CN109557896B - 用于飞机故障检测的系统和方法 - Google Patents
用于飞机故障检测的系统和方法 Download PDFInfo
- Publication number
- CN109557896B CN109557896B CN201811055269.4A CN201811055269A CN109557896B CN 109557896 B CN109557896 B CN 109557896B CN 201811055269 A CN201811055269 A CN 201811055269A CN 109557896 B CN109557896 B CN 109557896B
- Authority
- CN
- China
- Prior art keywords
- test
- aircraft
- training
- flight
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 116
- 238000001514 detection method Methods 0.000 title claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 351
- 239000011159 matrix material Substances 0.000 claims abstract description 155
- 230000007704 transition Effects 0.000 claims abstract description 66
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims description 268
- 238000012546 transfer Methods 0.000 claims description 128
- 239000002243 precursor Substances 0.000 claims description 77
- 230000002159 abnormal effect Effects 0.000 claims description 65
- 238000012423 maintenance Methods 0.000 claims description 60
- 230000002547 anomalous effect Effects 0.000 claims description 43
- 238000010801 machine learning Methods 0.000 claims description 41
- 239000013598 vector Substances 0.000 claims description 37
- 230000000875 corresponding effect Effects 0.000 description 60
- 230000006870 function Effects 0.000 description 13
- 230000006399 behavior Effects 0.000 description 11
- 101100409308 Neurospora crassa (strain ATCC 24698 / 74-OR23-1A / CBS 708.71 / DSM 1257 / FGSC 987) adv-1 gene Proteins 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000001747 exhibiting effect Effects 0.000 description 6
- 238000013500 data storage Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000009419 refurbishment Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009131 signaling function Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Classifications
-
- 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
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Traffic Control Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及用于飞机故障检测的系统和方法。一种飞机故障检测系统,包括:至少一个飞机数据记录装置,被配置为从至少一个飞机子系统捕获参数飞行数据;以及耦接到数据记录装置的飞机控制器。控制器被配置为将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个状态中的一个或多个测试状态不同于其他测试状态,基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为,并基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
Description
技术领域
示例性实施例主要涉及故障检测,并且尤其涉及通过提取用于将前兆分类为故障的潜在状态的故障检测。
背景技术
通常,飞机预测的传统方法为离线的(例如,不在飞机上执行)方法。这些离线方法通常采用各种各样的机器学习技术,这些技术大致可分为基于模型的方法和机器学习的方法。
在基于模型的方法中,尝试理解被分析的飞机系统的物理模型以及在被分析的飞机系统在正常操作条件下的预期值是什么。如果感测读数偏离预期值,则模型给出警报,通常通过对应的动作项以补救警报。基于模型的方法的缺点在于,必须监测多个感测通道(或其派生特征)和感测通道(或其派生特征)的某些组合,这可能过于昂贵。此外,当被分析的飞机系统经历变化或升级时,在添加新部件的情况下,必须导出新模型。
在机器学习方法中,通常使用例如模糊逻辑分类器和神经网络的机器学习算法来检测和分类被分析的飞机系统的故障。例如时域反射计及其变化的方法也可以用作机器学习方法。时域反射计方法涉及将阶跃能量或扩频信号函数传播到飞机系统中并且随后对返回信号的幅度、形状和持续时间进行统计分析以检测故障的存在。
发明内容
因此,旨在解决上述问题中的至少一个或多个问题的装置和方法将具有实用性。
以下为根据本公开的主题的会或不会要求保护的示例的非穷尽性列表。
根据本公开的主题的一个示例涉及一种飞机故障检测系统,包括:至少一个飞机数据记录装置,被配置为从至少一个飞机子系统捕获参数飞行数据;以及耦接到数据记录装置的飞机控制器,该飞机控制器被配置为将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个测试状态中的一个或多个测试状态不同于其他测试状态,基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为,并基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为预测至少一个飞机子系统内的故障。
根据本公开的主题的另一示例涉及一种用于飞机故障检测的方法,该方法包括:利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;利用耦接到数据记录装置的飞机控制器将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个测试状态中的一个或多个测试状态与其他测试状态不同;利用飞机控制器基于多个测试状态来产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为;并利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
根据本公开的主题的又一个示例涉及一种用于飞机故障检测的方法,该方法包括:利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;并且利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障;其中,至少一个测试转移矩阵利用飞机控制器通过将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态来产生,其中,多个状态中的一个或多个测试状态不同于其他测试状态,对于参数飞行数据中的不止一个时间点,标识(identify,识别)参数飞行数据的主题专家标识的测试变量的当前状态,并在下一个连续时间点处计数主题专家标识的测试变量从当前状态转移到另一状态或相同状态(即,保持在当前状态)的频率,并且归一化频率,使得相应测试转移矩阵的相应单元中的一个或多个条目为介于0和1之间的概率数。
附图说明
已经以一般术语描述了本公开的示例,现在将参考附图,附图不一定按比例绘制,并且其中,在几个视图中相同的附图标记表示相同或相似的部件,并且其中:
图1A1和图1A2(本文称为图1A)为包括根据本公开的一个或多个方面的故障检测系统的飞机的示意性框图;
图1B为根据本公开的一个或多个方面的图1A的故障检测系统的一部分的示意性框图;
图1C和1D为根据本公开的一个或多个方面的训练变量的示例性矩阵;
图1E和1F为根据本公开的一个或多个方面的主题专家标识的测试变量的示例性矩阵;
图1G为根据本公开的一个或多个方面的测试转移矩阵的示例性图示;
图2为根据本发明的一个或多个方面的用于训练图1A和1B的故障检测系统的流程图;
图3为根据本公开的一个或多个方面的利用图1A和1B的故障检测系统测试参数飞行数据的流程图;
图4示出了根据本公开的一个或多个方面的示例性潜在状态图;
图5示出了根据本公开的一个或多个方面的对应于表现出典型/正常行为的参数飞行数据变量的示例性曲线图以及表现出典型/正常行为的参数飞行数据变量的对应转移矩阵;
图6示出了根据本公开的一个或多个方面的对应于图5的表现出非典型/异常行为的参数飞行数据变量的示例性曲线图以及表现出非典型/异常行为的参数飞行数据变量的对应转移矩阵;
图7示出了根据本公开的一个或多个方面的对应于图5的表现出非典型/异常行为的参数飞行数据变量的示例性曲线图以及表现出非典型/异常行为的参数飞行数据变量的对应转移矩阵;以及
图8为飞机生产和保养方法的流程图。
具体实施方式
参考图1A,本文描述的本公开的各方面提供了一种用于检测飞机100或任何其他合适的海事交通工具、航空航天飞行器和/或机动车辆中的故障的故障检测系统110。本文描述的本公开的各方面还可以应用于任何合适的系统,例如除了交通工具之外的电气和/或机械系统,例如机床、配电网络等,在该系统中,收集传感器数据以监测系统的运行。
本公开的各方面提供了用于确定故障的数据驱动(例如,无物理模型)方法。因此,当系统被改动时,不需要产生被分析的系统的新物理模型。在本公开的各方面中,故障检测系统110根据参数飞行数据111定义多个潜在状态(为了方便起见,在本文中称为“状态”),参数飞行数据111从飞机100的一个或多个系统和/或子系统(为方便起见,在本文中称为“子系统”)获得。故障检测系统110从所述状态产生至少一个转移矩阵,并基于所述状态之间的转移/关系预测故障。
以下提供根据本公开的主题的可能要求保护或可能未要求保护的说明性非穷举性示例。
参考图1A和图1B,飞机100可以为具有至少一个飞机子系统101的任何合适的飞机。例如,飞机100可包括电气子系统101A、液压子系统101C、推进子系统101D和环境子系统101B。环境子系统101B可以至少向飞机的内部100P提供新鲜空气。电气子系统101A、液压子系统101C、推进子系统101D和环境子系统101B中的每者包括相应的传感器100S,这些传感器被配置为捕获对应的参数飞行数据111。参数飞行数据111包括训练数据111TR(参见图1B)和测试数据111TS(参见图1B)。训练数据111TR包括用于至少一个飞机子系统101的主题专家(“SME”)标识的训练变量112A和发生至少一个飞机子系统101的大部分维护消息115AFLM的飞行航段中的一个或多个。飞行航段113A-113n(以及114A-114n)通常为从登机口至下机口的飞行航段,其可包括多个阶段,例如引擎起动、滑出、起飞、爬升、巡航、降落、滑入等。测试数据111TS包括用于至少一个飞机子系统101的主题专家标识的测试变量112B和发生至少一个飞机子系统101的大部分维护消息115BFLM的飞行航段中的一者或多者。主题专家标识的测试变量112B对应于主题专家标识的训练变量112A,使得由故障检测系统110利用训练数据111TR训练和/或确定的机器学习模型和阈值可以用于使用测试111TS预测故障。主题专家标识的训练变量112A和主题专家标识的测试变量112B可以各自(或一个或多个)包括在飞机100飞行的每个(或一个或多个)飞行航段113A-113n、114A-114n期间收集的时间序列数据117A、117B的集合。
