CN109270915A - 用于飞机现场可替换单元(lru)维护优化的分析系统 - Google Patents
用于飞机现场可替换单元(lru)维护优化的分析系统 Download PDFInfo
- Publication number
- CN109270915A CN109270915A CN201810793862.2A CN201810793862A CN109270915A CN 109270915 A CN109270915 A CN 109270915A CN 201810793862 A CN201810793862 A CN 201810793862A CN 109270915 A CN109270915 A CN 109270915A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- computer
- maintenance
- airplane operation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- B64F5/40—Maintaining or repairing aircraft
-
- 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
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/34—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
- G06Q10/0875—Itemisation or classification of parts, supplies or services, e.g. bill of materials
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
- G06V30/19173—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/40—Document-oriented image-based pattern recognition
-
- 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
- G07C5/006—Indicating maintenance
-
- 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
- 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
- G07C5/0816—Indicating performance data, e.g. occurrence of a malfunction
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06N5/048—Fuzzy inferencing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Multimedia (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Manufacturing & Machinery (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本申请提供一种促进飞机操作和维护的改进的基于人工智能的系统。所述系统可对历史和实时数据两者操作以实现主动的成本控制。可应用深度学习来预测工作范围且产生用于改进飞机操作和维护的建议。本申请还提供一种用于改进飞机操作和维护效率的计算机实施的方法和用于改进飞机操作和维护效率的计算机程序产品。
Description
技术领域
本申请涉及一种用以优化飞机现场可替换单元(LRU,line-replaceable unit)操作和维护的基于人工智能的分析系统。
背景技术
本申请涉及读取大量报告。在飞机LRU领域内,问题是关于具有不同格式和质量的实际上不可访问的过高量的报告的采用。常规地,通过手动读取庞大量的报告且以碎片状方式演绎它们如何相关且接着交叉参考成本数据来使用此信息。
发明内容
下文进行概述以提供对本发明的一个或多个实施例的基本理解。此概述不意图识别关键或至关重要的元件,或划定特定实施例的任何范围或权利要求书的任何范围。其唯一目的是以简化形式呈现概念作为随后呈现的更详细描述的序言。在本说明书中所描述的一个或多个实施例中,描述促进飞机现场可替换单元(LRU)维护优化的装置、系统、计算机实施的方法、设备和/或计算机程序产品。
在一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统包括执行存储于存储器中的计算机可执行部件的处理器。所述计算机可执行部件包括:输入部件,其从一组源接收历史和实时飞机操作和维护数据;存档部件,其存储飞机操作和维护数据的至少一个子集;以及机器学习部件,其学习所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,并产生关于改进飞机的操作的建议。
在另一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统进一步包括数据转换部件,其将非结构化存档数据转换为可由机器学习部件分析的结构化数据。
在另一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统进一步包括光学字符辨识(OCR)部件,其将文本文档图像转换为非结构化数据。
在另一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统进一步包括工作流程部件,其基于由AI模型产生的输出调度飞机操作和维护。
在另一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统进一步包括虚拟形象部件,其产生与用户交互的虚拟形象并基于AI模型的输出向用户提供建议。
在另一实施方式中,一种用以改进飞机操作和维护效率的基于人工智能的系统进一步包括虚拟现实部件,其使用AI模型的建议运行模拟,并向所述模拟中的一个或多个的用户产生基于虚拟现实的呈现。
在另一实施方式中,一种用于改进飞机操作和维护效率的计算机实施的方法包括采用处理器执行存储于存储器中的计算机可执行部件以执行以下动作:使用输入部件从一组源接收历史和实时飞机操作和维护数据;以及使用存档部件存储飞机操作和维护数据的至少一个子集;使用机器学习部件学习所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据的语料库之间的相关性,并产生关于改进飞机的操作的建议。
在另一实施方式中,一种用于改进飞机操作和维护效率的计算机程序产品包括具有以此体现的程序指令的计算机可读存储媒体。所述程序指令可由处理器执行以致使处理器:使用输入部件从一组源接收历史和实时飞机操作和维护数据;使用存档部件存储飞机操作和维护数据的至少一个子集;以及使用机器学习部件学习所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,并产生关于改进飞机的操作的建议。
在一些实施方式中,结合计算机实施的方法描述的元件可以例如系统、计算机程序产品或另一形式等不同形式体现。
