CN109726029A - 利用图形转换时间数据的交通工具故障检测系统及方法 - Google Patents
利用图形转换时间数据的交通工具故障检测系统及方法 Download PDFInfo
- Publication number
- CN109726029A CN109726029A CN201811259543.XA CN201811259543A CN109726029A CN 109726029 A CN109726029 A CN 109726029A CN 201811259543 A CN201811259543 A CN 201811259543A CN 109726029 A CN109726029 A CN 109726029A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- system parameter
- vehicle
- sensor data
- vehicles
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000006243 chemical reaction Methods 0.000 title abstract description 4
- 238000004458 analytical method Methods 0.000 claims abstract description 118
- 238000004891 communication Methods 0.000 claims abstract description 78
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 50
- 238000013136 deep learning model Methods 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 42
- 238000013135 deep learning Methods 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 16
- 238000010168 coupling process Methods 0.000 claims description 16
- 238000005859 coupling reaction Methods 0.000 claims description 16
- 230000006399 behavior Effects 0.000 claims description 6
- 238000000465 moulding Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 claims 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims 1
- 235000003140 Panax quinquefolius Nutrition 0.000 claims 1
- 235000008434 ginseng Nutrition 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 42
- 230000002159 abnormal effect Effects 0.000 description 16
- 238000012423 maintenance Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010191 image analysis Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 208000032368 Device malfunction Diseases 0.000 description 1
- 240000001439 Opuntia Species 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000009418 renovation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 239000011800 void material Substances 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G07C5/0825—Indicating performance data, e.g. occurrence of a malfunction using optical means
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了利用图形转换时间数据的交通工具故障检测系统及方法。一种交通工具故障检测系统包括:至少一个传感器,被配置为与交通工具系统耦接;交通工具控制模块,耦接至至少一个传感器并且被配置为:从至少一个传感器接收数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个对应于被监测的交通工具系统的相应系统参数;生成数字传感器数据的至少一个时间序列的图形表示,以形成至少一个系统参数的分析图像;并且基于分析图像检测交通工具系统中的部件的异常行为;以及用户界面,耦接至交通工具控制模块,用户界面被配置为将交通工具系统中的部件的异常行为的指示呈现给操作人员。