仍然参考图1A和图1B,飞机故障检测系统110包括至少一个飞机数据记录装置120和飞机控制器121。至少一个飞机数据记录装置120被配置为从至少一个飞机子系统101捕获参数飞行数据111。至少一个飞机数据记录装置120可以包括任何合适的数据记录装置,例如飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。数据记录装置120可以被配置为将参数飞行数据111存储在任何合适的数据存储装置122中。例如,数据记录装置120可以包括或被配置为访问用于存储参数飞行数据111的数据存储装置122。
飞机控制器121以任何合适的方式(例如,有线或无线地)耦接到数据记录装置120和/或数据存储装置122,使得飞机控制器121可以从飞机数据记录装置120和数据存储装置122中的一个或多个检索数据并将数据存储到飞机数据记录装置120和数据存储装置122中的一个或多个。飞机控制器121包括任何合适的非暂态程序代码,使得飞机控制器121被配置为训练机器学习模型129(例如,从机器学习模型129产生训练的机器学习模型129T)和/或确定任何合适的预定阈值,例如阈值距离130。训练的机器学习模型129T和/或阈值距离130可以由飞机控制器121用以预测故障127。
作为示例,飞机控制器121被配置为将主题专家标识的训练变量112A累积到训练变量矩阵131中。在图1C中示出了训练变量矩阵131的一个示例,然而,训练变量矩阵131可以具有任何合适的格式并包括任何合适数量的变量。这里,训练变量矩阵131包括训练变量A-n的时间序列t0-tn。控制器121被配置为以任何合适的方式将主题专家标识的训练变量112A分组为多个训练状态135并且用训练状态标识号135AD-135nD标记多个训练状态135A-135n中的每个(或一个或多个)训练状态。例如,控制器121被配置为利用Dirichlet过程高斯混合模型、K-medoids聚类、K均值聚类或任何其他合适的聚类方法(包括但不限于基于连通性的聚类、基于质心的聚类、基于分布的聚类和基于密度的聚类)将主题专家标识的训练变量112A分组为多个训练状态135。多个训练状态135的数量确定多个测试状态125的数量。
参考图1A、图1B、图1C和图1D,控制器进一步被配置为根据对应的训练状态标识号135AD-135nD标记训练变量矩阵131中的至少一个时间点t0-tn(参见图1D中的“状态变量A”示例),并且为训练数据111TR的至少一个飞行航段113A-113n(图1B)产生至少一个训练转移矩阵136。飞机控制器121被配置为针对训练变量矩阵131中的每个时间点t0-tn,通过针对给定时间点t0-tn标识相应训练变量A-n的当前状态,并计数相应训练变量A-n在下一时间点t1-tn从当前状态(i)转移到另一状态(j)或相同状态(i)的次数产生至少一个训练转移矩阵136。飞机控制器121被配置为对频率进行归一化,使得至少一个训练转移矩阵136中的每个(或一个或多个)条目为介于0和1之间的概率。
参考图1A和图1B,控制器121被配置为训练机器学习模型129(例如,从机器学习模型129产生训练的机器学习模型129T)和/或根据训练数据111TR为标记数据112AL还是未标记数据112AU确定任何合适的预定阈值(使用异常值分析),例如阈值距离130。标记数据112AL为已知为良好/正常操作数据或已知为坏/非典型操作数据的数据。在已知来自其的数据经历维护消息15的飞行航段113A-113n的情况下或已知数据指示故障航段150的前兆的情况下,可以将数据标记为的坏/非典型操作数据(例如,标记的数据标识经历维护消息115的飞行航段113A-113n和指示故障的飞行航段中的数据中的一个或多个)。未标记数据112AU为未知为好或坏的数据。
在训练数据111TR为标记数据112AL的情况下,飞机控制器被配置为利用标记的训练数据111TR训练机器学习模型129(以产生训练的机器学习模型129T),使得机器学习模型129学习至少一个训练转移矩阵136中的哪一个训练转移矩阵对应于正常飞机子系统101操作以及至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统101操作。作为示例,机器学习模型129可以为决策树或任何其他合适的机器学习模型。
在训练数据111TR未被标记或者至少一个飞行航段113A-113n中的一些飞行航段经历维护消息115的情况下,飞机控制器121被配置为从至少一个训练转移矩阵136确定异常值训练转移矩阵137以标识阈值距离130。例如,飞机控制器121被配置为通过确定至少一个训练转移矩阵136的每个训练转移矩阵136A-136n到至少一个训练转移矩阵136的每个其他训练转移矩阵136A-136n的训练距离138来确定异常值训练转移矩阵137。飞机控制器121被配置为按照数量级对每个(或一个或多个)训练转移矩阵136A-136n的训练距离138进行分类,以产生分类的训练距离138S。飞机控制器121被配置为选择具有最大幅度的预定数量的训练距离138P,并且确定具有最大幅度的预定数量的训练距离138P的平均训练距离138A。在一个方面,训练距离138P的预定数量约为5,然而,在其他方面,训练距离138P的预定数量可以多于或少于约5。
在已知至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的情况下,飞机控制器121被配置为使用接收器操作特性(“ROC”)分析(通过ROC分析模块139)和至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的知识确定哪个训练距离138为在预定时间窗口140内用于真阳性与假阳性的最高比率的阈值距离130(参见图1C和图1D)。在一个方面,预定时间窗口140约为两周,然而,在其他方面,预定时间窗口140大于或小于约两周。在不知道至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的情况下,阈值距离130与平均训练距离138A相差约三个标准偏差,然而,在其他方面,阈值距离130可以与平均训练距离138A相差多于或者少于约三个标准偏差。
应当理解,上述异常值分析也可以与标记的训练数据112AL一起用于代替机器学习模型129。还应当理解,训练数据可以包括标记数据112AL和未标记数据112AU两者,其中飞机控制器121被配置为对相应的标记数据112AL和未标记数据112AU使用机器学习模型129和异常值分析。
参考图1A和图1B,飞机控制器121还可以包括任何合适的非暂态程序代码,使得飞机控制器121被配置为使用训练的机器学习模型129T和/或阈值距离130来预测故障127。例如,飞机控制器121被配置为将来自至少一个飞机子系统101的参数飞行数据111(例如测试数据111TS)分组为多个测试状态125。每个(或一个或多个)测试状态125A-125n与多个状态125中的其他测试状态125A-125n不同。飞机控制器121还被配置为基于多个测试状态125产生至少一个测试转移矩阵126,并基于至少一个测试转移矩阵126确定至少一个飞机子系统101的异常行为。飞机控制器121被配置为基于从至少一个测试转移矩阵126确定的至少一个飞机子系统101的异常行为来预测至少一个飞机子系统101内的故障127。故障127可以在任何合适的图形用户界面128上呈现给飞机100的操作人员或者在飞机100上工作的维护人员。
飞机控制器121被配置为通过将主题专家标识的测试变量112B累积到测试变量矩阵141中来产生至少一个测试转移矩阵126。在图1E中示出了测试变量矩阵141的一个示例,然而,测试变量矩阵141可以具有任何合适的格式并包括任何合适数量的变量。这里,测试变量矩阵141包括主题专家标识的测试变量112B的时间序列t0-tn。飞机控制器121被配置为用测试状态标识号125AD-125A-n标记多个测试状态125中的每个(或一个或多个)测试状态,并且根据对应的测试状态标识号125AD-125nD标记测试变量矩阵141中的至少一个时间点t0-tn(参见图1F中的“状态变量A”示例)。
在一个方面,飞机控制器121被配置为通过将训练的机器学习模型129T(图1A)应用于至少一个测试转移矩阵126来确定异常行为。
在一个方面,飞机控制器121被配置为通过确定至少一个飞行航段114A-114n中的相应一个飞行航段的每个测试转移矩阵126A-126n到至少一个飞行航段114A-114n中的相应一个飞行航段的每个其他测试转移矩阵126A-126n的测试距离148利用异常值分析来确定至少一个飞行航段114A-114n的异常行为。飞机控制器121被配置为按照数量级针对至少一个飞行航段114A-114n中的相应一个飞行航段的每个(或一个或多个)测试转移矩阵126A-126n的测试距离148进行分类以产生分类的测试距离148S。飞机控制器121被配置为选择至少一个飞行航段114A-114n中的相应一个飞行航段的具有最大幅度的预定数量的测试距离148P。飞机控制器121被配置为确定至少一个飞行航段114A-114n中的相应飞行航段的具有最大幅度的预定数量的距离148P的平均测试距离148A。飞机控制器121被配置为将平均测试距离148A与阈值距离130进行比较,并且在平均测试距离148A超过阈值距离130的情况下,将至少一个飞行航段114A-114n中的相应一个飞行航段标记为故障航段150的前兆。
参考图1A、图1B、图1E和图1F,无论是训练的机器学习模型129T还是异常值分析用于确定至少一个飞行航段114A-114n的异常行为,飞机控制器121被配置为对于每个(或者一个或多个)故障航段150的前兆,标识主题专家标识的测试变量112B以及在主题专家标识的测试变量112B为异常的至少一个飞行航段114A-114n中的相应一个飞行航段内的相应时间t0-tn。这里,飞机控制器121被配置为通过标识故障航段150的前兆中的每个测试转移矩阵126A-126n内的异常单元151来标识主题专家标识的测试变量112B以及在主题专家标识的测试变量112B为异常的至少一个飞行航段114A-114n中的相应一个飞行航段内的相应时间t0-tn。异常单元151为测试转移矩阵126A-126n中的单元,其与故障航段150的前兆内的相同类型152的正常单元相差超过两个标准偏差(并且在其他方面,多于或少于两个标准偏差)。这意味着,参考图1G,如果至少一个测试转移矩阵126一个堆叠在另一个之上,使得单元153彼此排成列以形成多个列155,直接在预定的单元(例如异常单元151)上方和下方的单元153为相同类型152的正常单元在于,这些单元列155的单元在相应的转移矩阵126A、126B、126C中具有相同的位置。
对于每个(或一个或多个)异常单元151,如果异常单元151对应于至少一个飞行航段114A-114n的阶段的第一时间段t0,则飞机控制器121被配置为确定与被输入到非异常单元中的第一时间段t1-tn相对应的在下一个状态单元(j)的中心(即,“到”单元)与单元153的中心之间的绝对差矢量ADV1、ADV2。如果异常单元151在连续时间段t0-tn内保持相同状态(例如,i=j),则飞机控制器121被配置为确定异常单元151的中心与在进入异常单元151之前具有对应于故障航段150的前兆的最后异常单元(last anomalous cell)151L所处的状态的单元的中心之间的绝对差矢量ADV1、ADV2。否则,飞机控制器121被配置为确定故障航段150的前兆从其转移的单元153F(例如,当前状态单元(i))的中心与故障航段150的前兆转移到其的单元153T(例如,下一个状态单元(j))的中心之间的绝对差矢量ADV3。如果绝对差矢量ADV1、ADV2、ADV3的大小高于每个异常单元151的绝对差矢量ADV1、ADV2的对应大小的平均值的预定标准偏差数,则对应于所述大小的主题专家标识的测试变量112B被标记为指示故障127。对应于绝对差矢量ADV1、ADV2、ADV3的大小的主题专家标识的测试变量112B可以利用任何合适的校正动作在图形用户界面128(图1)上呈现为故障127以防止出现主题专家标识的测试变量112B与其相对应的子系统101的维护消息和/或故障。
飞机控制器121被配置为标识故障航段150的前兆何时进入异常单元151并且标识故障航段150的前兆被保持在异常单元151中的时间段t0-tn。故障航段150的前兆何时进入异常单元151并且故障航段150的前兆保持在异常单元151中的持续时间也可以在图形用户界面128(图1)上呈现为故障127,而故障航段的前兆保持在异常单元151中的持续时间可以指示将发生故障的迫近(例如,大体时间)。例如,故障航段150的前兆保持在异常单元151中的时间越长,故障就发生的越快。