技术方案1.一种用以改进飞机操作和维护效率的基于人工智能的系统,其包括:处理器,其执行存储于存储器中的以下计算机可执行部件,所述部件包括:输入部件,其从一组源接收历史和实时飞机操作和维护数据;存档部件,其存储所述飞机操作和维护数据的至少一个子集;以及机器学习部件,其学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
技术方案2.根据技术方案1所述的系统,所述机器学习部件跨所接收和存档的飞机操作和维护数据的非结构化子集执行递归学习。
技术方案3.根据技术方案1所述的系统,所述AI模型调度所述飞机的现场可替换单元(LRU)的替换。
技术方案4.根据技术方案3所述的系统,所述AI模型使所述LRU的所述替换至少部分基于基于公用程式的分析,所述基于公用程式的分析考虑所述LRU的经预测剩余寿命的因素,且比较在所述LRU寿命终止之前的不同时间点处替换的益处。
技术方案5.根据技术方案1所述的系统,进一步包括数据转换部件,所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
技术方案6.根据技术方案5所述的系统,进一步包括将文本文档图像转换为非结构化数据的光学字符辨识(OCR)部件。
技术方案7.根据技术方案1所述的系统,进一步包括工作流程部件,所述工作流程部件基于由所述AI模型产生的输出调度飞机操作和维护。
技术方案8.根据技术方案1所述的系统,进一步包括虚拟形象部件,所述虚拟形象部件产生与用户交互的虚拟形象,且基于所述AI模型的输出向所述用户提供建议。
技术方案9.根据技术方案1所述的系统,所述AI模型包括神经网络和贝叶斯网络。
技术方案10.根据技术方案1所述的系统,所述AI模型同与不同飞机相关联的其它AI模型交互,且从所述其它AI模型学习。
技术方案11.根据技术方案1所述的系统,所述AI模型将已在所述飞机上操作或工作的人员的质量分级。
技术方案12.根据技术方案11所述的系统,所述AI模型部分地基于所述分级和与其相关联的成本提供关于所述人员的子集的调度的建议。
技术方案13.根据技术方案1所述的系统,所述AI模型跨装置的分布式网络驻留。
技术方案14.根据技术方案1所述的系统,进一步包括虚拟现实部件,所述虚拟现实部件使用来自所述AI模型的建议运行模拟,且向所述模拟中的一个或多个的用户产生基于虚拟现实的呈现。
技术方案15.根据技术方案3所述的系统,所述AI模型自动预订替换LRU。
技术方案16.一种用于改进飞机操作和维护效率的计算机实施的方法,包括:采用处理器执行存储于存储器中的计算机可执行部件,以执行以下动作:使用输入部件从一组源接收历史实时飞机操作和维护数据;以及使用存档部件存储所述飞机操作和维护数据的至少一个子集;使用机器学习部件学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
技术方案17.根据技术方案16所述的方法,进一步包括使用所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
技术方案18.根据技术方案17所述的方法,进一步包括使用光学字符辨识(OCR)部件将文本文档图像转换为非结构化数据。
技术方案19.一种用于改进飞机操作和维护效率的计算机程序产品,所述计算机程序产品包括具有以此体现的程序指令的计算机可读存储媒体,所述程序指令可由处理器执行以使所述处理器:
使用输入部件从一组源接收历史和实时飞机操作和维护数据;
使用存档部件存储所述飞机操作和维护数据的至少一个子集;以及
使用机器学习部件学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
技术方案20.根据技术方案19所述的计算机程序产品,所述程序指令进一步可由所述处理器执行以使所述处理器:使用所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
附图说明
图1示出根据本说明书中所描述的一个或多个实施例的基于人工智能的系统。
图2示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法。
图3示出根据本说明书中所描述的一个或多个实施例包括数据转换部件的基于人工智能的系统。
图4示出根据本说明书中所描述的一个或多个实施例包括光学字符辨识部件的基于人工智能的系统。
图5示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法。
图6示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法。
图7示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法。
图8示出根据本说明书中所描述的一个或多个实施例的实施例曲线图。
图9示出根据本说明书中所描述的一个或多个实施例的实施例曲线图。
图10示出根据本说明书中所描述的一个或多个实施例包括工作流程部件的基于人工智能的系统。
图11示出根据本说明书中所描述的一个或多个实施例包括虚拟形象部件的基于人工智能的系统。
图12示出根据本说明书中所描述的一个或多个实施例包括虚拟现实部件的基于人工智能的系统。
图13示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法。
图14示出在其中可促进本说明书所描述的一个或多个实施例的实施例非限制性操作环境的框图。
具体实施方式
以下详细描述仅仅是说明性的,且并不意图限制实施例和/或实施例的应用或使用。此外,并不意图受到前述背景技术或发明内容段落中或具体实时方式段落中呈现的任何明确或暗示的信息束缚。
现参看图式描述一个或多个实施例,其中类似参考标号通篇用于指代类似元件。在以下描述中,出于解释的目的,阐述许多特定细节以便提供对一个或多个实施例的更透彻理解。然而,显而易见的是,在不同情况下,可在无这些特定细节的情况下实践所述一个或多个实施例。
在飞机LRU领域内,关于LRU的信息常常隐藏在数千文档中,且可能花费无数工时来读取和分析。时常,许多资料并不是数字的,且可用的信息主要是成本数据,其仅揭露针对部件支付多少金额以及支付的日期。本申请可分析数千报告并对非结构化历史和实时数据执行文本分析。非结构化数据可变换成结构化数据以搜集有意义的信息。可揭示维护细节,例如所消耗零件、部件如何被测试、检查结果是什么、服务升级等的原因、完全零件历史报告等。庞大的LRU相关信息可具有成本降低、工作范围缩减、工作范围瞄准、记账检验等的显著潜力,且本申请实现以有意义的(例如,结构化)方式快速分析此大数据语料库并收集可促进决策制定和行动的非常有用的洞察。举例来说,可发现关于历史工作的洞察以允许优化修理。实时检验可允许主动的成本控制。预期并入有本说明书中所公开的新颖方面的各种系统可应用于除飞机操作和维护以外的不同领域。
图1示出用以改进飞机操作和维护效率的基于人工智能的系统100。系统100包括处理器102,其执行存储在存储器104中的计算机可执行部件。计算机可执行部件可包括输入部件106、存档部件108和机器学习部件110。输入部件106可接收历史和实时飞机操作和维护数据。可例如从过去的发票、商店查找报告、认证报告、服务通告等获得历史数据。系统100可在实时数据到达时分析实时数据(例如,结合刚接收的相同报告)。