Description
技术领域
示例性实施方式整体上涉及故障检测,并且具体地,涉及通过图形转换时间数据进行故障检测。
背景技术
通常,使用某种形式的统计分析执行诸如飞机等交通工具的故障检测。通常,数字传感器数据以传感器数据的时间序列获得并且被转换成数学形式,以使用例如基于机器学习的方案进行统计(或其他)处理。这些基于机器学习的方案从诸如传感器数据的时间序列等数据集提取被称为特征的统计测量值。特征的实例包括整个交通工具行程过程中的最小、最大、或平均参数值(在飞机处于整个飞行过程中的情况)。在一系列交通工具行程中比较特征值,以尝试识别交通工具部件故障之前的传感器数据时间序列的趋势。
通常,手动定义所分析的特征,但这非常耗时。进一步地,组成传感器数据的时间序列的数据集由数以万计的传感器值构成。利用传感器数据的时间序列的统计分析,整个数据集通常减少或概括成单个数字。因此,常规统计交通工具故障检测系统可以忽略大量的数据并且不能够捕获数据或数据固有的复杂模式的微妙变化(例如,可包括有关故障在交通工具部件之间的关系)。
发明内容
相应地,旨在解决上面识别的问题中的至少一个或多个问题的装置及方法将具有效用。
下面是根据本公开的主题的要求保护或未要求保护的实例的非穷尽列表。
根据本公开的主题的一个实例涉及一种交通工具故障检测系统,包括:至少一个传感器,被配置为与交通工具系统耦接;交通工具控制模块,耦接至至少一个传感器,交通工具控制模块被配置为:从至少一个传感器接收数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个对应于被监测的交通工具系统的相应系统参数;生成数字传感器数据的至少一个时间序列的图形表示,以形成至少一个系统参数的分析图像;并且基于指示一个系统参数的分析图像检测交通工具系统中的部件的异常行为;以及用户界面,耦接至交通工具控制模块,用户界面被配置为将交通工具系统中的部件的异常行为的指示呈现给操作人员。
根据本公开的主题的另一实例涉及一种交通工具故障检测系统,包括:存储器;至少一个传感器,耦接至存储器,至少一个传感器被配置为针对被监测的交通工具系统的相应系统参数生成数字传感器数据的至少一个时间序列;交通工具控制模块,耦接至存储器,交通工具控制模块被配置为将用于相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像,并且基于至少一个系统参数的分析图像,利用至少一个深度学习模型检测相应系统参数的异常行为;以及用户界面,耦接至交通工具控制模块,用户界面被配置为将相应系统参数的异常行为的指示呈现给操作人员。
根据本公开的主题的又一实例涉及一种用于交通工具故障检测的方法,该方法包括:针对被监测的交通工具系统的相应系统参数,利用耦接至交通工具系统的至少一个传感器生成数字传感器数据的至少一个时间序列;利用耦接至至少一个传感器的交通工具控制模块将用于相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像;基于至少一个系统参数的分析图像,利用交通工具控制模块的至少一个深度学习模型检测相应系统参数的异常行为;并且在耦接至交通工具控制模块的用户界面上显示相应系统参数的异常行为的指示。
附图说明
由此总体上描述了本公开的实施例,现将参考所附附图,所附附图不一定必须按比例绘制,并且其中,贯穿若干幅图,类似参考符号指定相同或相似部件,并且其中:
图1是根据本公开的各方面的交通工具故障检测系统的示意性框图;
图2是根据本公开的各方面的将数字传感器数据的时间序列转换成图像的示意性例图;
图3A至图3D是从数字传感器数据的一个或多个时间序列生成的示例性图像的例图,其中,每个图像包括根据本公开的各方面的不同数目的系统参数;
图4A至图4C是根据本公开的各方面的各个交通工具行程的示例性图像;
图5是根据本公开的各方面的将图4A中的图像划分成一个或多个时间子区的示例性例图;
图6A至图6C是根据本公开的各方面的在图4A至图4C及图5的图像内可能发生的事件的示例性图像;
图7A是根据本公开的各方面的深度学习模型的示意性例图;
图7B是根据本公开的各方面的深度学习模型的示意性例图;
图8是根据本公开的各方面的图7A中的深度学习模型的输出的示例性例图;
图9A是根据本公开的各方面的图7B中的深度学习模型的输出的示例性例图;
图9B是根据本公开的各方面的图7B中的深度学习模型的输出的示例性例图;
图9C是根据本公开的各方面的图7B中的深度学习模型的组合输出的示例性例图;
图10是根据本公开的各方面的用于训练深度学习模型的示例性流程图;
图11是根据本公开的各方面的用于确定交通工具系统中的故障的示例性流程图;
图12是根据本公开的各方面的图1中的交通工具的示例性例图;并且
图13是飞机生产与服务方法的示例性流程图。
具体实施方式