现在将参考图1A、图1B、图2和图3描述用于飞机100故障检测的示例性方法。根据该方法,至少一个飞机数据记录装置120从至少一个飞机子系统101捕获参数飞行数据111(图3,方框300)。在一个方面,该捕获的参数飞行数据111可以存储在任何合适的存储器中以便形成训练数据111TR,而在其他方面,故障检测系统110已经被训练,捕获的参数飞行数据111形成测试数据111TS。在参数飞行数据形成训练数据111TR的情况下,当捕获了参数飞行数据111时,获得主题专家标识的训练变量112A(图2,方框200)。飞机控制器121将训练数据111TR的主题专家标识的训练变量112A累积到训练变量矩阵131中(图2,方框200)。飞机控制器121将主题专家标识的训练变量112A分组到多个训练状态135中(图2,方框205),并用训练状态标识号135AD-135nD标记多个训练状态135A-135n中的每个(或一个或多个)训练状态。飞机控制器121根据对应的训练状态标识号135AD-135nD标记训练变量矩阵131(图1C)中的至少一个时间点t0-tn(图1C)(图2,方框210)。如上所述,飞机控制器121为训练数据111TR的至少一个飞行航段113A-113n产生至少一个训练转移矩阵136(图2,方框215)。
在一个方面,在训练数据111TR为标记数据112AL的情况下,飞机控制器121使用标记数据112AL训练机器学习模型129,使得机器学习模型129学习至少一个训练转移矩阵136中的哪一个训练转移矩阵对应于正常的飞机子系统操作以及至少一个训练转移矩阵136中的哪一个训练转移矩阵对应于故障的飞机子系统操作(图2,方框220)。如上所述,标记数据112AL标识经历维护消息115的飞行航段113A-113n和飞行航段113A-113n中指示故障127的数据中的一个或多个。
在一个方面,在训练数据111TR未被标记(例如,未标记数据112AU)或者至少一个飞行航段113A-113n中的一些飞行航段经历维护消息115的情况下,飞机控制器121从至少一个训练转移矩阵136确定异常值训练转移矩阵137以标识阈值距离130(图2,方框225)。飞机控制器121通过确定至少一个训练转移矩阵136的每个训练转移矩阵136A-136n到至少一个训练转移矩阵136的每个其他训练转移矩阵136A-136n的训练距离138来确定异常值训练转移矩阵137(图2,方框230)。飞机控制器121按照数量级对每个(或一个或多个)训练转移矩阵136A-136n的训练距离138进行分类以创建分类的训练距离138S(图2,方框235)。由飞机控制器121选择具有最大幅度的预定数量的训练距离138P(图2,方框240),并且由飞机控制器121确定具有最大幅度的预定数量的训练距离138P的平均训练距离138A(图2,方框245)。在一个方面,训练距离138P的预定数量约为5,而在其他方面,训练距离138P的预定数量多于或少于约5。
在一个方面,在已知至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的情况下,飞机控制器121执行接收器操作特性分析以使用接收器操作特性分析以及至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的知识来确定哪一个训练距离138为在预定时间窗口140内用于真阳性与假阳性的最高比率的阈值距离130(图1C和1D)(图2,方框250)。在一个方面,预定时间窗口140约为两周,而在其他方面,预定时间窗口140大于或小于约两周。在不知道至少一个飞行航段113A-113n中的哪一个飞行航段经历维护消息115的情况下,在一个方面,阈值距离130与平均训练距离138A相差约三个标准偏差,而在其他方面,阈值距离130与平均训练距离138A相差多于或者少于约三个标准偏差。
在参数飞行数据111形成测试数据111TS的情况下,飞机控制器121将来自至少一个飞机子系统101的参数飞行数据111分组为多个测试状态125(图3,方框305),测试状态125A-125n中的每个(或者一个或多个)测试状态与多个状态125中的其他测试状态125A-125n不同。如上所述,飞机控制器121基于多个测试状态125产生至少一个测试转移矩阵126,并基于至少一个测试转移矩阵126确定至少一个飞机子系统101的异常行为(图3,方框310)。例如,通过将主题专家标识的测试变量112B累积到测试变量矩阵141中来产生至少一个测试转移矩阵126(也参见图1E和图1F)(图3,方框315)。多个测试状态125中的每个(或一个或多个)测试状态用测试状态标识号125AD-125nD标记(图3,方框320)。测试变量矩阵141中的至少一个时间点t0-tn(图1E和图1F)根据对应的测试状态标识号125AD-125nD进行标记(图3,方框325)。
飞机控制器121基于从至少一个测试转移矩阵126确定的至少一个飞机子系统101的异常行为来预测至少一个飞机子系统101内的故障330(图3,方框330)。例如,在一个方面,飞机控制器121通过将训练的机器学习模型129T应用于至少一个测试转移矩阵126来确定异常行为(例如,标识故障航段150的前兆)(图3,方框335)。对于每个(或一个或多个)故障航段150的前兆,飞机控制器121标识主题专家标识的测试变量112B和在主题专家标识的测试变量112B为异常的至少一个飞行航段114A-114n的相应一个飞行航段内的相应时间t0-tn(参见图1E和图1F)(图3,方框375)。
在另一方面,飞机控制器121利用异常值分析阈值(例如,如图2的方框225-250中所确定的)检测故障航段150的前兆(图3,方框340)。例如,飞机控制器121通过确定至少一个飞行航段114A-114n中的相应一个飞行航段的每个测试转移矩阵126A-126n到至少一个飞行航段114A-114n中的相应一个飞行航段的每个其他测试转移矩阵126A-126n的测试距离148来确定至少一个飞行航段114A-114n的异常行为(图3,方框345)。至少一个飞行航段中的相应一个飞行航段的每个(或一个或多个)测试转移矩阵126A-126n的测试距离148按数量级进行分类(图3,方框350)。由飞机控制器121选择至少一个飞行航段114A-114n中的相应一个飞行航段的具有最大幅度的预定数量的测试距离148P(图3,方框355)。由飞机控制器121确定具有至少一个飞行航段114A-114n中的相应一个飞行航段的最大幅度的预定数量的距离148P的平均测试距离148A(图3,方框360)。飞机控制器121将平均测试距离148A与阈值距离130进行比较,并且在平均测试距离148A超过阈值距离130的情况下,将至少一个飞行航段114A-114n中的相应一个飞行航段标记为故障航段150的前兆(图3,方框370)。对于每个(或一个或多个)故障航段150的前兆,飞机控制器121标识主题专家标识的测试变量112B和在主题专家标识的测试变量112B为异常的至少一个飞行航段114A-114n的相应一个飞行航段内的相应时间t0-tn(参见图1E和1F)(图3,方框375)。
标识主题专家标识的测试变量112B和在主题专家标识的测试变量112B为异常的至少一个飞行航段114A-114n中的相应一个飞行航段内的相应时间t0-tn(图1E和1F)(图3,方框375)包括标识故障航段150的前兆中的每个转移矩阵126A-126n内的异常单元151,其中,异常单元151为与在故障航段150的前兆内的相同类型的正常单元152相差超过两个标准偏差的单元。
对于每个(或一个或多个)异常单元151,如果异常单元151对应于至少一个飞行航段114A-114n的阶段的第一时间段t0,则飞机控制器121被配置为确定在下一个状态单元(j)(即,“到”单元)的中心与和进入到非异常单元中的第一时间段t1-tn相对应的单元153的中心之间的绝对差矢量ADV。如果异常单元151在连续时间段t0-tn内保持相同状态(例如,i=j),则飞机控制器121被配置为确定异常单元151的中心与在进入异常单元151之前具有对应于故障航段150的前兆的最后异常单元151L所处的状态的单元的中心之间的绝对差矢量ADV1、ADV2。否则,飞机控制器121被配置为确定故障航段150的前兆从其转移的单元153F(例如,当前状态单元(i))的中心与故障航段150的前兆转移到其的单元153T(例如,下一个状态单元(j))的中心之间的绝对差矢量ADV3。如果绝对差矢量ADV1、ADV2、ADV3的大小高于每个异常单元151的绝对差矢量ADV1、ADV2的对应大小的平均值的预定标准偏差数,则对应于所述大小的主题专家标识的测试变量112B被标记为指示故障127。对应于绝对差矢量ADV1、ADV2、ADV3的大小的主题专家标识的测试变量112B可以利用任何合适的校正动作在图形用户界面128(图1)上呈现为故障127以防止出现主题专家标识的测试变量112B与其相对应的子系统101的维护消息115和/或故障。飞机控制器121可以标识故障航段150的前兆何时进入异常单元151并且标识故障航段150的前兆被保持在异常单元151中的时间段。对应于所述大小的主题专家标识的测试变量112B被标记为指示故障127,并且保持在异常单元151中的故障航段150的前兆的时间段可以由飞机控制器121呈现在用户界面128上。
现在参考图4至图7,出于示例性目的,将本文所述的故障检测系统110和方法应用于风扇空气调节阀(FAMV),以说明本文所述的故障检测。图4示出了多个主题专家标识的测试变量112B(例如,测试变量A-I)的多个测试状态125A-125D。该示例将应用于图4中所示的测试变量F,其中,测试状态125A指示异常操作状态并且可以被分类为可以在未来的时间发布的维护消息115(图1B)中的故障的前兆。图5示出了使用测试变量A-I以上述方式计算的用于飞行航段114A-114n的转移矩阵500。该转移矩阵500从飞行航段114A-114n计算,在所述飞行航段中,风扇空气调节阀FAMV正常操作,其测试变量F的典型行为(例如,在正常操作期间)在图表550中示出。图6示出了对应于故障航段150的前兆(图1A)的转移矩阵600。在转移矩阵600中标识出异常状态600A,其中异常状态600A表示曲线图650中的测试变量F的非典型行为651。图7示出了转移矩阵700,在该转移矩阵中,在飞行航段114A-114n阶段的整个持续时间内保持在异常状态700A的飞行航段114A-114n由曲线图750中的测试变量F的非典型行为指示。
如本文所述,本公开的各方面提供了故障检测系统110。该故障检测系统110提供了能够发现时间序列数据(例如上述参数飞行数据111)中的潜在状态的无模型故障确定。故障检测系统110计算潜在状态如何在整个飞行航段113A-113n、144A-114n(以及相应飞行航段内的不同阶段)中的时间转移。利用从潜在状态产生的转移矩阵126、136的知识,故障检测系统110确定飞行航段113A-113n、114A-114n的任何特定阶段的正常和非典型/异常操作状态持续时间和转移。在上面讨论的风扇空气调节阀FAMV上评估故障检测系统110,并且已经显示出故障检测系统110提供假阳性率介于约0.005%至约3%之间的介于约98%至约100%之间的误差检测率(例如,真阳性)。故障检测系统110可用于警告即将发生故障的地面维护,这可使得计划外维护工作、延迟、燃料成本下降,维护效率的改善以及成本的下降和空中旅行时间的节省。
参考图1A和图8,可以在如图8所示的飞机制造和保养方法800的背景下描述本公开的示例。在其他方面,本公开的示例可以应用于任何合适的行业,例如,如上所述的机动车、海事、航空航天等交通工具。关于飞机制造,在预生产期间,示例性方法800可以包括飞机100的规格和设计(方框810)以及材料采购(方框820)。在生产期间,可以进行飞机100的部件和子组件制造(方框830)和系统集成(方框840)。此后,飞机100可以通过认证和交付(方框850)以进行保养(方框860)。在保养时,飞机100可以被安排用于例行维护和保养(方框870)。例行维护和保养可以包括飞机100的一个或多个系统的修改、重新配置、翻新等,这可以包括本文所述的故障确定和/或由其来促进。
示例性方法800的每个过程可以由系统集成商、第三方和/或运营商(例如客户)执行或实现。出于描述的目的,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系统分包商;第三方可以包括但不限于任何数量的供货商、分包商和供应商;而运营商可以为航空公司、租赁公司、军事实体、服务机构等等。