存档部件108可存储输入部件106接收的飞机操作和维护数据。数据可存档以供系统100的其它部件使用。机器学习部件110可学习非结构化的所接收和存档的飞机操作和维护数据,识别数据之间的相关性且产生关于改进飞机的操作的建议。人工智能模型可学习所接收和存档的飞机操作和维护数据,并增加相应AI模型。举例来说,AI模型可将LRU的替换至少部分基于基于公用程式的分析以优化操作和维护。基于公用程式的分析可由以下组成:考虑LRU的经预测剩余寿命的因素、比较在寿命终止之前的不同时间点处替换LRU的益处等。AI模型可调度并自动预订替换LRU以维持相对于替换要求的一定量的库存。AI模型还可对已经在飞机上操作或工作的人员的质量进行分级,且部分地基于所述分级和相关联成本提供关于调度人员的建议。分级可基于质量、可用性、对于特定任务的近似性(affinity)等。相应AI模型可同与不同飞机相关联的其它AI模型交互,且彼此学习。AI模型可跨不限于飞机的装置的分布式网络驻留,且可包括例如神经网络和贝叶斯网络两者(例如,在递归学习布置中)以通过AI模型提供增强的学习和预测。
本说明书中所描述装置的实施例可采用人工智能(AI)来促进本说明书中所描述的一个或多个特征的自动化。部件可采用各种基于AI的方案来实行本说明书中所公开的各种实施例/实例。为了实现或辅助本说明书中所描述的大量确定(例如,确定、确认、推断、计算、预计、预测、估计、导出、预告、检测),本说明书中所描述的部件可检查整体或准许访问的数据子集,且可从如经由事件和/或数据捕获的一组观测结果提供关于系统、环境等的状态的推理或确定系统、环境等的状态。举例来说,可采用确定来识别特定上下文或动作,和/或可产生状态的概率分布。确定是概率性的-也就是说,所关注的状态的概率分布的计算基于数据和事件的考虑。确定还可以指用于由一组事件和/或数据构成较高层级事件的技术。
此类确定可导致由一组所观察事件和/或所存储事件数据构造新事件或动作,无论所述事件是否在接近的时间近程中相关,且无论所述事件和数据来自一个还是若干事件和数据源。本说明书中所公开的部件可结合所主张的标的物结合执行自动和/或所确定动作采用各种分类(经过显式训练(例如,经由训练数据)以及经过隐式训练(例如,经由观察行为、偏好、历史信息、接收外部信息等))方案和/或系统(例如支持向量机、神经网络、专家系统、贝叶斯置信网络、模糊逻辑、数据融合发动机等)。因此,分类方案和/或系统可用以自动学习和执行数个功能、动作和/或确定。
分类器可将输入属性向量z=(z1、z2、z3、z4、zn)映射到输入属于某一种类的置信度,表示为f(z)=置信度(种类)。此分类可采用概率性的和/或基于统计的分析(例如,考虑分析效用和成本的因素)以确定待自动执行的动作。支持向量机(support vectormachine,SVM)是可以采用的分类器的实施例。SVM通过在可能输入的空间中查找超曲面(hyper-surface)来操作,其中所述超曲面尝试分离触发准则与非触发事件。直观地,这使得分类对于接近但不同于训练数据的测试数据来说是正确的。其它导向和非导向模型分类方法包括例如朴素贝叶斯(Bayes)、贝叶斯网络、决策树、神经网络、模糊逻辑模型,且可以采用提供不同独立模式的概率性分类模型。如本说明书所使用的分类还包括用于开发优先级模型的统计回归。
图2示出用以优化飞机LRU操作和维护的实施例非限制性方法200。来自例如商店查找、成本分析和发票等多个源的数据由输入部件106扫描和接收。经扫描的文本文档呈图像文件格式,其需要采用光学字符辨识(OCR)转换成非结构化文本数据,所述非结构化文本数据随后解析为可能仍包括误差的结构化数据库。OCR恢复和预处理修理数据用于分析。OCR恢复比较单词和短语的间距以揭露误差并校正单词或短语。购买文档的实时处理可对工作范围蠕变、成本溢出(cost escapement)、不正确的工作范围等进行标记,以实现主动的成本控制。随后,进行例如聚类、文本分析、语义推理器等不同文本分析以优化LRU维护。聚类算法分离具有类似工作范围的LRU或零件的群组以使反常成本信号显而易见。可应用语义推理器来进行工作范围、实验台测试结果、根因等的分类。
先前未使用的数据的可访问性会提高对商店内以及商店之间的工作流程的理解。举例来说,这可阐释为何LRU部件移动到不同飞机或其是否可在合约内移动到另一飞机以优化周转时间。这还可证实部件修理是否符合合约指导方针,阐释为何修理升级、揭示应用了哪些服务通告、是否服务通告可推迟到LRU寿命的特定点以缩减工作范围、成本等。
构造和分析历史数据产生关于成本减少、工作范围缩减、工作范围定位、记账验证等的洞察。举例来说,成本减少可通过辨识不同供应商可以较小价格执行修理来实现。工作范围缩减的实施例可包括意识到工作范围的行项目(line item)依据建造标准实际上不是必需的。工作范围定位可包括使用发动机的特定操作历史来预测需要完成哪一工作,以及如果发动机正以轻负荷运作,那么其可继续以缩减的工作范围运作。记账验证可通过检查所应用的工作范围以预期费率付费来实现。
实时数据分析可基于飞行操作参数、累积损坏、累积循环等推荐或检查工作范围。举例来说,实时分析可用于前瞻性地标记成本擒纵,从而允许买家拒绝和修正提议-这实现主动的成本控制而非在完成所有工作之后辨识问题。
图3示出包括数据转换部件302的基于人工智能的系统100,所述数据转换部件302可将非结构化存档数据转换为可由机器学习部件经由采用光学字符辨识(OCR)部件402分析的结构化数据,如图4中所说明。图5进一步示出文本文档可如何转换为结构化数据的实施例方法500。大数据集(例如,论文文件)可经扫描为图像文件,且数据转换部件302可例如通过采用OCR部件402和使用解析代码的图案匹配算法而将已来源于多个源、供应商、格式等的这些文档转换为结构化数据。OCR部件402可将文本文档图像数据转换为非结构化文本数据。使用解析代码的图案匹配算法可提取商业关键数据,其利用标准化命名法(例如,结构化数据)存储在数据库中。将非结构化数据存储到结构化数据库中促进对数据的较宽广度进行分析。具有经组织或结构化数据库可大大促进商店数据分析。以恒定且标准格式存储的数据可极大地改进下游处理和捕获工作范围信息。
在来自图5的实施例中,存在结构化数据库中的误差:“Jun”拼写为“ruN”、“OCT”拼写为带有0,且一些字段缺失,但例如OCR恢复等分析技术可处理这些误差。OCR恢复可利用基于莱文斯汀(Levenshtein)距离或字符串距离的比较来确定最可能希望的单词。候选单词通过概率评分,随后基于所挑选概率阈值挑选。还应用上下文规则来改进准确性。举例来说,如果小写“L”存在于零件编号中,而此假想零件仅使用数值,那么字母“L”最可能是“1”。在来自图6的另一实施例中,方法600采用字符串距离通过计算“488345113”和已知PO编号列表之间的距离寻找最接近的购买订单(PO)编号,发现“/”被误读为“1”。还可个别地应用此方法来清洗现有数据并调和服务数据库中的失配。此方法的主要技术优点是,其使得能够使用以仅图像非文本格式存档的历史数据。此外,相比于常规分析技术,误差修补算法实现更快速更可靠的分析,而不滤出错误数据。还可应用此方法来调和现有数据偏差,例如零件关键词未正确地翻译。
采用文本分析和聚类算法确定工作范围、商店查找、所应用服务通告、成本等之间的因果关系。举例来说,LRU的群组在特定区中或对于特定航线如何表现、包括特定零件的哪一群组更脆弱等。此方法的商业优点是,其识别驱动商店访问成本的零件和服务。这些洞察可用于与外部供应商更好地协商更好的价格。文本分析“读取”大文档集,且报告每一工作订单与另一工作订单如何依据工作范围、成本、寿命统计数据(例如,自全新过去的循环、自检修过去的时间等)而比较。文本分析还可分析供应商合约的内文。举例来说,固定的公司价格通常仅产生3个等级的成本信号。