参考图1,本公开的各方面提供一种用于确定交通工具系统102的故障的系统199和方法1100(见图11),以避免将来自一个或多个交通工具100的传感器101的数字传感器数据的至少一个时间序列112TA-112Tn(例如,交通工具部件的数字表征)简化为用于统计或其他分析的数学形式的艰难挑战。本公开的各方面将来自交通工具100的数字传感器数据的至少一个时间序列112TA-112Tn(例如,诸如来自飞机的飞行数据等)转换成至少一个分析图像180。本公开的各方面对分析图像180应用任意合适的深度学习模型122M,以检测数字传感器数据的至少一个时间序列112TA-112Tn中的时间异常并且预测交通工具100部件102C故障的即将发生。例如,将来自交通工具100的数字传感器数据的至少一个时间序列112TA-112Tn转换成指示一个(静态)分析图像180。从数字传感器数据的至少一个时间序列112TA-112Tn的图形表示(以分析图像180实施)识别交通工具100部件102C故障之前的故障表征(signature)。本公开的各方面可以提供分析例如交通工具100行程170中的全部(或一个或多个)传感器读数的能力,来代替交通工具100行程170的常规统计总结(例如,诸如最小、最大、或平均系统参数值)。
本公开的各方面提供利用常规统计故障检测方法不可能实现的交通工具预测的创建,并且可以增加已有预测性维护解决方案(例如,维护时间进度等)的准确度。本公开的各方面可以提供待分析的整个交通工具100行程170(或至少其一部分),以找出常规(例如,统计)故障检测方法不能够检测的数字传感器数据的至少一个时间序列112TA-112Tn的异常。本公开的各方面可以提供根植于复杂的系统参数112A-112n关系中的异常的检测。本公开的各方面还可以消除对诸如利用常规统计故障检测方法完成的手动特征生成的需求。本公开的各方面还可以提供被识别为异常的行为的图片,以帮助维护人员和/或交通工具操作人员理解和/或认识通过此处描述的系统199和方法1100(参见图11)做出的故障预测189P。
下面提供根据本公开的主题的示出、非穷尽实施例,其可能要求保护或未要求保护。
仍参考图1并且还参考图12,仅出于示例性目的,将相对于诸如飞机100A等固定翼飞机描述交通工具故障检测系统199。然而,应当理解的是,交通工具故障检测系统199可以部署在任意合适的交通工具100中,包括但不限于太空交通工具、旋翼式飞机、固定翼飞机、更轻便的航空器、海上交通工具、以及机动车。一方面,交通工具100包括各自具有相应部件102C(例如,引擎及其部件、空气调节系统及其部件等)的一个或多个交通工具系统102。交通工具系统102可以包括推进系统1210、液压系统1228、电力系统1226、主起落架系统1220、以及前起落架系统1221。交通工具100还可以包括具有环境系统1252的内部1251。在其他方面,交通工具系统102还可以包括耦接至飞机100A的机身1240的一个或多个控制系统,诸如,例如,襟翼、阻流板、副翼、前缘缝翼、方向舵、升降舵、以及配平舵。
参考图1,交通工具故障检测系统199包括被配置为与交通工具系统102耦接的至少一个传感器101。交通工具控制模块110以任意合适的方式耦接至至少一个传感器101,诸如,通过任意合适的有线或无线连接。交通工具控制模块110可以是交通工具100上的任意合适的控制器或无线耦接至或硬接线至交通工具100的任意合适的控制器(例如,诸如交通工具维护控制器等)。交通工具控制模块110可以包括任意合适的存储器111与处理器120,配置有用于执行此处描述的本公开的各方面的任意合适的数据存储及非临时性计算机程序代码,其中,例如,至少一个传感器101耦接至存储器111,因此,来自至少一个传感器101的数据存储在此处描述的存储器111中。交通工具故障检测系统199还可以包括耦接至交通工具控制模块110的任意合适的用户界面125。用户界面125可以是交通工具100的显示器/界面或通过有线或无线连接耦接至交通工具100的显示器/界面。用户界面被配置为将交通工具系统102中的部件102C的异常行为189的指示(和/或一个或多个部件102C的相应系统参数112A-112n)呈现给交通工具100的操作人员。
至少一个传感器101被配置为针对被监测的交通工具系统102(或其部件102C)的相应系统参数112A-112n生成数字传感器数据的至少一个时间序列112TA-112Tn。交通工具控制模块110被配置为经由诸如有线或无线连接等从至少一个传感器101接收数字传感器数据的至少一个时间序列112TA-112Tn,因此,数字传感器数据的至少一个时间序列112TA-112Tn通过任意合适的方式存储在存储器111中。例如,存储器111可以被配置为:当接收数字传感器数据的至少一个时间序列112TA-112Tn时,在存储器内分类数字传感器数据的至少一个时间序列112TA-112Tn。通过一个或多个行程(excursion)170、通过部件102CA-102Cn及相应的系统参数112A-112n可以分类数字传感器数据的至少一个时间序列112TA-112Tn。如果通过行程170分类数字传感器数据的至少一个时间序列112TA-112Tn,则根据获得数字传感器数据的至少一个时间序列112TA-112Tn所在的行程170分类数字传感器数据的至少一个时间序列112TA-112Tn。如果通过部件102CA-102Cn分类数字传感器数据的至少一个时间序列112TA-112Tn,则通过获得数字传感器数据的至少一个时间序列112TA-112Tn所源自的部件102CA-102Cn分类数字传感器数据的至少一个时间序列112TA-112Tn。如果通过相应的系统参数112A-112n分类数字传感器数据的至少一个时间序列112TA-112Tn,则通过与数字传感器数据的至少一个时间序列112TA-112Tn对应的相应系统参数112A-112n(例如,数字传感器数据的至少一个时间序列112TA-112Tn中的至少一个(或每个)对应于被监测的交通工具系统102的相应系统参数112A-112n)分类数字传感器数据的至少一个时间序列112TA-112Tn。