本文所示或所述的装置和方法可以在制造和保养方法800的任何一个或多个阶段期间使用。例如,对应于部件和子组件制造的部件或子组件(方框830)可以以类似于在飞机100投入使用时生产的部件或子组件的方式装配或制造(方框860)。类似地,可以利用所述装置或方法实现的一个或多个示例或其组合,例如但不限于,飞机100在投入使用中(方框860)和/或在维护和保养期间(方框870)。
根据本公开的各方面提供了以下内容:
A1.一种飞机故障检测系统,包括:
至少一个飞机数据记录装置,被配置为从至少一个飞机子系统捕获参数飞行数据;以及
耦接到数据记录装置的飞机控制器,飞机控制器被配置为
将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态多个测试状态中的一个或多个测试状态与其他测试状态不同,
基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为,并且
基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
A2.根据段落A1所述的飞机故障检测系统,其中,至少一个飞机数据记录装置包括飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。
A3.根据段落A1所述的飞机故障检测系统,其中,参数飞行数据包括在飞机飞行的每个飞行航段期间收集的时间序列数据的集合。
A4.根据段落A1所述的飞机故障检测系统,其中,参数飞行数据包括训练数据,训练数据包括用于至少一个飞机子系统的主题专家标识的训练变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
A5.根据段落A4所述的飞机故障检测系统,其中,飞机控制器被配置为
将主题专家标识的训练变量累积到训练变量矩阵中,
将主题专家标识的训练变量分组为多个训练状态并用训练状态标识号标记多个训练状态中的每个训练状态,
根据对应的训练状态标识号标记训练变量矩阵中的至少一个时间点,并且
为训练数据的至少一个飞行航段产生至少一个训练转移矩阵。
A6.根据段落A5所述的飞机故障检测系统,其中,飞机控制器被配置为,在训练数据为标记数据的情况下,使用标记数据训练机器学习模型,使得机器学习模型学习至少一个训练转移矩阵中的哪一个训练转移矩阵对应于正常的飞机子系统操作,以及至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统操作。
A7.根据段落A6所述的飞机故障检测系统,其中,标记数据标识经历维护消息的飞行航段和指示故障的飞行航段中的数据中的一个或多个。
A8.根据段落A5所述的飞机故障检测系统,其中,多个训练状态的数量确定多个测试状态的数量。
A9.根据段落A5所述的飞机故障检测系统,其中,飞机控制器被配置为在训练数据未被标记或者至少一个飞行航段中的一些飞行航段经历维护消息的情况下,从至少一个训练转移矩阵确定异常值训练转移矩阵以标识阈值距离。
A10.根据段落A9所述的飞机故障检测系统,其中,飞机控制器被配置为通过以下方式确定异常值训练转移矩阵
确定至少一个训练转移矩阵的一个或多个训练转移矩阵到至少一个训练转移矩阵的一个或多个其他训练转移矩阵的训练距离,
按数量级对一个或多个训练转移矩阵的训练距离进行分类,
选择具有最大幅度的预定数量的训练距离,并且
确定具有最大幅度的预定数量的训练距离的平均训练距离。
A11.根据段落A10所述的飞机故障检测系统,其中,训练距离的预定数量约为5。
A12.根据段落A10所述的飞机故障检测系统,其中,飞机控制器被配置为在一致至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,使用接收器操作特性分析和至少一个飞行航段中的哪个飞行航段经历维护消息的知识来确定哪个训练距离为在预定时间窗口内用于真阳性与假阳性的最高比率的阈值距离。
A13.根据段落A12所述的飞机故障检测系统,其中,预定时间窗口约为两周。
A14.根据段落A10所述的飞机故障检测系统,其中,在不知道至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,阈值距离与平均训练距离相差约三个标准偏差。
A15.根据段落A1所述的飞机故障检测系统,其中,参数飞行数据包括测试数据,测试数据包括用于至少一个飞机子系统的主题专家标识的测试变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
A16.根据段落A15所述的飞机故障检测系统,其中,主题专家标识的测试变量对应于用于确定用来确定异常行为的阈值距离的主题专家标识的训练变量。
A17.根据段落A15所述的飞机故障检测系统,其中,飞机控制器被配置为通过以下方式产生至少一个测试转移矩阵:
将主题专家标识的测试变量累积到测试变量矩阵中,
用测试状态标识号标记多个测试状态中的每个测试状态,并且
根据对应的测试状态标识号标记测试变量矩阵中的至少一个时间点。
A18.根据段落A15所述的飞机故障检测系统,其中,飞机控制器被配置为通过将训练的机器学习模型应用于至少一个测试转移矩阵来确定异常行为。
A19.根据段落A15所述的飞机故障检测系统,其中,飞机控制器被配置为通过以下方式确定至少一个飞行航段的异常行为:
确定至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离的平均测试距离,并且
将平均测试距离与阈值距离进行比较,并在平均测试距离超过阈值距离的情况下,将至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
A20.根据段落A18或A19所述的飞机故障检测系统,其中,飞机控制器被配置为,对于每个故障航段的前兆,标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间。
A21.根据段落A20所述的飞机故障检测系统,其中,飞机控制器被配置为通过以下方式标识主题专家标识的测试变量以及至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间:
标识故障航段的前兆中的一个或多个测试转移矩阵内的异常单元,其中,异常单元为与故障航段的前兆内相同类型的正常单元相差超过两个标准偏差的单元,
对于一个或多个异常单元
如果异常单元对应于至少一个飞行航段的阶段的第一时间段,则飞机控制器被配置为确定下一状态单元的中心(即,“到”单元)与对应于进入非异常单元中的第一时间段的单元的中心之间的绝对差矢量,
如果异常单元在连续时间段内保持相同状态,则飞机控制器被配置为确定异常单元的中心与在进入异常单元之前具有对应于故障航段的前兆的最后异常单元的状态的单元的中心之间的绝对差矢量,
否则,飞机控制器确定故障航段的前兆从其转移的单元的中心与故障航段的前兆转移到其的单元的中心之间的绝对差矢量,
其中,如果绝对差矢量的大小高于一个或多个异常单元的绝对差矢量的对应大小的平均值预定数量的标准偏差,则对应于所述大小的主题专家标识的测试变量被标记为指示故障。
A22.根据段落A21所述的飞机故障检测系统,其中,飞机控制器被配置为标识故障航段的前兆何时进入异常单元并且标识故障航段的前兆保持在异常单元中的时间段。
B1.一种用于飞机故障检测的方法,该方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;
利用耦接到数据记录装置的飞机控制器将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个测试状态中的一个或多个测试状态与其他测试状态不同;
利用飞机控制器基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为;并且
利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
B2.根据段落B1所述的方法,其中,至少一个飞机数据记录装置包括飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。
B3.根据段落B1所述的方法,其中,参数飞行数据包括在飞机飞行的每个飞行航段期间收集的时间序列数据的集合。
B4.根据段落B1所述的方法,其中,参数飞行数据包括训练数据,训练数据包括
至少一个飞机子系统的主题专家标识的训练变量以及发生至少一个飞机子系统的大部分维护消息的飞行航段。
B5.根据段落B4所述的方法,进一步包括:
利用飞机控制器将主题专家标识的训练变量累积到训练变量矩阵中;
利用飞机控制器将主题专家标识的训练变量分组为多个训练状态并用训练状态标识号标记多个训练状态中的每个训练状态;
利用飞机控制器根据对应的训练状态标识号标记训练变量矩阵中的至少一个时间点,并且
利用飞机控制器为训练数据的至少一个飞行航段产生至少一个训练转移矩阵。
B6.根据段落B5所述的方法,进一步包括:在训练数据为标记数据的情况下,利用飞机控制器使用标记数据训练机器学习模型,使得机器学习模型学习至少一个训练转移矩阵中的哪一个训练转移矩阵对应于正常的飞机子系统操作以及至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统操作。
B7.根据段落B6所述的方法,其中,标记数据标识经历维护消息的飞行航段和指示飞行航段中的故障的数据中的一个或多个。
B8.根据段落B5所述的方法,其中,多个训练状态的数量确定多个测试状态的数量。
B9.根据段落B5所述的方法,进一步包括:在训练数据未被标记或者至少一个航班航段中的一些航班航段经历维护消息的情况下,利用飞机控制器从至少一个训练转移矩阵确定异常值训练转移矩阵以标识阈值距离。
B10.根据段落B9所述的方法,进一步包括:利用飞机控制器通过以下方式确定异常值训练转移矩阵:
确定至少一个训练转移矩阵的一个或多个训练转移矩阵与至少一个训练转移矩阵的一个或多个其他训练转移矩阵的训练距离,
按数量级对一个或多个训练转移矩阵的训练距离进行分类,
选择具有最大幅度的预定数量的训练距离,并且
确定具有最大幅度的预定数量的训练距离的平均训练距离。
B11.根据段落B10所述的方法,其中,训练距离的预定数量约为5。
B12.根据段落B10所述的方法,进一步包括:在已知至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,利用飞机控制器使用接收器操作特性分析和至少一个飞行航段中的哪个飞行航段经历维护消息的知识来确定哪个训练距离为在预定时间窗口内用于真阳性与假阳性的最高比率的阈值距离。
B13.根据段落B12所述的方法,其中,所述预定时间窗口约为两周。
B14.根据段落B10所述的方法,其中,在不知道至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,阈值距离与平均训练距离相差约三个标准偏差。
B15.根据段落B1所述的方法,其中,参数飞行数据包括测试数据,测试数据包括用于至少一个飞机子系统的主题专家标识的测试变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
B16.根据段落B15所述的方法,其中,主题专家标识的测试变量对应于用于确定用来确定异常行为的阈值距离的主题专家标识的训练变量。
B17.根据段落B15所述的方法,进一步包括利用飞机控制器通过以下方式产生至少一个测试转移矩阵:
将主题专家标识的测试变量累积到测试变量矩阵中,
用测试状态标识号标记多个测试状态中的每个,并且
根据对应的测试状态标识号标记测试变量矩阵中的至少一个时间点。
B18.根据段落B15所述的方法,进一步包括:利用飞机控制器通过将训练的机器学习模型应用于至少一个测试转移矩阵来确定异常行为。
B19.根据段落B15所述的方法,进一步包括:利用飞机控制器通过以下方式确定至少一个飞行航段的异常行为:
确定至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择具有最大幅度的至少一个飞行航段中的相应一个飞行航段的预定数量的测试距离,
确定具有最大幅度的至少一个飞行航段中的相应一个飞行航段的预定数量的距离的平均测试距离,并且
将平均测试距离与阈值距离进行比较,并在平均测试距离超过阈值距离的情况下,将至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
B20.根据段落B18或B19所述的方法,进一步包括:对于一个或多个故障航段的前兆,利用飞机控制器标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间。
B21.根据段落B20所述的方法,其中,标识所述主题专家标识的测试变量以及至少一个飞行航段中的相应飞行航段内主题专家标识的测试变量为异常的相应时间包括:
标识故障航段的前兆中的一个或多个转移矩阵内的异常单元,其中,异常单元为与故障航段的前兆内相同类型的正常单元相差超过两个标准偏差的单元,
