算法。
图3示出了用于实施本说明书中公开的各种方法的特征和方面的流程图。更具体地参照图3，融合和分析多源飞行器数据的方法300包括访问302来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分。在步骤302处访问的一个或多个数据部分可源自例如在图1的数据库110处收集的多个数据源，包括但不限于飞行器维修数据、指示飞行器飞行中断的技术中断数据、后飞行报告(PFR)数据和/或从与一个或多个飞行器相关联的快速存取记录器(QAR)获得的数据。在一些实施例中，在步骤302处访问的飞行器数据可包括来自特定飞行器飞行的至少一个数据源以及来自相同飞行器的一个或多个之前飞行的至少一个数据源。来自特定飞行以及以前的飞行的数据可以有助于识别大致趋势(例如，对于特定飞行不够高但从一次飞行到下一次飞行稳定升高的操作温度)。在一些实施例中，可在步骤302处访问来自飞行器的整个机队或机队的选择部分的飞行器数据，以便提供更综合的数据集合，以用于故障检测和诊断分析。在一些实施例中，可相对于特定的飞行器系统专门定义在步骤302处访问的飞行器数据(例如由航空运输协会定义的ATA章节)，使得随后检测到的警报和确定的飞行器故障特定于特定的飞行器系统。
仍参照图3，可从在步骤302访问的飞行器有关的数据在步骤304检测一个或多个警报。在步骤304检测的警报可指示在飞行器有关的数据源的一个或多个部分中存在数据异常。在一些实施例中，在步骤304检测的警报对应于从在步骤302访问的飞行器有关的数据内的参数得到的条件指示器。例如，可在每次飞行的特定飞行阶段(例如，起飞、爬升、巡航)提取某些参数的值，以确定随时间的条件指示器，并检测飞行器性能的异常趋势。对于在步骤304检测的每个警报，可在步骤306识别警报的类型和原始数据源。例如，在步骤306识别的信息可识别警报的类型，例如从对应于飞行后报告(PFR)数据的发起数据源检测的高空气机舱温度警报。在一些实施例中，也可以相对于特定的飞行器系统特别定义在步骤306识别的警报的类型(例如ATA章节)。
在方法300的一些实施例中，可以在步骤308、步骤310处将置信度得分不同地分配到警报的类型和/或在步骤306处识别的原始数据源。例如，可在步骤308处分配警报置信度得分，以提供可量化值，所述可量化值指示给定的警报与给定的飞行器故障相关的历史可能性。对于源自在步骤302访问的每个不同的飞行器数据源的警报，可分配警报置信度得分。在一些实施例中，可以通过挖掘历史数据并确定每个警报与特定的飞行器故障相关的频度，确定警报置信度得分。可接着使用此警报-故障相关性确定警报置信度得分值(例如在预定范围，例如从0到1，内的数字值)。当警报置信度得分在从0到1的值范围内时，1可暗示每次在步骤304处检测到警报时，该警报都与飞行器上的某个故障相关，且部件需要被更换。0.5的警报置信度得分值可暗示在一半的时间在步骤304处检测到此警报，该警报在历史上与被验证的故障相关。
在其它实施例中，可在步骤310处分配数据源置信度得分，以提供可量化值，所述可量化值指示每个数据源在确定飞行器故障时的重要性水平。对于在步骤304处检测的并在步骤306处识别的每个警报，也可在步骤306处识别与检测的数据异常对应的数据源(例如，PFR数据、QAR数据等)。对于每个警报，可根据数据源对最终的故障确定的重要程度相应地加权这种源。类似于警报置信度得分，数据源置信度得分也可以定义为从在预定范围(例如从0到1)内选择的数字值。在一些实施例中，可从单个飞行器有关的数据源识别故障，使得在步骤310处对该特定的数据源分配数据源置信度得分为1.0的值是适合的。在其它实施例中，可给多个飞行器有关的数据源分配为1.0数据源置信度得分值，指示在帮助确定飞行器故障时的同等重要性。