参考图1和图2,交通工具控制模块110被配置为生成数字传感器数据的至少一个时间序列112TA-112Tn的图形表示,以形成至少一个系统参数112A-112n的至少一个分析图像180。例如,交通工具控制模块110的处理器120包括图像生成模块121,如图2中示出的,图像生成模块121将用于相应系统参数112A-112D的数字传感器数据的至少一个时间序列112TA-112TD转换成至少一个系统参数112A-112D的分析图像180A-180D、180CI。交通工具控制模块110(诸如处理器120的图像生成模块121等)被配置为从存储器111访问数字传感器数据的至少一个时间序列112TA-112Tn,其中,数字传感器数据的至少一个时间序列112TA-112Tn中的至少一个(或每个)对应于被监测的交通工具系统102的相应系统参数112A-112n。一方面,图像生成模块121被配置为生成各个相应系统参数112A-112D的分析图像180A-180D,其中,在各个分析图像180A-180D中执行此处描述的图像分析。另一方面,图像生成模块121被配置为将各个分析图像180A-180D组合成组合的分析图像180CI,因此,例如,系统参数112A-112D之间的关系(例如,从不同系统参数的状态变化产生的对一个系统参数的影响)通过图形表示或通过其他方式显示给交通工具100的操作人员。如此处描述的,交通工具控制模块110被配置为基于至少一个系统参数112A-112n的至少一个分析图像180识别一个以上的系统参数112A-112n之间的关系。例如,还参考图3A至图3D,组合的分析图像180CI可以是任意数目的单个分析图像的组合。仅示出示例性目的,图3A中示出的组合的分析图像180CI2是两个单独的分析图像的组合;图3B中示出的组合分析图像180CI4是四个单个分析图像的组合;图3C中示出的组合分析图像180CI7是七个单个分析图像的组合;并且图3D中示出的组合分析图像180CI10是十个单个分析图像的组合。尽管将组合分析图像180CI示出为包括两个、四个、七个、以及十个系统参数的图形表示,然而,在其他方面,可以将任意合适数目的单个分析图像180组合成单个组合的分析图像180CI。因此,数字传感器数据的一个以上时间序列112TA-112Tn共用至少一个系统参数112A-112n的至少一个分析图像180(诸如组合分析图像180CI等)。通过监测至少一个分析图像180中的系统参数112A-112n之间的模式可以识别系统参数112A-112n之间的关系。为了识别系统参数112A-112n之间的关系,以在各个图像180A-180D的Y轴具有固定值的方式通过图像生成模块121生成各个分析图像180A-180D,因此,分析图像(及此处描述的训练图像160)具有相同的Y轴标度,其中,Y轴表示传感器101的值并且X轴表示时间。
仍参考图1和图2并且还参考图4A至图6C,根据待分析的行程170的各部分可以生成至少一个分析图像180。例如,数字传感器数据的至少一个时间序列112TA-112Tn中的至少一个(或每个)对应于整个交通工具行程170,其中,图形表示对应于整个交通工具行程170的数字传感器数据的至少一个时间序列112TA-112Tn。在飞机的情况下,行程170是飞机从登机口至下机口的航程。一方面,如图4A至图4C中示出的,可以针对整个行程170A-170C生成分析图像180CIE1-180CIE3,其中,图4A至4C中呈现的相应分析图像180CIE1-180CIE3各自表示交通工具100的单次行程170A-170C的一个以上的系统参数112A-112D。此处,分析图像180CIE1-180CIE3(及此处描述的训练图像160)表示针对故障作为整体进行分析的整个航程。
一方面,针对一个或多个行程170A-170C的分析图像180CIE1-180CIE3可以从时间上细分成一个或多个部分。例如,图4A中的行程170A的分析图像180CIE1可以从时间上细分成三个增量500A、500B、500C(例如,时增量、飞行阶段、或任意其他预定的时间划分)。此处,从时间上细分分析图像180CIE1-180CIE3提供了相应行程170A-170C的特定部分的分析,从而可以提供比整个航程的分析更多的故障检测细节,以充分排除异常检测时的误检。例如,将短的持续时间飞行的分析图像与长的持续时间飞行的分析图像进行比较时(或反之亦然),可能发生误检异常检测,其中,细分分析图像(及此处描述的训练图像160)提供了减少误检异常检测次数的更加精细的图像分析。
另一方面,如在图6A至图6C中看到的,可以生成至少一个分析图像180CIP1-180CIP3(及此处描述的训练图像160),以在预定的事件600之前和/或之后捕获任意合适的预定时间段610A、610B。一方面,预定的时间段610A、610B可以是关于事件600之前和/或之后的两分钟,而在其他方面,预定的时间段可以为多于或少于约两分钟。在又一些其他方面,事件600之前的预定时间段610A可以不同于事件600之后的预定时间段。例如,系统参数112A可以是阀的状态(例如,打开或关闭)并且事件600可以是环境系统1252内的阀的开启与关闭。系统参数112B可以是环境系统1252的温度。此处,可以看出,分析图像180CIP1、180CIP2大致相似,而分析图像180CIP3中的系统参数112B不同,其可指示系统参数112B中的故障。如上所述,分析图像180CIP1、180CIP2可以指示系统参数112A、112B之间的关系,其中,系统参数112B从图形上响应于如图6A和图6B中示出的系统参数112A的状态变化。图6C中的系统参数112B的曲线的不同形状可能偏离了如图6A和图6B中示出的系统参数112A、112B之间的关系并且可以指示与系统参数112B对应的部件102C中的故障(见图1)。