深度学习可应用于基于航线、区、过去的工作范围等的工作范围预测,以产生目标工作范围。用于构建词典的动态且交互式词汇云可用于有效地提取暴露短语的重要单词和那些单词中的一些背后的含义。用户可有效地识别哪些单词或短语是重要的或同义以补足机器学习。图7示出用于构建具有拖放功能性的动态且交互式词汇云的实施例非限制性方法700。图7中,压力歧管(pressure manifold)成为驱动成本的单词而结束。一旦提取重要单词,则可基于哪些单词存在于每一文档中来预测成本。AI模型可使用机器学习来快速辨识关键词和短语。AI模型可基于过去历史、其量化重要性和关联性寻找特定单词以检测成本。除检测成本之外,AI模型还可确定是否存在误差、是否正恰当地构建部件、其是否正构建等。AI模型可实时进行此操作,如此可立即采取动作来校正问题。
图8示出使文本与成本相关的实施例曲线图800。曲线图800示出三个成本等级,以及其如何相关,以便校正成本问题。pss是正具有驱动成本的问题的压力子系统和歧管的一部分。在实施例单元802中,单词MTI换能器(MTI transducer)、压力歧管和O型环(o-ring)被替换。接收且依据维护手册检查实施例单元804,但pss不具备允许所述单元执行传入测试的功能。此方法在存在固定价格合约的情况下特别有价值,其极大地增加了变差。
在另一实施例中,图9示出用于工作范围聚类以识别成本误差的曲线图900。曲线图900具有三个不同成本等级和一个数据点,所述数据点错位但不应用工作范围聚类的话则难以识别。LRU 902示出仅通过手动地读取和辨识问题可见的不恰当应用的工作范围。丛集904由具有相同工作范围和成本阈值的5个LRU组成。LRU 902具有与丛集904中相同的工作范围、服务通告、零件号等,但具有不同成本。基于选自非结构化文本的关键词,LRU 902应属于丛集904。其很可能是可使用工作范围聚类技术校正的记账错误。
图10示出包括工作流程部件1002的基于人工智能的系统,所述工作流程部件可采用AI模型产生的建议来调度操作和维护。举例来说,工作流程部件1002可基于AI模型是否指示需要替换来调度替换LRU。工作流程部件1002可基于AI模型建议谁可用和适于所述位置来调度人员。此外,如图11中所示出的虚拟形象部件1102可产生与用户交互的虚拟形象且基于AI模型的输出向用户提供建议。举例来说,虚拟形象可提醒用户LRU的集合需要替换,且询问用户是否想要虚拟形象预订替换。此外,如图12中所示出的虚拟现实部件1202可使用来自AI模型的建议运行模拟,且向用户产生基于虚拟现实的呈现。举例来说,虚拟现实模拟可向维护团队展现替换LRU的恰当方式。
图13示出根据本说明书中所描述的一个或多个实施例的实施例非限制性方法以进一步展现每一过程如何连接。在步骤1302处,将文本文档扫描到图像文件中。在步骤1304处,采用OCR将文本文档图像转换为非结构化文本数据。在步骤1306处,图案匹配算法与解析代码一起使用以提取商业关键数据。在步骤1314处,存档数据反馈用于后续机器学习。在步骤1308处,以标准化命名法构造结构化数据库,且在步骤1314处将结构化数据库存档用于机器学习。在步骤1310处,采用OCR恢复和预处理准备数据用于分析,所述分析是通过利用字符串距离等技术校正误差且标记工作范围以实现主动的成本控制。在步骤1314处存档数据反馈用于机器学习。在步骤1312处,通过采用词汇云和文本成本相关执行例如聚类、文本分析、语义推理器等分析。在步骤1314处存档数据反馈用于机器学习。机器学习可使用存档的数据来改进AI模型。
参看图14,用于实施本申请的各个方面的合适的操作环境1400还可包括计算机1412。计算机1412还可包括处理单元1414、系统存储器1416和系统总线1418。系统总线1418将包括但不限于系统存储器1416的系统部件连接到处理单元1414。处理单元1414可为各种可用处理器中的任一个。双微处理器和其它多处理器架构也可用作处理单元1414。系统总线1418可为包括存储器总线或存储器控制器、外围总线或外部总线,和/或使用各种可用总线架构的本地总线的若干类型的总线结构中的任一个,所述可用总线架构包括但不限于工业标准架构(ISA)、微通道架构(MSA)、扩展ISA(EISA)、智能驱动电子设备(IDE)、VESA局部总线(VLB)、外围部件互连(PCI)、卡总线、通用串行总线(USB)、高级图形端口(AGP)、火线(IEEE 1394)和小型计算机系统接口(SCSI)。
系统存储器1416还可包括易失性存储器1420和非易失性存储器1422。包括例如在启动期间在计算机1412内的元件之间传递信息的基本例程的基本输入/输出系统(BIOS)存储于非易失性存储器1422中。计算机1412还包括可移除/不可移除、易失性/非易失性计算机存储媒体。图14示出例如磁盘存储装置1424。磁盘存储装置1424还可包括但不限于如磁盘驱动器、软盘驱动器、磁带驱动器、Jaz驱动器、Zip驱动器、LS-100驱动器、闪存卡或记忆棒等装置。磁盘存储装置1424还可包括与其它存储媒体分离或组合的存储媒体。为促进磁盘存储装置1424连接到系统总线1418,通常使用可移除或不可移除的接口,例如接口1426。图14还示出充当用户与合适的操作环境1400中描述的基本计算机资源之间的媒介的软件。此软件还可包括例如操作系统1428。可存储在磁盘存储装置1424上的操作系统1428用以控制并分配计算机系统1412的资源。
系统应用1430通过操作系统1428经由例如存储在系统存储器1416中或磁盘存储装置1424中的程序模块1432和程序数据1434来利用资源的管理。应了解,本申请可用各种操作系统或操作系统的组合来实施。用户通过输入装置1436将命令或信息键入计算机1412。输入装置1436包括但不限于例如鼠标、轨迹球、触控笔、触摸板、键盘、麦克风、操纵杆、游戏板、圆盘式卫星天线、扫描仪、TV调谐卡、数码相机、数码摄像机、网络摄像头等指向装置。这些和其它输入装置通过系统总线1418经由接口端口1438连接到处理单元1414。接口端口1438包括例如串行端口、并行端口、游戏端口和通用串行总线(USB)。输出装置1440使用与输入装置1436相同类型的端口中的一些。因此,举例来说,USB端口可用于将输入提供到计算机1412,并将信息从计算机1412输出到输出装置1440。提供输出适配器1442,以说明在其它输出装置1440当中存在需要特殊适配器的如监视器、扬声器和打印机等一些输出装置1440。作为说明而非限制,输出适配器1442包括在输出装置1440与系统总线1418之间提供连接构件的视频和声卡。应注意,其它装置和/或装置的系统提供输入和输出能力,例如远程计算机1444。
计算机1412可使用到例如远程计算机1444的一个或多个远程计算机的逻辑连接在联网环境中操作。远程计算机1444可以是计算机、服务器、路由器、网络PC、工作站、基于微处理器的器具、对等装置或其它公用网络节点等,且通常还可包括关于计算机1412描述的许多或全部元件。为简洁起见,仅在远程计算机1444内说明存储器存储装置1446。远程计算机1444通过网络接口1448逻辑地连接到计算机1412,且接着经由通信连接1450物理地连接。网络接口1448涵盖例如局域网(LAN)、广域网(WAN)、蜂窝网络等有线和/或无线通信网络。LAN技术包括光纤分布式数据接口(FDDI)、铜线分布式数据接口(CDDI)、以太网、令牌环等。WAN技术包括但不限于点对点链路、如综合业务数字网络(ISDN)的电路交换网络和其变型、包交换网络和数字订户线(DSL)。通信连接1450是指用以将网络接口1448连接到系统总线1418的硬件/软件。虽然为清楚说明起见将通信连接1450示出为在计算机1412内部,但其也可在计算机1412外部。仅为了示例性目的,用于连接到网络接口1448的硬件/软件还可包括内部和外部技术,例如包括普通电话级调制解调器、电缆调制解调器和DSL调制解调器的调制解调器、ISDN适配器和以太网卡。