接着可在步骤312处至少部分地基于识别的警报类型和在步骤304/步骤306处检测到的警报的对应数据源的相关性且另外或替代性地至少部分地基于在步骤308处分配的警报置信度得分和/或在步骤310处分配的数据源置信度得分，确定飞行器故障。识别的警报类型和数据源的相关性可有助于识别独立数据源之间的特定关联模式，并生成用于确认、得出和/或拒绝潜在问题的处理规则。例如，如果多个数据源都生成警报，则更有可能是产生数据异常的特定飞行器部件的飞行器故障。然而，在另一实施例中，一个数据源可在特定飞行期间生成警报，而另一数据源提供解释该特定飞行是非标准飞行(例如测试飞行)的一条信息，因而证明在特定飞行期间对一些数据源生成的警报无效。在此后一实施例中，基于数据的特定的相关性在步骤312处可确定无飞行器故障。
在一些实施例中，在步骤312处从警报和分配的置信度得分确定一个或多个飞行器故障可包括由在步骤308处分配的其警报置信度得分和在步骤310处分配的数据源置信度得分乘以在步骤306处识别的每个警报。这种加权方式可有助于提供每个警报的重要程度的可量化指示，以及是否应当在步骤312处手动或以编程方式做出应当确定故障的决定。
在一些实施例中，在步骤312处确定一个或多个飞行器故障可涉及应用在步骤306处识别的警报和数据源数据作为预配置的处理规则的统计模型的输入，可使用机器学习过程训练该统计模型。在一些实施例中，包括在步骤304处检测的警报和在步骤312处确定的对应故障的历史数据对的训练集合可被提供，作为统计模型的训练输入。统计模型的训练输入可包括针对特定飞行器或针对机队中的多个飞行器的数据。可使用例如神经网络、支持向量机(SVM)或其它机器学习过程之类的学习算法构建统计模型。一旦用一系列警报和故障数据点充分训练统计模型，该统计模型可被实时地使用以分析随后检测到的警报和作为统计模型的输入提供的有关数据。可生成一个或多个飞行器故障(例如，在步骤312处确定的飞行器故障)，作为统计模型的输出。
使用机器学习作为故障确定算法的一部分训练的统计模型的使用可有利地提供灵活的系统，其可容易地被更新以包含新出现的故障确定处理规则的超前能力和资格。此外，这些算法可以被周期性地或者渐进地训练以保持并提高结果的准确性。这种训练可通过可以被转换和格式化成对算法可消耗的数据集的用户反馈和动作完成。此外，基于机器学习的故障确定算法内的处理规则可以是可配置的以促进最大可扩展性，且还支持对特定客户、飞行器类型和/或特定飞行器系统和/或部件唯一的规则。
仍参照图3，一旦在步骤312处确定一个或多个飞行器故障，则可在步骤314处提供指示确定的一个或多个飞行器故障的输出。在一些实施例中，在步骤314处提供的输出包括通过计算系统输出装置提供至用户的音频或可视警报。在一些实施例中，在步骤314处提供的输出可包括与确定的飞行器故障关联的飞行器维修建议。可至少部分地从对MRO或其它维修数据的分析生成维修建议，以得出在解决警报、故障或其它异常条件指示时不同维修动作的有效性。维修建议可包括尽可能切实可行地实施的紧急建议和/或包括在下一次定期安排的维修事件的非紧急建议。在一些实施例中，在步骤314处提供的输出可包括飞行控制输出或其它飞行中通知，以帮助对操作的飞行器进行紧急动作所需的适应性措施。