仍参考图1,交通工具控制模块110被配置为基于至少一个系统参数112A-112n的至少一个分析图像180检测交通工具系统102中的部件102C的异常行为。例如,交通工具控制模块110的处理器120包括深度学习模块122,深度学习模块122被配置为基于至少一个系统参数112A-112n的至少一个分析图像180利用至少一个深度学习模型122M检测相应系统参数112A-112n的异常行为。一方面,还参考图7A和图7B,至少一个深度学习模型122M包括多于一个深度学习模型122MA、122MB,被配置为检测交通工具系统102中的部件102C的异常行为。此处,示出了两个深度学习模型122MA、122MB,但是,在其他方面,深度学习模块122可以包括任意数目的深度学习模型122MA-122Mn。作为实施例,深度学习模块122可以包括卷积神经网络深度学习模型122MA和/或堆叠式自动编码器深度学习模型122MB或任意其他合适的深度学习模型。其中,深度学习模块122包括多于一个深度学习模型122MA-122Mn(无论诸如例如多于一个的卷积神经网络或多于一个的堆叠式自动编码器等相同类型的深度学习模型;或诸如例如卷积神经网络与堆叠式自动编码器的组合等不同类型的深度学习模型),深度学习模块122可以被配置为根据相应预定的交通工具操作条件190选择深度学习模型122M,以用于至少一个分析图像180的分析。一方面,相应预定的交通工具操作条件190包括行程(例如,在飞机的情况下,航程)持续时间190A与天气条件190B中的一个或多个。
参考图1和图10,在分析至少一个分析图像180之前,通过交通工具控制模块110(诸如通过处理器120等)训练至少一个深度学习模型122M。例如,交通工具控制模块110被配置为从至少一个历史交通工具行程170H接收或通过其他方式获得数字传感器数据的至少一个历史时间序列150(图10中,框图1000),其中,数字传感器数据的至少一个历史时间序列150对应于被监测的交通工具系统102的相应系统参数112A-112n。对于同一交通工具或具有相似特性的多个不同的交通工具,例如,具有相同构造和模型的多个不同飞机,至少一个历史交通工具行程170H可以是一个或多个历史行程170H。来自至少一个历史交通工具行程170H的数字传感器数据的至少一个历史时间序列150可以存储在通过交通工具控制模块110可访问的存储器111或任意其他合适的位置。
图像生成模块121被配置为针对相应的历史交通工具行程170H生成数字传感器数据的至少一个历史时间序列150的图形表示(图10中,框图1010),以形成被监测的至少一个系统参数112A-112n的至少一个训练图像160。如上面参考图2、图3A至图3D、图4A至图4C、图5、以及图6A至图6C描述的,图像生成模块121通过与生成至少一个分析图像180的相同方式生成至少一个训练图像160,再次注意,至少一个训练图像160的Y轴(例如,传感器值)具有与至少一个分析图像180的Y轴相同的标度(例如,传感器值)。因此,通过上述所述方式,来自至少一个历史交通工具行程170H的数字传感器数据的多于一个的历史时间序列150共用至少一个系统参数112A、112n的至少一个训练图像160(其中,将各个训练图像组合成组合的训练图像)。
至少一个历史行程170H与相应的数字传感器数据的至少一个历史时间序列150的历史性质提供了关于数字传感器数据的至少一个历史时间序列150和/或相应的历史行程170H是异常还是正常的信息。此处使用的术语“异常”指传感器数据和/或行程表现出与正常操作行为的偏离,即,(如果持久)指示退化的交通工具系统102部件102C性能及被监测的交通工具系统102中的部件102C的故障/失效的先驱信号。此处使用的术语“正常”指传感器数据和/或行程表现出被监测的交通工具系统102中的部件102C的正常操作特性(例如,无故障/无失效)。使用数字传感器数据的至少一个历史时间序列150是异常还是正常的知识,交通工具控制模块110被配置为将相应历史交通工具行程的至少一个系统参数112A、112n的至少一个训练图像160(图10中,框图1020)加标签为异常161(例如,异常训练图像)或正常162(例如,正常训练图像)中的一种。
参考图1、图7A、图7B、以及图10,交通工具控制模块110训练至少一个深度学习模型122M(图10中,框图1030)。例如,为了训练卷积神经网络深度学习模型122MA,交通工具控制模块110对卷积神经网络深度学习模型122MA应用加标签的至少一个训练图像160。卷积神经网络深度学习模型122MA扫描各个加标签的至少一个训练图像160并且识别相似的像素组。卷积神经网络深度学习模型122MA基于相似的像素组进行学习,以识别异常161训练图像和正常162训练图像。作为另一实施例,为了训练堆叠式自动编码器深度学习模型122MB,交通工具控制模块110采用堆叠式自动编码器深度学习模型122MB解构或重构至少一个训练图像160。一旦模型被训练,则能够解构分析图像180并且然后通过模型重构。原始分析图像180与相应重构的分析图像之间的误差量识别至少一个分析图像180是异常还是正常。例如,如果至少一个分析图像180表示正常飞行(与异常相反),则重构的分析图像与相应的原始分析图像180之间的误差越低,相应原始分析图像180为正常的可能性越大。另一方面,如果至少一个分析图像180表示异常飞行(与正常相反),则重构的分析图像与相应的原始分析图像180之间的误差越大,相应的原始分析图像180为异常的可能性越大。可以针对至少一个分析图像180建立误差阈值,因此,当重构的分析图像的误差超过阈值时,相应的分析图像180被标记或通过其他方式识别为指示交通工具系统102中的部件102C的将发生的故障。