对于一个或多个异常单元
如果异常单元对应于至少一个飞行航段的阶段的第一时间段,则飞机控制器被配置为确定下一状态单元的中心(即,“到”单元)与对应于进入到非异常单元中的第一个时间段的单元的中心之间的绝对差矢量,
如果异常单元在连续时间段内保持相同状态,则飞机控制器被配置为确定异常单元的中心与在进入异常单元之前具有对应于故障航段的前兆的最后异常单元的状态的单元的中心之间的绝对差矢量,
否则,飞机控制器确定故障航段的前兆从其转移的单元的中心与故障航段的前兆转移到其的单元的中心之间的绝对差矢量,
其中,如果绝对差矢量的大小高于一个或多个异常单元的绝对差矢量的对应大小的平均值预定标准偏差数,则对应于所述大小的主题专家标识的测试变量被标记为指示故障。
B22.根据段落B21所述的方法,进一步包括:利用飞机控制器标识故障航段的前兆何时进入所述异常单元并且标识故障航段的前兆保持在异常单元中的时间段。
B23.根据段落B22所述的方法,进一步包括:在耦接到飞机控制器的用户界面上呈现对应于被标记为指示故障的大小的所述主题专家标识的测试变量以及故障航段的前兆被保持在异常单元中的时间段。
C1.一种用于飞机故障检测的方法,该方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;并且
利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障;
其中,利用飞机控制器通过以下方式产生至少一个测试转移矩阵:
将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,其中测试状态中的一个或多个测试状态与其他测试状态不同,
对于参数飞行数据中的不止一个时间点,标识参数飞行数据的主题专家标识的测试变量的当前状态并计数主题专家标识的测试变量从当前状态转移到另一状态或者在下一个连续时间点处转移到相同状态(即,保持在当前状态)的频率,并且
归一化所述频率,使得相应测试转移矩阵的相应单元中的一个或多个条目是介于0和1之间的概率数。
C2.根据段落C1所述的方法,其中,至少一个飞机数据记录装置包括飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。
C3.根据段落C1所述的方法,其中,参数飞行数据包括在飞机飞行的每个飞行航段期间收集的时间序列数据的集合。
C4.根据段落C1所述的方法,其中,参数飞行数据包括训练数据,训练数据包括用于至少一个飞机子系统的主题专家标识的训练变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
C5.根据段落C1所述的方法,进一步包括:
利用飞机控制器将主题专家标识的训练变量累积到训练变量矩阵中;
利用飞机控制器将主题专家标识的训练变量分组为多个训练状态并用训练状态标识号标记多个训练状态中的每个训练状态;
利用飞机控制器根据对应的训练状态标识号标记训练变量矩阵中的至少一个时间点,并且
利用飞机控制器为所述训练数据的至少一个飞行航段产生至少一个训练转移矩阵。
C6.根据段落C5所述的方法,进一步包括:在训练数据为标记数据的情况下,利用飞机控制器使用标记数据训练机器学习模型,使得机器学习模型学习至少一个训练转移矩阵中的哪一个训练转移矩阵对应于正常的飞机子系统操作以及至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统操作。
C7.根据段落C6所述的方法,其中,标记数据标识经历维护消息的飞行航段和指示飞行航段中的故障的数据中的一个或多个。
C8.根据段落C5所述的方法,其中,多个训练状态的数量确定多个测试状态的数量。
C9.根据段落C5所述的方法,进一步包括:在训练数据未被标记或者至少一个航班航段中的一些航班航段经历维护消息的情况下,利用飞机控制器从至少一个训练转移矩阵确定异常值训练转移矩阵以标识阈值距离。
C10.根据段落C9所述的方法,进一步包括:利用飞机控制器通过以下方式确定异常值训练转移矩阵:
确定至少一个训练转移矩阵的一个或多个训练转移矩阵与至少一个训练转移矩阵的一个或多个其他训练转移矩阵的训练距离,
按数量级对一个或多个训练转移矩阵的训练距离进行分类,
选择具有最大幅度的预定数量的训练距离,并且
确定具有最大幅度的预定数量的训练距离的平均训练距离。
C11.根据段落C10所述的方法,其中,训练距离的预定数量约为5。
C12.根据段落C10所述的方法,进一步包括:在已知至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,利用飞机控制器使用接收器操作特性分析和至少一个飞行航段中的哪个飞行航段经历维护消息的知识来确定哪个训练距离为在预定时间窗口内用于真阳性与假阳性的最高比率的阈值距离。
C13.根据段落C12所述的方法,其中,预定时间窗口约为两周。
C14.根据段落C10所述的方法,其中,在不知道至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,阈值距离与平均训练距离相差约三个标准偏差。
C15.根据段落C1所述的方法,其中,参数飞行数据包括测试数据,测试数据包括用于至少一个飞机子系统的主题专家标识的测试变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
C16.根据段落C15所述的方法,其中,主题专家标识的测试变量对应于用于确定用来确定异常行为的阈值距离的主题专家标识的训练变量。
C17.根据段落C15所述的方法,产生至少一个测试转移矩阵进一步包括:
将主题专家标识的测试变量累积到测试变量矩阵中,
用测试状态标识号标记多个测试状态中的每个,并且
根据对应的测试状态标识号标记测试变量矩阵中的不止一个时间点。
C18.根据段落C15所述的方法,进一步包括:利用飞机控制器通过将训练的机器学习模型应用于至少一个测试转移矩阵来确定异常行为。
C19.根据段落C15所述的方法,进一步包括:利用飞机控制器通过以下方式确定至少一个飞行航段的异常行为:
确定至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离的平均测试距离,并且
将平均测试距离与阈值距离进行比较,并在平均测试距离超过阈值距离的情况下,将至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
C20.根据段落C18或C19所述的方法,进一步包括:对于一个或多个故障航段的前兆,利用飞机控制器标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间。
C21.根据段落C20所述的方法,其中,标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间包括:
标识故障航段的前兆中的一个或多个转移矩阵内的异常单元,其中,异常单元为与故障航段的前兆内相同类型的正常单元相差超过两个标准偏差的单元,
对于一个或多个异常单元
如果异常单元对应于至少一个飞行航段的阶段的第一时间段,则飞机控制器被配置为确定下一状态单元的中心(即,“到”单元)与对应于进入非异常单元中的第一个时间段的单元的中心之间的绝对差矢量,
如果异常单元在连续时间段内保持相同状态,则飞机控制器被配置为确定异常单元的中心与在进入异常单元之前具有对应于故障航段的前兆的最后异常单元的状态的单元的中心之间的绝对差矢量,
否则,飞机控制器确定故障航段的前兆从其转移的单元的中心与故障航段的前兆转移到其的单元的中心之间的绝对差矢量,
其中,如果绝对差矢量的大小高于一个或多个异常单元的绝对差矢量的对应大小的平均值预定标准偏差数,则对应于所述大小的主题专家标识的测试变量被标记为指示故障。
C22.根据段落C21所述的方法,进一步包括:利用飞机控制器标识故障航段的前兆何时进入异常单元并且标识故障航段的前兆被保持在异常单元中的时间段。
C23.根据段落C22所述的方法,进一步包括:在耦接到飞机控制器的用户界面上呈现对应于被标记为指示故障的大小的主题专家标识的测试变量以及故障航段的前兆被保持在异常单元中的时间段。
此外,本公开包括根据以下项的实施例:
项1.一种飞机故障检测系统,包括:
至少一个飞机数据记录装置,被配置为从至少一个飞机子系统捕获参数飞行数据;以及
耦接到数据记录装置的飞机控制器,飞机控制器被配置为
将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个测试状态中的一个或多个测试状态与其他测试状态不同,
基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为,并且
基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
项2.根据项1所述的飞机故障检测系统,其中,参数飞行数据包括训练数据,训练数据包括用于至少一个飞机子系统的主题专家标识的训练变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
项3.根据项1至2中的任一项所述的飞机故障检测系统,其中,参数飞行数据包括测试数据,测试数据包括用于至少一个飞机子系统的主题专家标识的测试变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
项4.据项3所述的飞机故障检测系统,其中,飞机控制器被配置为通过将训练的机器学习模型应用于至少一个测试转移矩阵来确定异常行为。
项5.根据项3至4中的任一项所述的飞机故障检测系统,其中,飞机控制器被配置为通过以下方式确定至少一个飞行航段的异常行为:
确定至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离的平均测试距离,并且
将平均测试距离与阈值距离进行比较,并在平均测试距离超过阈值距离的情况下,将至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
项6.根据项5所述的飞机故障检测系统,其中,飞机控制器被配置为,对于每个故障航段的前兆,标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间。
项7.一种用于飞机故障检测的方法,所述方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;
利用耦接到数据记录装置的飞机控制器将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,多个测试状态中的一个或多个测试状态与其他测试状态不同;
利用飞机控制器基于多个测试状态产生至少一个测试转移矩阵,并基于至少一个测试转移矩阵确定至少一个飞机子系统的异常行为;并且
利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障。
项8.根据项7所述的方法,其中,参数飞行数据包括训练数据,训练数据包括用于至少一个飞机子系统的主题专家标识的训练变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
项9.根据项8所述的方法,进一步包括:
利用飞机控制器将主题专家标识的训练变量累积到训练变量矩阵中;
利用飞机控制器将主题专家标识的训练变量分组为多个训练状态并用训练状态标识号标记多个训练状态中的每个训练状态;
利用飞机控制器根据对应的训练状态标识号标记训练变量矩阵中的至少一个时间点,并且
利用飞机控制器为训练数据的至少一个飞行航段产生至少一个训练转移矩阵。
项10.根据项9所述的方法,进一步包括:在训练数据为标记数据的情况下,利用飞机控制器使用标记数据训练机器学习模型,使得机器学习模型学习至少一个训练转移矩阵中的哪一个训练转移矩阵对应于正常的飞机子系统操作以及至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统操作。
项11.根据项9至10中的任一项所述的方法,进一步包括:在训练数据不是标记数据或者至少一个航班航段中的一些航班航段经历维护消息的情况下,利用飞机控制器从至少一个训练转移矩阵确定异常值训练转移矩阵以标识阈值距离。
项12.根据项11所述的方法,进一步包括:利用飞机控制器通过以下方式确定异常值训练转移矩阵:
确定至少一个训练转移矩阵的一个或多个训练转移矩阵与至少一个训练转移矩阵的一个或多个其他训练转移矩阵的训练距离,
按数量级对一个或多个训练转移矩阵的训练距离进行分类,
选择具有最大幅度的预定数量的训练距离,并且
确定具有最大幅度的预定数量的训练距离的平均训练距离。