现在呈现可以被部分地实施以帮助在步骤312处确定飞行器故障的处理规则的特定实施例，以提供本说明书中描述的各个步骤和特征的环境。在这些实施例中，考虑来自在步骤302处访问的多个飞行器有关的数据源的一个或多个数据部分针对飞行器空调系统(例如，ATA章节21数据部分)。特定的数据源包括QAR数据，其提供来自超过20个不同飞行器空调系统部件的时间序列数据，这些部件的性能参数以1赫兹(Hz)的间隔被定期采样。实施例飞行器空调性能参数可包括配平空气阀位置、机舱/座舱温度、机舱压力等等。特定的数据源还可包括对应的PFR数据、技术中断数据和与飞行器空调系统特别有关的维修数据和其它相关信息。
在第一实施例中，检测的PFR数据中的数据异常识别源自特定飞行器的空调单元的间歇性警报。此PFR数据指示机舱中的温度超过期望的上限阈值。来自当前飞行和上十次飞行的QAR数据指示应当正控制进入机舱的空气温度的三个空调组件之一没有有效地冷却空气。另外的分析指示空气输入阀之一被卡在打开位，使得太多的空气通过空调组件，因而阻止空调组件充分地冷却机舱空气，导致比期望的条件更热。在此第一实施例中从采集的PFR和QAR数据可用的信息的相关性可帮助确定应当在步骤312处确定空气输入阀被卡在打开位的故障。
在第二实施例中，PFR数据再次识别源自特定的飞行器的空调单元的间歇性警报。此PFR数据指示飞行器机舱中的温度超过期望的上限阈值。在此第二实施例中，没有从QAR数据生成针对空调系统的任何警报。没有识别任何警报的情况与识别警报的情况同样重要。最近的飞行日志指示飞行器已经改变了航线，现在更常飞阿布扎比，阿布扎比比以前的目的地明显更热。对于定期飞此航线的机队中的另一飞行器的维修数据指示报告过相似的警报。接着可在步骤312处做出飞行器故障确定，建议在下次飞行器返回进行维修检查时对空调单元进行非紧急服务。
在第三实施例中，PFR数据指示在特定飞行器中两个机舱压力控制器(CPC)之一的间歇性警报。此PFR数据告诉我们机舱压力控制器之一工作不正常。机舱压力控制器在每次飞行结束时切换(前一飞行为CPC1，当前飞行为CPC2，下一次飞行为CPC1等等)。可访问来自当前飞行以及前十次飞行的QAR数据以识别当CPC2在控制之内时，机舱压力没有被调节好。访问来自前2年的附加QAR历史数据以识别这一直是两个月以来的持续问题。此外，来自特定机队中类似飞行器的数据指示类似的PFR数据(例如CPC之一没有很好地调节机舱压力，产生类似的PFR消息)被识别。对类似飞行器访问的维修数据指示通过更换工作不正常的机舱压力控制器该问题得以解决。因此，在步骤312处做出指示CPC故障的飞行器故障确定，在步骤314处提供的输出包括对于一直存在该问题的飞行器更换CPC2的建议。
虽然各种实施例的具体特征可能在一些图中示出而未在其它图中示出，但这仅仅是为了方便起见。根据本发明的原理，可结合任何其它附图的任何特征来引用和/或要求保护某一附图的任何特征。
本书面描述使用实施例来公开本发明，包括最优模式，并且还使所属领域的技术人员能够实践本发明，包括制造和使用任何装置或系统以及执行任何并入的方法。本发明的可获专利的范围由权利要求书界定，并且可包括所属领域的技术人员想到的其它实施例。如果此类其它实施例包括并非不同于权利要求书的字面语言的结构要素，或如果它们包括与权利要求书的字面语言无实质差异的等效结构要素，那么它们既定在权利要求范围内。