本发明可以是集成的任何可能技术细节级别下的系统、方法、设备和/或计算机程序产品。计算机程序产品可包括在其上具有用于致使处理器实行本发明的各方面的计算机可读程序指令的计算机可读存储媒体。计算机可读存储媒体可以是能够保持和存储供指令执行装置使用的指令的有形装置。举例来说,计算机可读存储媒体可以是但不限于:电子存储装置、磁性存储装置、光学存储装置、电磁存储装置、半导体存储装置或前述各项的任何合适组合。计算机可读存储媒体的更具体实施例的非穷尽性列表还可包括以下各项:便携式计算机磁盘、硬盘、随机存取存储器(random access memory,RAM)、只读存储器(read-only memory,ROM)、可擦除可编程只读存储器(erasable programmable read-onlymemory,EPROM或快闪存储器)、静态随机存取存储器(static random access memory,SRAM)、便携式压缩光盘只读存储器(compact disc read-only memory,CD-ROM)、数字通用光盘(digital versatile disk,DVD)、记忆棒、软盘、例如打孔卡或在上面记录有指令的凹槽中的升高结构等机械编码装置,以及前述各项的任何合适组合。如本说明书所使用的计算机可读存储媒体本身不应被解释为瞬时性信号,例如无线电波或其它自由传播的电磁波、通过波导或其它传输媒体传播的电磁波(例如,通过光缆传递的光脉冲),或通过导线传输的电信号。
本说明书中所描述的计算机可读程序指令可以从计算机可读存储媒体下载到相应计算/处理装置,或通过例如因特网、局域网、广域网和/或无线网络等网络下载到外部计算机或外部存储装置。所述网络可包括铜传输电缆、光学传输光纤、无线传输、路由器、防火墙、交换器、网关计算机和/或边缘服务器。每一计算/处理装置中的网络适配卡或网络接口从网络接收计算机可读程序指令且转发计算机可读程序指令以供存储于相应的计算/处理装置内的计算机可读存储媒体中。用于实行本发明的操作的计算机可读程序指令可以是以一种或多种编程语言的任何组合编写的汇编指令、指令集架构(instruction-set-architecture,ISA)指令、机器指令、机器相关指令、微码、固件指令、状态设定数据、用于集成电路的配置数据,或者源码或目标代码,所述一种或多种编程语言包括例如Smalltalk、C++或其类似者的面向对象的编程语言,以及例如“C”编程语言或类似编程语言等程序编程语言。计算机可读程序指令可完全在用户的计算机上执行、部分地在用户的计算机上执行、作为独立软件包执行、部分地在用户的计算机上且部分地在远程计算机上执行,或完全在远程计算机或服务器上执行。在后一种情况下,远程计算机可通过包括局域网(LAN)或广域网(WAN)在内的任何类型的网络连接到用户的计算机,或者可以连接到外部计算机(例如,通过使用因特网服务提供商的因特网)。在一些实施例中,包括例如可编程逻辑电路、现场可编程门阵列(field-programmable gate array,FPGA)或可编程逻辑阵列(programmablelogic array,PLA)的电子电路可以通过利用计算机可读程序指令的状态信息将电子电路个人化而执行计算机可读程序指令,以便执行本发明的方面。
本说明书结合根据本发明的实施例的方法、设备(系统)和计算机程序产品的流程图图示和/或框图来描述本发明的各方面。应当理解,流程图图示和/或框图的每个框以及流程图图示和/或框图中的框的组合可以由计算机可读程序指令实施。这些计算机可读程序指令可以提供至通用计算机、专用计算机或其它可编程数据处理设备的处理器以产生机器,使得经由计算机或其它可编程数据处理设备的处理器执行的指令创建用于实施流程图和/或框图的一个或多个框中指定的功能/动作的手段。这些计算机可读程序指令还可以存储在计算机可读存储媒体中,所述计算机可读存储媒体可以引导计算机、可编程数据处理设备和/或其它装置以特定方式工作,使得具有存储在其中的指令的计算机可读存储媒体包括包括实施流程图和/或框图的一个或多个框中指定的功能/动作的方面的指令的制品。计算机可读程序指令还可以被加载到计算机、其它可编程数据处理设备或其它装置上,以使得在计算机、其它可编程设备或其它装置上执行一系列操作步骤,以产生计算机实施的过程,使得在计算机、其它可编程设备或其它装置上执行的指令实施流程图和/或框图的一个或多个框中指定的功能/动作。
图式中的流程图和框图说明根据本发明的各个实施例的系统、方法和计算机程序产品的可能实现方式的架构、功能性和操作。在这方面,流程图或框图中的每个框可以代表模块、片断或指令的部分,其包括用于实施特定逻辑功能的一个或多个可执行指令。在一些替换的实施方案中,框中提到的功能可能不按图中所提到的次序出现。举例来说,取决于所涉及的功能性,连续示出的两个框实际上可大体同时执行,或所述框有时可以相反次序执行。还应注意,框图和/或流程图图示中的每个框以及框图和/或流程图图示中的框的组合可由执行特定功能或动作的专用的基于硬件的系统实施,或由专用硬件和计算机指令的组合实行。
虽然上文已在一个和/或多个计算机上运行的计算机程序的计算机可执行指令的一般背景中描述了主题,但所属领域的技术人员将认识到,本申请还能够或可以结合其它程序模块实施。通常,程序模块包括例程、程序、部件、数据结构等,其执行特定任务和/或实施特定抽象数据类型。此外,所属领域的技术人员将了解,可在其它计算机系统配置的情况下实践本发明计算机实施的方法,所述配置包括单处理器或多处理器计算机系统、迷你计算装置、大型计算机以及计算机、手持式计算装置(例如,PDA、电话)、基于微处理器或可编程的消费型或工业电子设备等。所说明方面还可在分布式计算环境中实践,其中任务由通过通信网络链接的远程处理装置执行。然而,本申请的一些方面(如果不是全部的话)可以在独立计算机上实践。在分布式计算环境中,程序模块可位于本地存储器存储装置和远程存储器存储装置两者中。
如本申请中所使用,术语“部件”、“系统”、“平台”、“接口”等可指和/或可包括计算机相关的实体或与具有一个或多个特定功能性的操作机器相关的实体。本说明书中所公开的实体可为硬件、硬件与软件的组合、软件或执行中的软件。举例来说,部件可为但不限于在处理器上运行的进程、处理器、对象、可执行码、执行线程、程序和/或计算机。作为说明,在服务器上运行的应用和服务器都可为部件。一个或多个部件可驻留在进程和/或执行线程内,且部件可定位于一个计算机上和/或分布在两个或两个以上计算机之间。在另一实施例中,相应部件可从上面存储有各种数据结构的各种计算机可读媒体执行。部件可经由本地和/或远程进程例如根据具有一个或多个数据包(例如,与本地系统、分布式系统中的另一部件交互和/或跨例如因特网等网络经由信号与其它系统交互的一个部件的数据)的信号通信。作为另一实施例,部件可为具有由电气或电子电路操作的机械零件提供的特定功能性的设备,所述电气或电子电路由处理器执行的软件或固件应用操作。在此情况下,处理器可在设备的内部或外部,且可执行软件或固件应用的至少一部分。作为又一实施例,部件可为通过没有机械零件的电子部件提供特定功能性的设备,其中电子部件可包括处理器或其它构件以执行软件或固件,所述软件或固件至少部分地赋予所述电子部件的功能性。在一方面中,部件可例如在云端计算系统内经由虚拟机模拟电子部件。