项13.根据项12所述的方法,进一步包括:在已知至少一个飞行航段中的哪一个飞行航段经历维护消息的情况下,利用飞机控制器使用接收器操作特性分析和至少一个飞行航段中的哪个飞行航段经历维护消息的知识来确定哪个训练距离为在预定时间窗口内用于真阳性与假阳性的最高比率的阈值距离。
项14.根据项7至13中的任一项所述的方法,其中,参数飞行数据包括测试数据,测试数据包括用于至少一个飞机子系统的主题专家标识的测试变量和发生至少一个飞机子系统的大多数维护消息的飞行航段。
项15.根据项14所述的方法,进一步包括利用飞机控制器通过以下方式产生至少一个测试转移矩阵:
将主题专家标识的测试变量累积到测试变量矩阵中,
用测试状态标识号标记多个测试状态中的每个,并且
根据对应的测试状态标识号标记测试变量矩阵中的至少一个时间点。
项16.据项14至15中的任一项所述的方法,进一步包括:利用飞机控制器通过以下方式确定至少一个飞行航段的异常行为:
确定至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定所述至少一个飞行航段中的相应一个飞行航段的具有最大幅度的预定数量的距离的平均测试距离,并且
将平均测试距离与阈值距离进行比较,并在平均测试距离超过阈值距离的情况下,将至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
项17.根据项16所述的方法,进一步包括:对于一个或多个故障航段的前兆,利用飞机控制器标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间。
项18.根据项17所述的方法,其中,标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内主题专家标识的测试变量为异常的相应时间包括:
标识故障航段的前兆中的一个或多个转移矩阵内的异常单元,其中,异常单元为与故障航段的前兆内相同类型的正常单元相差超过两个标准偏差的单元,
对于一个或多个异常单元
如果异常单元对应于至少一个飞行航段的阶段的第一时间段,则飞机控制器被配置为确定下一状态单元的中心与对应于进入到非异常单元中的第一个时间段的单元的中心之间的绝对差矢量,
如果异常单元在连续时间段内保持相同状态,则飞机控制器被配置为确定异常单元的中心与在进入异常单元之前具有对应于故障航段的前兆所处的最后异常单元的状态的单元的中心之间的绝对差矢量,
否则,飞机控制器确定故障航段的前兆从其转移的单元的中心与故障航段的前兆转移到其的单元的中心之间的绝对差矢量,
其中,如果绝对差矢量的大小高于一个或多个异常单元的绝对差矢量的对应大小的平均值预定标准偏差数,则对应于所述大小的主题专家标识的测试变量被标记为指示故障。
项19.一种用于飞机故障检测的方法,所述方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;并且
利用飞机控制器基于从至少一个测试转移矩阵确定的至少一个飞机子系统的异常行为来预测至少一个飞机子系统内的故障;
其中,利用飞机控制器通过以下方式产生至少一个测试转移矩阵:
将来自至少一个飞机子系统的参数飞行数据分组为多个测试状态,其中测试状态中的一个或多个测试状态与其他测试状态不同,
对于参数飞行数据中的不止一个时间点,标识参数飞行数据的主题专家标识的测试变量的当前状态并计数主题专家标识的测试变量从当前状态转移到另一状态或者在下一个连续时间点处转移到相同状态的频率,并且
归一化所述频率,使得相应测试转移矩阵的相应单元中的一个或多个条目是介于0和1之间的概率数。
项20.根据项19所述的方法,其中,至少一个飞机数据记录装置包括飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。
在上面提到的附图中,连接各种元件和/或部件的实线(如果有的话)可以表示机械的、电的、流体的、光学的、电磁的、无线的以及其他的耦接和/或其组合。如本文所用,“耦接”意指直接以及间接相关联。例如,构件A可以直接与构件B相关联,或者可以例如经由另一构件C与其间接相关联。应当理解,并非所公开的各种元件之间的所有关系都必须表示。因此,也可以存在不同于附图中描绘的那些耦接。虚线(如果有的话)、表示各种元件和/或部件的连接方框表示在功能和目的上与用实线表示的耦接类似的耦接;然而,由虚线表示的耦接可以被选择性地提供,或者可以涉及本公开的替代示例。类似地,用虚线表示的元件和/或部件(如果有的话)表示本公开的替代示例。在不脱离本公开的范围的情况下,可以从具体示例中省略以实线和/或虚线示出的一个或多个元件。环境因素(如果有的话)用虚线表示。为了清楚起见,也可以显示虚拟(虚构)元件。本领域技术人员应理解,附图中所示的一些特征可以以各种方式进行组合而不需要包括附图、其他附图和/或所附公开中描述的其他特征,即使这样的组合未在本文明确说明。类似地,不限于所给出的示例的附加特征可以与本文示出和描述的特征中的一些或全部相组合。
在上面提到的图2、图3和图8中,所述方框可以表示操作和/或其部分,并且连接各种方框的线不暗示所述操作或其部分的任何特定顺序或相关性。由虚线表示的方框表示替代操作和/或其部分。连接各个方框的虚线(如果有的话)表示所述操作或其部分的替代相关性。应当理解,并非所公开的各种操作之间的所有相关性都必须表示。图2、图3和图8以及描述本文阐述的方法的操作的附带公开不应解释为必须确定操作将被执行的顺序。相反,尽管指示了一个说明性顺序,但应当理解,所述操作的顺序可以在适当的时候修改。因此,某些操作可以以不同的顺序或基本上同时执行。另外,本领域技术人员应当理解,并非所有描述的操作都需要执行。
在下面的描述中,阐述了许多具体细节以提供对所公开的概念的透彻理解,本公开其可以在没有这些细节中的一些或全部细节的情况下实施。在其他情况下,已知装置和/或过程的细节已被省略以避免不必要地模糊本公开。虽然将结合具体示例描述一些概念,但应理解,这些示例并非旨在限制。
除非另外指明,否则术语“第一”、“第二”等在本文中仅用作标记,而非旨在对这些术语所指的项目强加次序、位置或等级要求。此外,对例如“第二”项目的提及不要求或排除例如“第一”或较小编号的项目和/或例如“第三”或较大编号的项目的存在。
本文对“一个示例”的提及意味着结合示例描述的一个或多个特征、结构或特性被包括在至少一种实施方式中。说明书中各个地方的短语“一个示例”可能是也可能不是指同一个示例。
如本文所使用的,“被配置成”执行指定功能的系统、装置、结构、物品、元件、部件或硬件确实能够执行指定的功能而无需任何改变,而不是仅在进一步修改之后具有执行指定功能的可能性。换句话说,“被配置成”执行指定功能的系统、装置、结构、物品、元件、部件或硬件被具体选择、创建、实施、利用、编程和/或设计用于执行指定功能的目的。如本文所使用的,“被配置成”表示使系统、装置、结构、物品、元件、部件或硬件能够执行指定功能而无需进一步修改的系统、装置、结构、物品、元件、部件或硬件的现有特性。出于本公开的目的,被描述为“被配置成”执行特定功能的系统、装置、结构、物品、元件、部件或硬件可以附加地或可选地被描述为“适于”和/“有效”执行该功能。
本文公开的装置和方法的不同示例包括各种部件、特征和功能。应当理解,本文公开的装置和方法的各种示例可以包括本文公开的装置和方法的任何其他示例的任何部件、特征和功能及其任何组合,并且所有这些可能性均旨在落入本公开的范围内。
本公开所涉及的本领域技术人员将会想到在此阐述的示例的许多修改,这些修改具有在前面的描述和相关附图中呈现的教导的益处。
因此,应当理解,本公开不限于所示的具体示例,并且所述修改和其他示例旨在被包括在所附权利要求的范围内。此外,尽管前面的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本公开的示例,但是应当理解,在不脱离所附权利要求的范围的情况下,所述元件和/或功能的不同组合可以通过替代实施方式来提供。因此,所附权利要求中的括号内的附图标记仅出于说明的目的而呈现,并非旨在将所要求保护的主题的范围限制到本公开中提供的具体示例。
Claims (20)
1.一种飞机故障检测系统,包括:
至少一个飞机数据记录装置,被配置为从至少一个飞机子系统捕获参数飞行数据;以及
飞机控制器,耦接到所述数据记录装置,所述飞机控制器被配置为将来自所述至少一个飞机子系统的所述参数飞行数据分组为多个测试状态,所述多个测试状态从多个训练状态确定,所述多个测试状态中的一个或多个测试状态与其他测试状态不同,
基于所述多个测试状态产生至少一个测试转移矩阵,并基于所述至少一个测试转移矩阵确定所述至少一个飞机子系统的异常行为,并且
基于从所述至少一个测试转移矩阵确定的所述至少一个飞机子系统的异常行为来预测所述至少一个飞机子系统内的故障。
2.根据权利要求1所述的飞机故障检测系统,其中,所述参数飞行数据包括训练数据,所述训练数据包括用于所述至少一个飞机子系统的主题专家标识的训练变量和发生所述至少一个飞机子系统的维护消息的飞行航段。
3.根据权利要求1所述的飞机故障检测系统,其中,所述参数飞行数据包括测试数据,所述测试数据包括用于所述至少一个飞机子系统的主题专家标识的测试变量和发生所述至少一个飞机子系统的维护消息的飞行航段。
4.根据权利要求3所述的飞机故障检测系统,其中,所述飞机控制器被配置为通过将训练的机器学习模型应用于所述至少一个测试转移矩阵来确定所述异常行为。
5.根据权利要求3所述的飞机故障检测系统,其中,所述飞机控制器被配置为通过以下方式确定至少一个飞行航段的异常行为:
确定所述至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与所述至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对所述至少一个飞行航段中的所述相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择所述至少一个飞行航段中的所述相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定所述至少一个飞行航段中的所述相应一个飞行航段的具有最大幅度的预定数量的测试距离的平均测试距离,并且
将所述平均测试距离与阈值距离进行比较,并在所述平均测试距离超过所述阈值距离的情况下,将所述至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
6.根据权利要求5所述的飞机故障检测系统,其中,所述飞机控制器被配置为,对于故障航段的每个前兆,标识所述主题专家标识的测试变量以及在所述至少一个飞行航段中的相应一个飞行航段内所述主题专家标识的测试变量为异常的相应时间。
7.一种用于飞机故障检测的方法,所述方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;
利用耦接到所述数据记录装置的飞机控制器将来自所述至少一个飞机子系统的所述参数飞行数据分组为多个测试状态,所述多个测试状态从多个训练状态确定,所述多个测试状态中的一个或多个测试状态与其他测试状态不同;
利用所述飞机控制器基于所述多个测试状态产生至少一个测试转移矩阵,并基于所述至少一个测试转移矩阵确定所述至少一个飞机子系统的异常行为;并且
利用所述飞机控制器基于从所述至少一个测试转移矩阵确定的所述至少一个飞机子系统的异常行为来预测所述至少一个飞机子系统内的故障。
8.根据权利要求7所述的方法,其中,所述参数飞行数据包括训练数据,所述训练数据包括用于所述至少一个飞机子系统的主题专家标识的训练变量和发生所述至少一个飞机子系统的维护消息的飞行航段。
9.根据权利要求8所述的方法,进一步包括:
利用所述飞机控制器将所述主题专家标识的训练变量累积到训练变量矩阵中;
利用所述飞机控制器将所述主题专家标识的训练变量分组为多个训练状态并用训练状态标识号标记所述多个训练状态中的每个训练状态;
利用所述飞机控制器根据对应的训练状态标识号标记所述训练变量矩阵中的至少一个时间点;并且
利用所述飞机控制器为所述训练数据的至少一个飞行航段产生至少一个训练转移矩阵。
10.根据权利要求9所述的方法,进一步包括:在所述训练数据为标记数据的情况下,利用所述飞机控制器使用所述标记数据训练机器学习模型,使得所述机器学习模型学习所述至少一个训练转移矩阵中的哪一个训练转移矩阵对应于正常的飞机子系统操作以及所述至少一个训练转移矩阵中的哪一个训练转移矩阵对应于故障的飞机子系统操作。
11.根据权利要求9所述的方法,进一步包括:在所述训练数据不是标记数据或者所述至少一个飞行航段中的一些飞行航段经历维护消息的情况下,利用所述飞机控制器从所述至少一个训练转移矩阵确定异常值训练转移矩阵以标识阈值距离。
12.根据权利要求11所述的方法,进一步包括:利用所述飞机控制器通过以下方式确定所述异常值训练转移矩阵:
确定所述至少一个训练转移矩阵的一个或多个训练转移矩阵与所述至少一个训练转移矩阵的一个或多个其他训练转移矩阵的训练距离,
按数量级对所述一个或多个训练转移矩阵的训练距离进行分类,