Claims (12)

1.一种用于融合和分析多源飞行器数据的计算机实施方法(300)，所述方法包括：
由一个或多个处理器访问来自一个或多个飞行器的多个飞行器有关的数据源的一个或多个数据部分(302)；
由所述一个或多个处理器检测一个或多个警报，所述一个或多个警报指示在飞行器有关的数据源的一个或多个部分内存在数据异常(304)；
由所述一个或多个处理器识别警报的类型和与每个检测到的警报相关联的原始数据源(306)；
由所述一个或多个处理器至少部分地基于所识别的类型和用于检测到的警报的数据源的相关性来确定一个或多个飞行器故障(312)；以及
由所述一个或多个处理器提供输出，所述输出指示所确定的一个或多个飞行器故障(314)。
2.根据权利要求1所述的方法，还包括由所述一个或多个处理器分配与每个检测到的警报相关联的警报置信度得分(308)；且
其中，确定一个或多个飞行器故障(312)还至少部分地基于所述分配给每个检测到的警报的警报置信度得分(308)。
3.根据权利要求2所述的方法，其中，所述警报置信度得分对应于可量化值，所述可量化值指示给定的警报与给定的故障相关的历史可能性。
4.根据前述权利要求中任一项所述的方法，还包括由所述一个或多个处理器对所述飞行器有关的数据源中的每一个分配数据源置信度得分(310)；以及
其中，确定一个或多个飞行器故障(312)还至少部分地基于分配给所述飞行器有关的数据源中的每一个的所述数据源置信度得分(310)。
5.根据前述权利要求中任一项所述的方法，其还包括：
由所述一个或多个处理器分配与每个检测到的警报相关联的警报置信度得分，其中，每个警报置信度得分对应于可量化值，所述可量化值指示给定的警报与给定的故障相关的历史可能性(308)；
由所述一个或多个处理器对所述飞行器有关的数据源中的每一个分配数据源置信度得分，其中，每个数据源置信度得分对应于可量化值，所述可量化值指示所述数据源在确定飞行器故障时的重要性水平(310)；且
其中，确定一个或多个飞行器故障还至少部分地基于与每个检测到的警报相关联的警报置信度得分和分配给所述飞行器有关的数据源中的每一个的数据源置信度得分。
6.根据前述权利要求中任一项所述的方法，其中，来自多个飞行器有关的数据源的所述一个或多个数据部分包括提供技术中断数据的至少一个数据源，所述技术中断数据指示所述一个或多个飞行器的至少一次飞行的中断。
7.根据前述权利要求中任一项所述的方法，其中，来自多个飞行器有关的数据源的所述一个或多个数据部分包括为所述一个或多个飞行器提供维修数据的至少一个数据源。
8.根据前述权利要求中任一项所述的方法，其中，来自多个飞行器有关的数据源的所述一个或多个数据部分包括从与所述一个或多个飞行器相关联的快速存取记录器(QAR)获得的至少一个数据源或提供飞行后报告(PFR)数据的至少一个数据源。
9.根据前述权利要求中任一项所述的方法，其中，来自多个飞行器有关的数据源的所述一个或多个数据部分包括来自所述一个或多个飞行器的给定的飞行的至少一个数据源和来自所述一个或多个飞行器的一个或多个之前的飞行的至少一个数据源。
10.根据前述权利要求中任一项所述的方法，其中，来自一个或多个飞行器的多个飞行器有关的数据源的所述一个或多个数据部分特定于给定的飞行器系统，使得所述一个或多个检测到的警报和所述一个或多个所确定的飞行器故障特定于所述给定的飞行器系统。
11.根据前述权利要求中任一项所述的方法，还包括由所述一个或多个处理器应用一个或多个飞行器的所述多个飞行器有关的数据流作为预配置的处理规则的统计模型的输入，且其中，所述一个或多个检测到的警报和所述一个或多个飞行器故障作为来自预配置的处理规则的统计模型的输出被识别。
12.一种用于融合和分析多源飞行器数据的系统(200)，所述系统(200)包括一个或多个处理器(206)和一个或多个存储装置(208)，所述一个或多个存储装置(208)存储指令(210)，所述指令(210)在由所述一个或多个处理器(206)执行时使得所述一个或多个处理器(206)执行操作，所述操作包括如前述权利要求中任一个所述的方法中实现的步骤。
CN201680078268.4A 2016-01-06 2016-12-16 多源飞行器数据的自动化融合和分析的方法和系统 Pending CN108475445A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
GB1600220.6A GB2546250B (en) 2016-01-06 2016-01-06 Automated fusion and analysis of multiple sources of aircraft data
GB1600220.6 2016-01-06
PCT/EP2016/081614 WO2017118559A1 (en) 2016-01-06 2016-12-16 Automated fusion and analysis of multiple sources of aircraft data