另外,术语“或”意在表示包括性“或”而非排它性“或”。也就是说,除非另外指定,或从上下文清楚可见,否则“X采用A或B”意在表示任何自然的包括性排列。也就是说,如果X采用A;X采用B;或X采用A和B,那么在任何前述例子下满足“X采用A或B”。此外,除非另外规定,或从上下文清楚可见针对单数形式,否则如在说明书和附图中使用的冠词“一”应一般理解为意味着“一个或多个”。如本说明书中所使用,术语“实施例”和/或“示例性”用于意指充当实施例、例子或说明。为免产生疑问,本说明书中所公开的标的物不受此类实施例限制。另外,本说明书中描述为“实施例”和/或“示例性”的任何方面或设计不必被理解为比其它方面或设计优选或有利,其也不意指排除所属领域的一般技术人员已知的等效示例性结构和技术。
当在本说明书中采用时,术语“处理器”可指大体上任何计算处理单元或装置,包括但不限于单核处理器;具有软件多线程执行能力的单处理器;多核处理器;具有软件多线程执行能力的多核处理器;具有硬件多线程技术的多核处理器;并行平台;以及具有分布式共享存储器的并行平台。另外,处理器可指集成电路、专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)、可编程逻辑控制器(PLC)、复杂可编程逻辑装置(CPLD)、离散门或晶体管逻辑、离散硬件部件或设计成执行本说明书中所描述的功能的其任何组合。此外,处理器可使用纳米级架构,例如但不限于基于分子和量子点的晶体管、开关和门,以便优化空间使用率或增强用户装备的性能。处理器也可实施为计算处理单元的组合。在本申请中,例如“存储装置(store/storage)”、“数据存储装置(data store/datastorage)”、“数据库”以及与部件的操作和功能性相关的大体上任何其它信息存储部件的术语用于指代“存储器部件”、体现在“存储器”中的实体或包括存储器的部件。应了解,本说明书中描述的存储器和/或存储器部件可为易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器。作为说明而非限制,非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)、闪存或非易失性随机存取存储器(RAM)(例如,铁电RAM(FeRAM))。举例来说,易失性存储器可包括RAM,其可充当外部高速缓冲存储器。作为说明而非限制,RAM可呈许多形式,例如同步RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDR SDRAM)、增强型SDRAM(ESDRAM)、同步链路DRAM(SLDRAM)、直接Rambus RAM(DRRAM)、直接Rambus动态RAM(DRDRAM)和Rambus动态RAM(RDRAM)。另外,本说明书中所公开的系统或计算机实施的方法的存储器部件旨在包括,但不限于包括这些和任何其它合适类型的存储器。
上文已描述的内容仅包括系统和计算机实施的方法的实施例。当然,不可能出于描述本申请的目的而描述部件或计算机实施的方法的每一可设想组合,但所属领域的一般技术人员可认识到,本申请的许多其它组合和排列是可能的。此外,就在具体实施方式、权利要求书、附录和附图中使用术语“包括”、“具有”、“拥有”等来说,此类术语旨在以类似于术语“包括”在权利要求中用作过渡词时所解释的方式而为包括性的。
已经出于说明的目的提出各种实施例的描述,但是所述描述并不希望是详尽的或者限于所公开实施例。在不脱离所描述的实施例的范围和精神的情况下,对所属领域的一般技术人员而言多个修改和变化将是显而易见的。本说明书中所使用的术语经选择以最佳解释实施例的原理、实际应用或对市场中发现的技术的技术改进,或使所属领域的一般技术人员能够理解本说明书所公开的实施例。
Claims (10)
1.一种用以改进飞机操作和维护效率的基于人工智能的系统,其包括:
处理器,其执行存储于存储器中的以下计算机可执行部件,所述部件包括:
输入部件,其从一组源接收历史和实时飞机操作和维护数据;
存档部件,其存储所述飞机操作和维护数据的至少一个子集;以及
机器学习部件,其学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
2.根据权利要求1所述的系统,其特征在于:所述机器学习部件跨所接收和存档的飞机操作和维护数据的非结构化子集执行递归学习。
3.根据权利要求1所述的系统,其特征在于:所述AI模型调度所述飞机的现场可替换单元(LRU)的替换。
4.根据权利要求1所述的系统,其特征在于:进一步包括数据转换部件,所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
5.根据权利要求4所述的系统,其特征在于:进一步包括将文本文档图像转换为非结构化数据的光学字符辨识(OCR)部件。
6.一种用于改进飞机操作和维护效率的计算机实施的方法,包括:
采用处理器执行存储于存储器中的计算机可执行部件,以执行以下动作:
使用输入部件从一组源接收历史实时飞机操作和维护数据;以及
使用存档部件存储所述飞机操作和维护数据的至少一个子集;
使用机器学习部件学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
7.根据权利要求6所述的方法,其特征在于:进一步包括使用所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
8.根据权利要求7所述的方法,其特征在于:进一步包括使用光学字符辨识(OCR)部件将文本文档图像转换为非结构化数据。
9.一种用于改进飞机操作和维护效率的计算机程序产品,所述计算机程序产品包括具有以此体现的程序指令的计算机可读存储媒体,所述程序指令可由处理器执行以使所述处理器:
使用输入部件从一组源接收历史和实时飞机操作和维护数据;
使用存档部件存储所述飞机操作和维护数据的至少一个子集;以及
使用机器学习部件学习所述所接收和存档的飞机操作和维护数据,且增加人工智能(AI)模型,其中所述模型识别数据语料库之间的相关性,且产生关于改进所述飞机的操作的建议。
10.根据权利要求9所述的计算机程序产品,其特征在于:所述程序指令进一步可由所述处理器执行以使所述处理器:使用所述数据转换部件将非结构化存档数据转换为可由所述机器学习部件分析的结构化数据。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/653294 | 2017-07-18 | ||
US15/653,294 US20190026964A1 (en) | 2017-07-18 | 2017-07-18 | Analytics system for aircraft line-replaceable unit (lru) maintenance optimization |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109270915A true CN109270915A (zh) | 2019-01-25 |
Family