参考图1和图11,交通工具控制模块110被配置为基于交通工具系统102中的部件102C的异常行为预测交通工具系统102中的部件102C的故障。例如,在各个交通工具行程170中,被监测的交通工具系统102中的部件102C的至少一个传感器101生成数字传感器数据的至少一个时间序列112TA-112Tn(图11中,框图1110)。在交通工具行程170之前、之后、和/或过程中,通过图像生成模块121可以使用从交通工具系统102中的部件102C的至少一个传感器101接收的数字传感器数据的至少一个时间序列112TA-112Tn,其中,通过上述所述方式将数字传感器数据的至少一个时间序列112TA-112Tn转换成至少一个分析图像180(图11中,框图1120)。交通工具控制模块110采用深度学习模块122中的至少一个深度学习模型122M,以基于指示一个系统参数112A-112n的至少一个分析图像180检测相应系统参数112A-112n的异常行为(图11中,框图1130)。例如,卷积神经网络深度学习模型122MA(见图7A)将至少一个分析图像180与从至少一个训练图像160的异常161和正常162学习的知识比较,以确定至少一个分析图像180是否指示被监测的交通工具系统102中的部件102C的即将发生的故障/失效。作为另一实施例,堆叠式自动编码器深度学习模型122MB(见图7B)解构至少一个分析图像180并且然后重构被解构的至少一个分析图像180,以确定至少一个分析图像180的原始版本与重构版本之间的重构输入误差。如果重构输入误差在例如预定的阈值以上(例如,约50%的误差或多于或少于约50%的误差),诸如通过交通工具控制模块110确定至少一个分析图像180,以指示被监测的交通工具系统102中的部件102C的即将发生的故障/失灵。
参考图1、图7A、以及图8,在多次不同行程170,针对交通工具系统102中的部件102C,示出了图7A中的卷积神经网络深度学习模型122MA的示例性输出(例如,针对部件102C,从至少一个系统参数112A-112n的数字传感器数据的至少一个时间序列112TA-112Tn生成),其中,每个垂直条表示整个行程170。此处,通过卷积神经网络深度学习模型122MA将沿着Y轴的正值分类为正常,而通过卷积神经网络深度学习模型122MA将沿着Y轴的负值分类为异常/故障。如上所述,卷积神经网络深度学习模型122MA将各个行程170分类成正常或异常,因此,通过用户界面125可以将诸如图8中示出的图示等历史图示呈现给操作人员。考虑从约行程号1至约行程号10的行程,卷积神经网络深度学习模型122MA的输出指示分析图像180开始在约行程5时偏离原始分析图像180NRM并且表现出异常分析图像180ABN的特性(注意,原始分析图像180NRM与异常分析图像180ABN中的系统参数112B之间的差异)。基于从约行程6至约行程9时的分析图像180的重复负值,交通工具控制模块110可以预测如在约行程10时发生的、图8中示出的部件102C中的故障/失效。交通工具控制模块110可以被配置为致使用户界面125在用户界面125上向操作人员呈现/显示卷积神经网络深度学习模型122MA的输出(图11,框图1140),作为部件102C中的异常行为189的指示,以用于故障/失效的预测189P,其中,当在深度学习模型输出中示出部件102C的退化性能时,操作人员可以在部件102C发生故障/失效之前对部件102C执行预防性维护(图11,框图1150)。
参考图1、图7B、以及图9A至图9C,针对交通工具系统102中的部件102C,在多次不同行程170,示出了图7B中的堆叠式自动编码器深度学习模型122MB的示例性输出(例如,针对部件102C,从至少一个系统参数112A-112n的数字传感器数据的至少一个时间序列112TA-112Tn生成)。在图9A中,每个垂直条表示整个行程。在图9B中,每个垂直条表示行程的选择部分(例如,所选择的飞行阶段,诸如上升时的动力等)。图9C示出了图9A与图9B的组合,其中,产生的图示可以排除由短的飞行引起的误检。
从图9A中可以看出,关于飞行的更大的重构输入误差可以指示对应部件102C中的即将发生的故障。此处,仅出于示例性目的,约100以上的重构输入误差值(在其他方面,可以使用任意合适的重构输入误差值)可以指示即将发生的故障,因此,超过约100的重构输入误差值的多次持续行程170(例如,参见从约行程号56至约行程号67的行程与从约行程号96至约行程号99的行程)预示着部件102C的故障/失灵(见约行程号67和99时的部件故障)。然而,存在行程由于其自身行程的特性(例如,行程持续时间或行程的一部分的持续时间)而指示故障的实例。例如,将图9A中的约行程号35时指示的行程示出为重构输入误差(例如,具有约200的重构输入误差)时的峰值(例如,大增加量),然而,行程的进一步分析(如下面参考图9B描述的)指示图示中所示的重构输入误差的峰值来自于与图示中所示的其他行程相比较具有短的持续时间的行程(例如,注意,峰值之前和之后的多次行程位于约100的重构输入误差值以下;还参见约行程号74时示出的行程,由于长的尾翼飞行阶段,表现出超过约100的重构输入误差值)。