Publications (1)

Publication Number Publication Date
CN108475445A true CN108475445A (zh) 2018-08-31

Family

ID=55406768

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201680078268.4A Pending CN108475445A (zh) 2016-01-06 2016-12-16 多源飞行器数据的自动化融合和分析的方法和系统

Country Status (4)

Country Link
US (1) US11926436B2 (zh)
CN (1) CN108475445A (zh)
GB (1) GB2546250B (zh)
WO (1) WO2017118559A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692786A (zh) * 2022-05-31 2022-07-01 商飞软件有限公司 一种基于多源数据融合的民机故障诊断方法

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10497185B2 (en) 2017-11-28 2019-12-03 The Boeing Company Apparatus and method for vehicle maintenance scheduling and fault monitoring
US11055161B2 (en) * 2018-04-18 2021-07-06 Honeywell International Inc. System and method for automatic generation of a diagnostic model
US11341780B2 (en) * 2018-11-14 2022-05-24 The Boeing Company Maintenance of an aircraft via similarity detection and modeling
US11120695B2 (en) * 2019-01-31 2021-09-14 The Boeing Company System and method for flight delay prevention in real-time
GB2582590A (en) 2019-03-26 2020-09-30 Ge Aviat Systems Ltd Method and system for fusing disparate industrial asset event information
US11495062B2 (en) * 2019-04-02 2022-11-08 The Boeing Company Seat component fault determination and prediction
US20200380875A1 (en) * 2019-05-30 2020-12-03 Honeywell International Inc. Method and system for flight safety analytics display
US20210024224A1 (en) * 2019-07-22 2021-01-28 Honeywell International Inc. Systems and methods for automatically recording interactivity and anomaly data at a vehicle
CA3149009A1 (en) * 2019-08-01 2021-02-04 Skytrac Systems Ltd. Method and system for autonomously tracking distress events on an aircraft in real-time while in flight
US11518546B2 (en) * 2020-02-06 2022-12-06 The Boeing Company Aircraft performance analysis system and method
CN112528483A (zh) * 2020-12-04 2021-03-19 中国航空工业集团公司沈阳飞机设计研究所 一种飞参数据诊断方法
US11976419B2 (en) * 2021-03-31 2024-05-07 Schneider Electric Systems Usa, Inc. Health assessment of a mechanical system
US11954132B2 (en) * 2021-04-28 2024-04-09 The Boeing Company Text mining electronic documents to classify a maintenance record for a machine
US20220382272A1 (en) * 2021-05-28 2022-12-01 Skygrid, Llc Predictive maintenance of an unmanned aerial vehicle
CN113359664B (zh) * 2021-05-31 2023-07-07 海南文鳐科技有限公司 故障诊断与维护系统、方法、设备及存储介质