ID=64951523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810793862.2A Pending CN109270915A (zh) | 2017-07-18 | 2018-07-18 | 用于飞机现场可替换单元(lru)维护优化的分析系统 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20190026964A1 (zh) |
CN (1) | CN109270915A (zh) |
DE (1) | DE102018117224A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110287578A (zh) * | 2019-06-20 | 2019-09-27 | 中国人民解放军国防科技大学 | 一种考虑研制与维修的外场可更换单元划分方法 |
CN113711236A (zh) * | 2019-03-27 | 2021-11-26 | 通用电气公司 | 数据驱动的深度学习模型泛化分析和改进 |
CN114556241A (zh) * | 2019-10-14 | 2022-05-27 | 西门子股份公司 | 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180300971A1 (en) * | 2017-03-10 | 2018-10-18 | Qt Technologies | Electronic aircraft data capture for refueling |
US20200089205A1 (en) * | 2018-09-14 | 2020-03-19 | Ats Automation Tooling Systems Inc. | System and method for managing automation equipment |
CN109978187B (zh) * | 2019-03-22 | 2020-12-29 | 金陵科技学院 | 一种飞机引气压力调节活门维修决策方法 |
US11836612B2 (en) * | 2019-06-18 | 2023-12-05 | Sap Se | Maintaining master data using hierarchical classification |
DE102019124009A1 (de) * | 2019-09-06 | 2021-03-11 | Airbus Operations Gmbh | Verfahren zum Ermitteln der Austauschbarkeit von baulich modifizierten Transportmittelkomponenten |
US20210357766A1 (en) * | 2020-05-18 | 2021-11-18 | Northrop Grumman Systems Corporation | Classification of maintenance reports for modular industrial equipment from free-text descriptions |
CN112434438B (zh) * | 2020-12-02 | 2024-01-30 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机使用保障流程确定方法 |
US20220277263A1 (en) * | 2021-02-26 | 2022-09-01 | Fiix Inc. | System and method for predictive inventory |
US11657415B2 (en) * | 2021-05-10 | 2023-05-23 | Microsoft Technology Licensing, Llc | Net promoter score uplift for specific verbatim topic derived from user feedback |
US12079572B2 (en) | 2021-05-17 | 2024-09-03 | Microsoft Technology Licensing, Llc | Rule-based machine learning classifier creation and tracking platform for feedback text analysis |
US20230061096A1 (en) * | 2021-08-25 | 2023-03-02 | The Boeing Company | Component record processing for aircraft maintenance |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664839A (zh) * | 2004-03-01 | 2005-09-07 | 微软公司 | 确定数据意向并基于该意向响应数据的系统和方法 |
US20080268418A1 (en) * | 2007-04-25 | 2008-10-30 | Tashner John H | Virtual education system and method of instruction |
CN101685295A (zh) * | 2007-09-27 | 2010-03-31 | 洛克威尔自动控制技术股份有限公司 | 在工业自动化环境中根据境况和状态信息动态产生可视化图像 |
US20160257429A1 (en) * | 2015-03-03 | 2016-09-08 | Honeywell International Inc. | Aircraft lru data collection and reliability prediction |
-
2017
- 2017-07-18 US US15/653,294 patent/US20190026964A1/en not_active Abandoned
-
2018
- 2018-07-17 DE DE102018117224.9A patent/DE102018117224A1/de not_active Ceased
- 2018-07-18 CN CN201810793862.2A patent/CN109270915A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664839A (zh) * | 2004-03-01 | 2005-09-07 | 微软公司 | 确定数据意向并基于该意向响应数据的系统和方法 |
US20080268418A1 (en) * | 2007-04-25 | 2008-10-30 | Tashner John H | Virtual education system and method of instruction |
CN101685295A (zh) * | 2007-09-27 | 2010-03-31 | 洛克威尔自动控制技术股份有限公司 | 在工业自动化环境中根据境况和状态信息动态产生可视化图像 |