为了确定整个行程的重构输入误差的峰值是否为误检,可以通过参考例如图5描述的方式将行程细分成飞行阶段。图9B是来自上升动力的交通工具100的选择行程(在这种情况下,是飞行)阶段的重构输入误差的图形例图。基于所选择的飞行阶段的图像分析,可以看出,在图9B中,与图9A中的约行程号35和74时的垂直条对应的行程是正常行程。还可以看出,在图9B中,与图9A中的行程号约67和99时的垂直条对应的行程被确认为指示部件102C故障/失灵的异常行程。
如上所述,能够将图9A和图9B中示出的图表组合成图9C中示出的单个图表,从而可以排除误检故障指示。例如,参考图9C中的图表区域A和B,可以看出,整个航程的图像分析伴随有飞行阶段分析,其指示相应行程号的相应重构输入误差之间的较大差异。对于同一行程号,整个航程的图像分析与飞行阶段图像分析之间的较大差异指示表示故障/失灵的误检。另一方面,参考图9C中的图表区域C和D,如果整个航程的图像分析与飞行阶段的图像分析之间的重构输入误差大致吻合(例如,值在例如约100以上,可以是指示故障/失灵的阈值),图表则指示/预示部件102C的故障/失灵。
通过与上面参考卷积神经网络深度学习模型122MA描述的方式相似的方式(见图7A),交通工具控制模块110可以被配置为使用户界面125在用户界面125上向操作人员呈现/显示堆叠式自动编码器深度学习模型122MB(图7B)的输出(例如,图9A至图9C中示出的一个或多个图表)(图11中,框图1140),作为部件102C中的异常行为189的指示,以用于故障的预测189P,其中,当在深度学习模型输出中示出部件102C的退化性能时,操作人员可以在部件102C发生故障/失灵之前对部件102C执行预测性维护(图11中,框图1150)。
参考图1,在交通工具100启动时和/或在交通工具100的任意合适的具体操作之前(例如,抛锚、空间站对接、操作交通工具的机械臂等),交通工具控制模块110可以执行上述所述故障检测和故障预测分析。在其他方面,交通工具控制模块110可以在交通工具100关闭时执行上述所述故障检测和故障预测分析。例如,交通工具故障检测系统199可以包括与交通工具控制模块110以及一个或多个交通工具系统102耦接的交通工具联锁197。交通工具联锁197被配置为基于指示部件102C故障/失灵的异常行为的检测阻止交通工具100的操作(与联锁197耦接的交通工具系统102对应)。此处,如果交通工具控制模块110检测交通工具系统102中的部件102C的异常行为,联锁197则可以阻止交通工具系统部件102C的操作。例如,如果检测到太空船(包括此处描述的故障检测系统199)的机械臂的异常行为,交通工具联锁197则可以阻止机械臂的操作,以允许预测性维护的性能。在其他方面,当通过交通工具故障检测系统199检测交通工具系统102中的部件102C的异常行为时,交通工具联锁197可以被配置为提供交通工具部件102C的限制性/约束性使用。
参考图12和图13,可以在图13所示的飞机制造与服务方法1300的上下文中描述本公开的实施例。在其他方面,可以在任意合适的工业中应用本公开的实施例,诸如,上述所述汽车、海上、航空等。参考飞机制造,在预生产过程中,示出性方法1300可以包括飞机100A的规格与设计(框图1310)及材料采购(框图1320)。在生产过程中,进行飞机100A的部件与子组件制造(框图1330)及系统集成(框图1340)。之后,飞机100A进行认证与交付(框图1350),以投入使用(框图1360)。在使用时,可以安排飞机100A进行例行维护与维修(框图1370)。例行维护与维修可以包括飞机100A的一个或多个系统的改造、翻新、整新等,包括和/或便于此处描述的故障确定。
通过系统集成商、第三方、和/或运营商(例如,客户)可以执行或完成示出性方法1300的各个过程。出于该描述之目的,系统集成商可以包括但不限于任意数目的飞机制造商和主系统承包商;第三方可以包括但不限于任意数目的零售商、承包商、以及供应商;并且运营商可以是航空公司、租赁公司、军事实体、服务机构等。
在制造与服务方法1300的任意一个或多个阶段过程中,可以采用此处示出或描述的装置、系统、以及方法。例如,可以通过与飞机100A投入使用时(框图1360)生产的部件或子组件相似的方式制作或制造与部件和子组件制造对应的部件或子组件(框图1330)。相似地,例如但不限于,在飞机100A投入使用(框图1360)和/或维护与维修过程中(框图1370),可以利用装置或方法实现、或其组合的一个或多个实施例。
根据本公开的各方面提供下列内容:
A1.一种交通工具故障检测系统,包括:
至少一个传感器,被配置为与交通工具系统耦接;
交通工具控制模块,耦接至所述至少一个传感器,交通工具控制模块被配置为:
从至少一个传感器接收数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于被监测的交通工具系统的相应系统参数;
生成数字传感器数据的至少一个时间序列的图形表示,以形成至少一个系统参数的分析图像;并且
基于至少一个系统参数的分析图像检测交通工具系统中的部件的异常行为;以及
用户界面,耦接至交通工具控制模块,用户界面被配置为将交通工具系统的部件的异常行为的指示呈现给操作人员。
A2.根据段落A1所述的交通工具故障检测系统,其中,交通工具是机动车、海上交通工具以及航空交通工具中的一种。
A3.根据段落A1所述的交通工具故障检测系统,其中,交通工具是飞机。
A4.根据段落A1所述的交通工具故障检测系统,其中,数字传感器数据的多于一个的时间序列共用至少一个系统参数的分析图像。