选择具有最大幅度的预定数量的训练距离,并且
确定具有最大幅度的预定数量的训练距离的平均训练距离。
13.根据权利要求12所述的方法,进一步包括:在已知至少一个飞行航段中的预定飞行航段经历维护消息的情况下,利用飞机控制器使用接收器操作特性分析和至少一个飞行航段中的预定飞行航段经历维护消息的知识来确定为在预定时间窗口内用于真阳性与假阳性的最高比率的阈值距离的训练距离。
14.根据权利要求7所述的方法,其中,所述参数飞行数据包括测试数据,所述测试数据包括用于所述至少一个飞机子系统的主题专家标识的训练变量和发生所述至少一个飞机子系统的维护消息的飞行航段。
15.根据权利要求14所述的方法,进一步包括利用所述飞机控制器通过以下方式产生所述至少一个测试转移矩阵:
将所述主题专家标识的测试变量累积到测试变量矩阵中,
用测试状态标识号标记所述多个测试状态中的每个测试状态,并且
根据对应的测试状态标识号标记所述测试变量矩阵中的至少一个时间点。
16.根据权利要求14所述的方法,进一步包括:利用所述飞机控制器通过以下方式确定至少一个飞行航段的异常行为:
确定所述至少一个飞行航段中的相应一个飞行航段的一个或多个测试转移矩阵与所述至少一个飞行航段中的相应一个飞行航段的一个或多个其他测试转移矩阵的测试距离,
按照数量级对所述至少一个飞行航段中的所述相应一个飞行航段的一个或多个测试转移矩阵的测试距离进行分类,
选择所述至少一个飞行航段中的所述相应一个飞行航段的具有最大幅度的预定数量的测试距离,
确定所述至少一个飞行航段中的所述相应一个飞行航段的具有最大幅度的预定数量的距离的平均测试距离,并且
将所述平均测试距离与阈值距离进行比较,并在所述平均测试距离超过所述阈值距离的情况下,将所述至少一个飞行航段中的相应一个飞行航段标记为故障航段的前兆。
17.根据权利要求16所述的方法,进一步包括:对于一个或多个故障航段的前兆,利用所述飞机控制器标识主题专家标识的测试变量以及在所述至少一个飞行航段中的相应一个飞行航段内所述主题专家标识的测试变量为异常的相应时间。
18.根据权利要求17所述的方法,其中,标识主题专家标识的测试变量以及在至少一个飞行航段中的相应一个飞行航段内所述主题专家标识的测试变量为异常的相应时间包括:
标识故障航段的前兆中的一个或多个转移矩阵内的异常单元,其中,异常单元为与故障航段的前兆内相同类型的正常单元相差超过两个标准偏差的单元,
对于一个或多个异常单元
如果所述异常单元对应于所述至少一个飞行航段的阶段的第一时间段,则所述飞机控制器被配置为确定下一状态单元的中心与对应于进入到非异常单元中的第一个时间段的单元的中心之间的绝对差矢量,
如果所述异常单元在连续时间段内保持相同状态,则所述飞机控制器被配置为确定所述异常单元的中心与在进入所述异常单元之前具有对应于故障航段的前兆所处的最后异常单元的状态的单元的中心之间的绝对差矢量,
否则,所述飞机控制器确定故障航段的前兆从其转移的单元的中心与故障航段的前兆转移到其的单元的中心之间的绝对差矢量,
其中,如果所述绝对差矢量的大小高于一个或多个所述异常单元的绝对差矢量的对应大小的平均值预定标准偏差数,则对应于所述大小的主题专家标识的测试变量被标记为指示故障。
19.一种用于飞机故障检测的方法,所述方法包括:
利用至少一个飞机数据记录装置从至少一个飞机子系统捕获参数飞行数据;并且
利用飞机控制器基于从至少一个测试转移矩阵确定的所述至少一个飞机子系统的异常行为来预测所述至少一个飞机子系统内的故障;
其中,利用所述飞机控制器通过以下方式产生所述至少一个测试转移矩阵:
将来自所述至少一个飞机子系统的参数飞行数据分组为多个测试状态,所述多个测试状态从多个训练状态确定,其中,所述多个测试状态中的一个或多个测试状态与其他测试状态不同,
对于所述参数飞行数据中的不止一个时间点,标识所述参数飞行数据的主题专家标识的测试变量的当前状态并计数所述主题专家标识的测试变量从所述当前状态转移到另一状态或者在下一个连续时间点处转移到相同状态的频率,并且
归一化所述频率,使得相应测试转移矩阵的相应单元中的一个或多个条目是介于0和1之间的概率数。
20.根据权利要求19所述的方法,其中,所述至少一个飞机数据记录装置包括飞行数据记录器、快速访问记录、连续参数记录系统和增强型机载飞行记录器中的一个或多个。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/714,253 | 2017-09-25 | ||
US15/714,253 US10657736B2 (en) | 2017-09-25 | 2017-09-25 | System and method for aircraft fault detection |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109557896A CN109557896A (zh) | 2019-04-02 |
CN109557896B true CN109557896B (zh) | 2023-10-24 |
Family
ID=63579094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811055269.4A Active CN109557896B (zh) | 2017-09-25 | 2018-09-11 | 用于飞机故障检测的系统和方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US10657736B2 (zh) |
EP (1) | EP3460611B1 (zh) |
CN (1) | CN109557896B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657736B2 (en) * | 2017-09-25 | 2020-05-19 | The Boeing Company | System and method for aircraft fault detection |
US10776760B2 (en) | 2017-11-17 | 2020-09-15 | The Boeing Company | Machine learning based repair forecasting |
US10964132B2 (en) * | 2018-04-30 | 2021-03-30 | The Boeing Company | Detecting fault states of an aircraft |
US11907833B2 (en) | 2018-11-27 | 2024-02-20 | The Boeing Company | System and method for generating an aircraft fault prediction classifier |
US11687067B2 (en) * | 2019-04-04 | 2023-06-27 | Honeywell International Inc. | Pattern classification system with smart data collection for environmental control system fault isolation |
CN110060374B (zh) * | 2019-04-19 | 2021-06-01 | 中国航空无线电电子研究所 | 一种飞机燃油系统异常检测方法及装置 |
CN110386266B (zh) * | 2019-06-12 | 2023-02-17 | 江西冠一通用飞机有限公司 | 一种基于状态树的飞机故障诊断及故障维修方法 |
WO2021016722A1 (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 |
CN111061293B (zh) * | 2019-11-12 | 2023-11-17 | 中国运载火箭技术研究院 | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 |
CN111222549B (zh) * | 2019-12-30 | 2023-10-24 | 航天时代飞鸿技术有限公司 | 一种基于深度神经网络的无人机故障预测方法 |
CN111259959A (zh) * | 2020-01-16 | 2020-06-09 | 山东超越数控电子股份有限公司 | 一种航天飞行控制器故障状态识别方法,设备及可读存储介质 |
FR3108184B1 (fr) * | 2020-03-16 | 2023-01-20 | Thales Sa | Procédé de prédiction d'une panne d'un équipement d'une plateforme mobile et dispositif associé |
US11958632B2 (en) | 2020-07-22 | 2024-04-16 | The Boeing Company | Predictive maintenance model design system |
CN112085866B (zh) * | 2020-08-14 | 2023-04-07 | 陕西千山航空电子有限责任公司 | 一种基于飞参数据的飞机异常状态识别方法 |
CN112486147A (zh) * | 2020-12-14 | 2021-03-12 | 江西洪都航空工业集团有限责任公司 | 一种飞机故障检测和维修管理系统及其管理方法 |
US11928971B2 (en) | 2021-04-01 | 2024-03-12 | Boeing Company | Detection of anomalous states in multivariate data |
FR3139801A1 (fr) * | 2022-09-19 | 2024-03-22 | Airbus Operations | Procede de detection de dysfonctionnement subi par un generateur d’entrainement integre, dans un aeronef |
CN116361728B (zh) * | 2023-03-14 | 2024-01-23 | 南京航空航天大学 | 基于实时飞行数据的民航飞机系统级异常前兆识别方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10332126A1 (de) * | 2003-07-16 | 2005-02-03 | Daimlerchrysler Ag | Diagnose technischer Systeme mittels Zustandstrajektorien |
KR20080037236A (ko) * | 2006-10-25 | 2008-04-30 | 현대자동차주식회사 | 영상 센서를 이용한 요레이트 센서 고장 검출 방법 및 장치 |
CN102759919A (zh) * | 2011-04-26 | 2012-10-31 | 波音公司 | 具有反向驱动监控器的飞行控制器管理系统 |
CN102819259A (zh) * | 2011-06-09 | 2012-12-12 | 清华大学 | 一种基于马尔可夫过程进行安全仪表功能的功能安全验证的方法 |
CN103033185A (zh) * | 2011-10-03 | 2013-04-10 | 波音公司 | 用于生成姿态误差修正的改进的卡尔曼滤波器 |
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN106059702A (zh) * | 2013-07-08 | 2016-10-26 | 英特尔Ip公司 | 利用减少的信令的进行网络协助的干扰消除的增强型节点b和方法 |
CN106066184A (zh) * | 2015-04-24 | 2016-11-02 | 波音公司 | 用于检测交通工具系统故障的系统和方法 |
CN106324643A (zh) * | 2016-10-19 | 2017-01-11 | 山东科技大学 | 一种无人机空速估计和空速管故障检测方法 |
CN106501181A (zh) * | 2015-09-07 | 2017-03-15 | 英飞凌科技股份有限公司 | 用于光声传感器的原位校准的设备和方法 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5413883A (en) * | 1977-07-04 | 1979-02-01 | Hitachi Ltd | Abnormalness detector of automatic controller |