US20160257429A1 (en) * | 2015-03-03 | 2016-09-08 | Honeywell International Inc. | Aircraft lru data collection and reliability prediction |
Non-Patent Citations (1)
Title |
---|
BENOIT FARLEY: "《Extracting information from free-text aircraft repair notes》", 《ARTIFICIAL INTELLIGENCE FOR ENGINEERING DESIGN, ANALYSIS AND MANUFACTURING》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113711236A (zh) * | 2019-03-27 | 2021-11-26 | 通用电气公司 | 数据驱动的深度学习模型泛化分析和改进 |
CN110287578A (zh) * | 2019-06-20 | 2019-09-27 | 中国人民解放军国防科技大学 | 一种考虑研制与维修的外场可更换单元划分方法 |
CN114556241A (zh) * | 2019-10-14 | 2022-05-27 | 西门子股份公司 | 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 |
CN114556241B (zh) * | 2019-10-14 | 2024-05-07 | 西门子股份公司 | 将人工智能(ai)集成到自动化中的可编程逻辑控制器(plc)程序中功能块的ai伴侣 |
Also Published As
Publication number | Publication date |
---|---|
DE102018117224A1 (de) | 2019-01-24 |
US20190026964A1 (en) | 2019-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109270915A (zh) | 用于飞机现场可替换单元(lru)维护优化的分析系统 | |
AU2019261735B2 (en) | System and method for recommending automation solutions for technology infrastructure issues | |
US11562304B2 (en) | Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence | |
CN103294592B (zh) | 利用用户工具交互来自动分析其服务交付中的缺陷的方法与系统 | |
Zhong et al. | Mining SOTs and dispatching rules from RFID-enabled real-time shopfloor production data | |
US10089581B2 (en) | Data driven classification and data quality checking system | |
US20170109676A1 (en) | Generation of Candidate Sequences Using Links Between Nonconsecutively Performed Steps of a Business Process | |
US20170109668A1 (en) | Model for Linking Between Nonconsecutively Performed Steps in a Business Process | |
US8538915B2 (en) | Unified numerical and semantic analytics system for decision support | |
US20170109636A1 (en) | Crowd-Based Model for Identifying Executions of a Business Process | |
US20170109667A1 (en) | Automaton-Based Identification of Executions of a Business Process | |
US10083403B2 (en) | Data driven classification and data quality checking method | |
CN110309502A (zh) | 用于复杂系统生命周期管理的预测查询处理 | |
Ramos et al. | A Non-Functional Requirements Recommendation System for Scrum-based Projects. | |
Ardimento et al. | Knowledge extraction from on-line open source bug tracking systems to predict bug-fixing time | |
US20170109638A1 (en) | Ensemble-Based Identification of Executions of a Business Process | |
EP3975080A1 (en) | Automated risk driven patch management | |
US20170109640A1 (en) | Generation of Candidate Sequences Using Crowd-Based Seeds of Commonly-Performed Steps of a Business Process | |
US20220318681A1 (en) | System and method for scalable, interactive, collaborative topic identification and tracking | |
Verenich | Explainable predictive monitoring of temporal measures of business processes | |
Agarwal et al. | A process-aware decision support system for business processes | |
CN112036185B (zh) | 一种基于工业企业构建命名实体识别模型的方法及装置 | |
Khramov | Robotic and machine learning: how to help support to process customer tickets more effectively | |
Ahmed et al. | Knowledge-based intelligent system for IT incident DevOps | |
Müller et al. | AI-Enabled Cloud Platforms: Revolutionizing Software Development |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190125 |