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040176887A1 (en) * 2003-03-04 2004-09-09 Arinc Incorporated Aircraft condition analysis and management system
US20060047403A1 (en) * 2004-08-26 2006-03-02 Volponi Allan J System for gas turbine health monitoring data fusion
US20080201381A1 (en) * 2007-02-16 2008-08-21 Aditya Abhay Desai Method and system for increasing data reliability using source characteristics
US20080249678A1 (en) * 2005-09-23 2008-10-09 Thales Aircraft Failure Diagnostic Method and System
US20100106357A1 (en) * 2008-10-24 2010-04-29 Gm Global Technology Operations, Inc Combined evidence vehicle health monitoring
EP2325826A1 (en) * 2009-11-18 2011-05-25 Honeywell International Inc. Intelligent crew alerting system and method for aircraft and other vehicle applications
CN102163236A (zh) * 2011-04-22 2011-08-24 北京航空航天大学 一种飞行数据异常模式相似性查询方法
US8019504B2 (en) * 2008-06-12 2011-09-13 The Boeing Company Aircraft maintenance analysis tool
US20120078463A1 (en) * 2009-06-02 2012-03-29 Airbus Method and device for processing faults
US20120151290A1 (en) * 2010-12-09 2012-06-14 GM Global Technology Operations LLC Graph matching system for comparing and merging fault models
US20140309806A1 (en) * 2012-03-14 2014-10-16 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants
CN103427417B (zh) * 2013-07-31 2015-10-14 国家电网公司 基于多源信息融合的配电网故障处理方法
CN105005317A (zh) * 2015-07-29 2015-10-28 重庆赛乐威航空科技有限公司 一种低空飞行器机载交互设备
CN105955243A (zh) * 2016-06-08 2016-09-21 中国商用飞机有限责任公司 一种基于故障案例的飞机诊断维修方法及其装置
CN106156913A (zh) * 2015-04-02 2016-11-23 中国商用飞机有限责任公司 用于飞机部附件的健康管理方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6115656A (en) * 1997-06-17 2000-09-05 Mcdonnell Douglas Corporation Fault recording and reporting method
US7953577B2 (en) 2004-08-25 2011-05-31 Siemens Corporation Method and apparatus for improved fault detection in power generation equipment
US7293400B2 (en) * 2004-09-30 2007-11-13 General Electric Company System and method for sensor validation and fusion
US7346469B2 (en) * 2005-03-31 2008-03-18 General Electric Company System and method for sensor data validation
US8666569B2 (en) 2007-02-16 2014-03-04 Honeywell International Inc. Methods and systems for health monitoring for aircraft
US8868495B2 (en) * 2007-02-21 2014-10-21 Netapp, Inc. System and method for indexing user data on storage systems
US8346700B2 (en) 2007-11-26 2013-01-01 Honeywell International Inc. Vehicle health monitoring reasoner architecture for diagnostics and prognostics
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
US8417410B2 (en) 2008-12-23 2013-04-09 Honeywell International Inc. Operations support systems and methods with power management
US8335601B2 (en) 2009-06-09 2012-12-18 Honeywell International Inc. System and method of automated fault analysis and diagnostic testing of an aircraft
JP6050754B2 (ja) 2010-10-11 2016-12-21 ゼネラル・エレクトリック・カンパニイ 信号処理に基づく故障検出、分離、及び修正のためのシステム、方法、及び装置
US20120215450A1 (en) * 2011-02-23 2012-08-23 Board Of Regents, The University Of Texas System Distinguishing between sensor and process faults in a sensor network with minimal false alarms using a bayesian network based methodology
GB2496386A (en) 2011-11-08 2013-05-15 Ge Aviat Systems Ltd Method for integrating models of a vehicle health management system
GB2514980B (en) * 2012-04-10 2018-12-19 Lockheed Corp Efficient health management, diagnosis and prognosis of a machine
US20140088766A1 (en) 2012-09-21 2014-03-27 United Technologies Corporation Health management having system level diagnostic feedback and information fusion
FR3000196B1 (fr) 2012-12-21 2015-02-06 Airbus Operations Sas Dispositif de mise a disposition de valeurs de parametres de navigation d'un vehicule
US9685087B2 (en) * 2014-08-01 2017-06-20 Honeywell International Inc. Remote air traffic surveillance data compositing based on datalinked radio surveillance
CN104950875A (zh) * 2015-06-15 2015-09-30 西北工业大学 结合关联分析和数据融合的故障诊断方法