US4943919A (en) * | 1988-10-17 | 1990-07-24 | The Boeing Company | Central maintenance computer system and fault data handling method |
US6868325B2 (en) | 2003-03-07 | 2005-03-15 | Honeywell International Inc. | Transient fault detection system and method using Hidden Markov Models |
US20060212281A1 (en) * | 2005-03-21 | 2006-09-21 | Mathews Harry Kirk Jr | System and method for system-specific analysis of turbomachinery |
US8209083B2 (en) * | 2006-08-04 | 2012-06-26 | Honeywell International Inc. | Tunable architecture for aircraft fault detection |
US10227140B2 (en) * | 2014-07-11 | 2019-03-12 | Cmc Electronics Inc | System and method for detecting and alerting the user of an aircraft of an impendent adverse condition |
US9349226B2 (en) * | 2014-10-09 | 2016-05-24 | The Boeing Company | Systems and methods for detecting faults within operative sub-systems of a vehicle |
KR101768654B1 (ko) * | 2016-01-20 | 2017-08-17 | 울산과학기술원 | 전자 기기의 고장 예측 장치 및 이를 이용한 고장 예측 방법 |
JP2019519434A (ja) * | 2016-05-18 | 2019-07-11 | エイ・キューブド・バイ・エアバス・エル・エル・シー | 乗員または貨物の輸送のための自動操縦航空機 |
US10438133B2 (en) * | 2016-08-17 | 2019-10-08 | Global Eprocure | Spend data enrichment and classification |
US10310087B2 (en) * | 2017-05-31 | 2019-06-04 | Uber Technologies, Inc. | Range-view LIDAR-based object detection |
US10643187B2 (en) * | 2017-06-09 | 2020-05-05 | Kidde Technologies, Inc. | Reporting and prioritizing faults for aircraft downtime reduction |
US10657736B2 (en) * | 2017-09-25 | 2020-05-19 | The Boeing Company | System and method for aircraft fault detection |
-
2017
- 2017-09-25 US US15/714,253 patent/US10657736B2/en active Active
-
2018
- 2018-09-11 CN CN201811055269.4A patent/CN109557896B/zh active Active
- 2018-09-12 EP EP18194089.1A patent/EP3460611B1/en active Active
-
2020
- 2020-04-21 US US16/853,887 patent/US11080948B2/en active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10332126A1 (de) * | 2003-07-16 | 2005-02-03 | Daimlerchrysler Ag | Diagnose technischer Systeme mittels Zustandstrajektorien |
KR20080037236A (ko) * | 2006-10-25 | 2008-04-30 | 현대자동차주식회사 | 영상 센서를 이용한 요레이트 센서 고장 검출 방법 및 장치 |
CN103080954A (zh) * | 2010-07-29 | 2013-05-01 | 萨热姆防务安全公司 | 用于分析飞行器飞行期间所记录的飞行数据的方法和系统 |
CN102759919A (zh) * | 2011-04-26 | 2012-10-31 | 波音公司 | 具有反向驱动监控器的飞行控制器管理系统 |
CN102819259A (zh) * | 2011-06-09 | 2012-12-12 | 清华大学 | 一种基于马尔可夫过程进行安全仪表功能的功能安全验证的方法 |
CN103033185A (zh) * | 2011-10-03 | 2013-04-10 | 波音公司 | 用于生成姿态误差修正的改进的卡尔曼滤波器 |
CN106059702A (zh) * | 2013-07-08 | 2016-10-26 | 英特尔Ip公司 | 利用减少的信令的进行网络协助的干扰消除的增强型节点b和方法 |
CN104166787A (zh) * | 2014-07-17 | 2014-11-26 | 南京航空航天大学 | 一种基于多阶段信息融合的航空发动机剩余寿命预测方法 |
CN106066184A (zh) * | 2015-04-24 | 2016-11-02 | 波音公司 | 用于检测交通工具系统故障的系统和方法 |
CN106501181A (zh) * | 2015-09-07 | 2017-03-15 | 英飞凌科技股份有限公司 | 用于光声传感器的原位校准的设备和方法 |
CN106324643A (zh) * | 2016-10-19 | 2017-01-11 | 山东科技大学 | 一种无人机空速估计和空速管故障检测方法 |
Non-Patent Citations (2)
Title |
---|
R.A. Maxion.Anomaly detection in embedded systems.IEEE Transactions on Computers.2002,第108-120页. * |
孔雪博.惯性辅助的北斗导航故障自适应方法研究.航空计算技术.2016,第106-110页. * |
Also Published As
Publication number | Publication date |
---|---|
CN109557896A (zh) | 2019-04-02 |
US20190096145A1 (en) | 2019-03-28 |
EP3460611A1 (en) | 2019-03-27 |
US11080948B2 (en) | 2021-08-03 |
EP3460611B1 (en) | 2023-08-02 |
US20200250905A1 (en) | 2020-08-06 |
US10657736B2 (en) | 2020-05-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109557896B (zh) | 用于飞机故障检测的系统和方法 | |
CN114065613B (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
Zhang et al. | A review on deep learning applications in prognostics and health management | |
US8112368B2 (en) | Method, apparatus and computer program product for predicting a fault utilizing multi-resolution classifier fusion | |
US11270528B2 (en) | Apparatus and method for vehicle maintenance scheduling and fault monitoring | |
Cheng et al. | A fusion prognostics method for remaining useful life prediction of electronic products | |
US8433472B2 (en) | Event-driven data mining method for improving fault code settings and isolating faults | |
CN109727336B (zh) | 交通工具故障检测系统和用于交通工具故障检测的方法 | |
Sica et al. | A cognitive system for fault prognosis in power transformers | |
US20190092495A1 (en) | System and method for aircraft failure prediction | |
EP3663919B1 (en) | System and method of automated fault correction in a network environment | |
Alfarizi et al. | An extreme gradient boosting aided fault diagnosis approach: A case study of fuse test bench | |
CN113343364A (zh) | 航空大数据分析方法及工具 | |
US11853052B2 (en) | Cluster based classification for time series data | |
Rafique et al. | TSDN-enabled network assurance: A cognitive fault detection architecture | |
CN116244651A (zh) | 用于检测制造异常的系统和方法 | |
CN113255771B (zh) | 基于多维异构差异分析的故障诊断方法及系统 | |
Kauschke et al. | Predicting cargo train failures: a machine learning approach for a lightweight prototype | |
Meunier et al. | 3D objects descriptors method for fault detection in a multi sensors context | |
Giannoulidis et al. | Exploring unsupervised anomaly detection for vehicle predictive maintenance with partial information. | |
Ortiz et al. | Multi source data integration for aircraft health management | |
CN116757336B (zh) | 基于数据驱动的轨道交通风险的预测方法及系统 | |
Banu et al. | Big data application for analysis of flight test data | |
Rognvaldsson et al. | A self-organized approach for unsupervised fault detection in multiple systems | |
Cinar et al. | Cost-sensitive optimization of automated inspection |
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 |