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040176887A1 (en) * 2003-03-04 2004-09-09 Arinc Incorporated Aircraft condition analysis and management system
US20060047403A1 (en) * 2004-08-26 2006-03-02 Volponi Allan J System for gas turbine health monitoring data fusion
US20080249678A1 (en) * 2005-09-23 2008-10-09 Thales Aircraft Failure Diagnostic Method and System
US20080201381A1 (en) * 2007-02-16 2008-08-21 Aditya Abhay Desai Method and system for increasing data reliability using source characteristics
US8019504B2 (en) * 2008-06-12 2011-09-13 The Boeing Company Aircraft maintenance analysis tool
US20100106357A1 (en) * 2008-10-24 2010-04-29 Gm Global Technology Operations, Inc Combined evidence vehicle health monitoring
US20120078463A1 (en) * 2009-06-02 2012-03-29 Airbus Method and device for processing faults
EP2325826A1 (en) * 2009-11-18 2011-05-25 Honeywell International Inc. Intelligent crew alerting system and method for aircraft and other vehicle applications
US20120151290A1 (en) * 2010-12-09 2012-06-14 GM Global Technology Operations LLC Graph matching system for comparing and merging fault models
CN102163236A (zh) * 2011-04-22 2011-08-24 北京航空航天大学 一种飞行数据异常模式相似性查询方法
US20140309806A1 (en) * 2012-03-14 2014-10-16 Flextronics Ap, Llc Intelligent vehicle for assisting vehicle occupants
CN103427417B (zh) * 2013-07-31 2015-10-14 国家电网公司 基于多源信息融合的配电网故障处理方法
CN106156913A (zh) * 2015-04-02 2016-11-23 中国商用飞机有限责任公司 用于飞机部附件的健康管理方法
CN105005317A (zh) * 2015-07-29 2015-10-28 重庆赛乐威航空科技有限公司 一种低空飞行器机载交互设备
CN105955243A (zh) * 2016-06-08 2016-09-21 中国商用飞机有限责任公司 一种基于故障案例的飞机诊断维修方法及其装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114692786A (zh) * 2022-05-31 2022-07-01 商飞软件有限公司 一种基于多源数据融合的民机故障诊断方法

Also Published As

Publication number Publication date
GB2546250B (en) 2020-06-17
WO2017118559A1 (en) 2017-07-13
US11926436B2 (en) 2024-03-12
GB201600220D0 (en) 2016-02-17
US20200269995A1 (en) 2020-08-27
GB2546250A (en) 2017-07-19

Similar Documents

Publication Publication Date Title
CN108475445A (zh) 多源飞行器数据的自动化融合和分析的方法和系统
EP3346345B1 (en) Diagnosis system for fouling prediction of aircraft aircondition systems
US10992697B2 (en) On-board networked anomaly detection (ONAD) modules
EP3486739B1 (en) Real time streaming analytics for flight data processing
US11922738B2 (en) Fusion of aviation-related data for comprehensive aircraft system health monitoring
EP1455313A1 (en) Aircraft condition analysis and management system
US20190087789A1 (en) Reporting and prioritizing faults for aircraft downtime reduction
CN107273561A (zh) 飞行事件期间飞行器的机载结构负载评估
US20130218823A1 (en) Method and system for analysing flight data recorded during a flight of an aircraft
EP3346346B1 (en) Management system for predicting fouling conditions of heat exchangers in a plurality of aircaft
CN106649727A (zh) 一种用于无人机飞行控制系统故障检测的数据库构建方法
US11549611B2 (en) Fault prediction in valve systems through Bayesian framework
CN109478350A (zh) 确定维护关注的航空器数据记录帧配置的系统和方法
KR20140049927A (ko) 플랫폼 건전성 모니터링 시스템
CA3163790C (en) Prognostics for improved maintenance of vehicles
CA3176638A1 (en) Fleet level prognostics for improved maintenance of vehicles
Knight et al. Intelligent management of helicopter health and usage management systems data
Larder et al. Smith Industries HUMS: changing the M from monitoring to management
Ortiz et al. Multi source data integration for aircraft health management
Glover et al. The use of prognostic health management for autonomous unmanned air systems
Gerdes Health Monitoring for Aircraft Systems using Decision Trees and Genetic Evolution
Hurst Operational availability modeling for risk and impact analysis
Toufexis Aircraft maintenance and development of a performance-based creep life estimation for aero engine
WO2022058997A1 (en) Event prediction based on machine learning and engineering analysis tools
Reasoners et al. Faisal Khan

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