A5.根据段落A1所述的交通工具故障检测系统,其中,交通工具控制模块包括深度学习模块,深度学习模块包括被配置为检测交通工具系统中的部件的异常行为的至少一个深度学习模型。
A6.根据段落A5所述的交通工具故障检测系统,其中,至少一个深度学习模型包括多于一个深度学习模型,多于一个深度学习模型被配置为根据相应的预定交通工具操作条件检测交通工具系统中的部件的异常行为。
A7.根据段落A6所述的交通工具故障检测系统,其中,相应的预定交通工具操作条件包括飞行持续时间和天气条件中的一个或多个。
A8.根据段落A5所述的交通工具故障检测系统,其中,交通工具控制模块被配置为通过下列操作训练至少一个深度学习模型:
从至少一个历史交通工具行程接收数字传感器数据的至少一个历史时间序列,数字传感器数据的至少一个历史时间序列对应于被监测的交通工具系统的相应系统参数;
针对相应的历史交通工具行程生成数字传感器数据的至少一个历史时间序列的图形表示,以形成至少一个系统参数的训练图像;并且
将用于相应的历史交通工具行程的至少一个系统参数的训练图像加标签为异常或正常中的一种。
A9.根据段落A8所述的交通工具故障检测系统,其中,来自至少一个历史交通工具行程的数字传感器数据的多于一个历史时间序列共用至少一个系统参数的训练图像。
A10.根据段落A8所述的交通工具故障检测系统,其中,至少一个历史交通工具行程中的至少一个(或每个)是交通工具的航程。
A11.根据段落A5所述的交通工具故障检测系统,其中,至少一个深度学习模型包括卷积神经网络。
A12.根据段落A5所述的交通工具故障检测系统,其中,至少一个深度学习模型包括堆叠式自动编码器。
A13.根据段落A1所述的交通工具故障检测系统,其中,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于整个交通工具行程,其中,图形表示对应于整个交通工具行程的数字传感器数据的至少一个时间序列。
A14.根据段落A1所述的交通工具故障检测系统,其中,交通工具控制模块被配置为基于指示一个系统参数的分析图像识别多于一个的系统参数之间的关系。
A15.根据段落A1所述的交通工具故障检测系统,进一步包括与交通工具控制模块耦接的交通工具联锁,交通工具联锁被配置为基于异常行为的检测阻止交通工具的操作。
A16.根据段落A1所述的交通工具故障检测系统,其中,交通工具控制模块被进一步配置为基于交通工具系统中的部件的异常行为预测交通工具系统中的部件的故障,并且用户界面被进一步配置为向操作人员呈现预测的故障。
B1.一种交通工具故障检测系统,包括:
存储器;
至少一个传感器,耦接至存储器,至少一个传感器被配置为针对被监测的交通工具系统的相应系统参数生成数字传感器数据的至少一个时间序列;
交通工具控制模块,耦接至存储器,交通工具控制模块被配置为将相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像,并且基于至少一个系统参数的分析图像,利用至少一个深度学习模型检测相应系统参数的异常行为;以及
用户界面,耦接至交通工具控制模块,用户界面被配置为将相应系统参数的异常行为的指示呈现给操作人员。
B2.根据段落B1所述的交通工具故障检测系统,其中,交通工具控制模块被配置为从存储器访问数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于被监测的交通工具系统的相应系统参数。
B3.根据段落B1所述的交通工具故障检测系统,其中,交通工具是机动车、海上交通工具以及航空交通工具中的一种。
B4.根据段落B1所述的交通工具故障检测系统,其中,交通工具是飞机。
B5.根据段落B1所述的交通工具故障检测系统,其中,数字传感器数据的多于一个时间序列共用至少一个系统参数的分析图像。
B6.根据段落B1所述的交通工具故障检测系统,其中,交通工具控制模块包括含至少一个深度学习模型的深度学习模块。
B7.根据段落B1所述的交通工具故障检测系统,其中,至少一个深度学习模型包括多于一个深度学习模型,多于一个深度学习模型被配置为根据相应预定的交通工具操作条件检测交通工具系统中的部件的异常行为。
B8.根据段落B7所述的交通工具故障检测系统,其中,相应的预定交通工具操作条件包括飞行持续时间和天气条件中的一个或多个。
B9.根据段落B1所述的交通工具故障检测系统,其中,交通工具控制模块被配置为通过下列操作训练至少一个深度学习模型:
从至少一个历史交通工具行程接收数字传感器数据的至少一个历史时间序列,数字传感器数据的至少一个历史时间序列对应于被监测的交通工具系统的相应系统参数;
针对相应的历史交通工具行程生成数字传感器数据的至少一个历史时间序列的图形表示,以形成至少一个系统参数的训练图像;并且
将相应的历史交通工具行程的至少一个系统参数的训练图像加标签为异常或正常中的一种。
B10.根据段落B9所述的交通工具故障检测系统,其中,来自至少一个历史交通工具行程的数字传感器数据的多于一个的历史时间序列共用至少一个系统参数的训练图像。
B11.根据段落B9所述的交通工具故障检测系统,其中,至少一个历史交通工具行程中的至少一个(或每个)是交通工具的航程。
B12.根据段落B1所述的交通工具故障检测系统,其中,至少一个深度学习模型包括卷积神经网络。
B13.根据段落B1所述的交通工具故障检测系统,其中,至少一个深度学习模型包括堆叠式自动编码器。
B14.根据段落B1所述的交通工具故障检测系统,其中,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于整个交通工具行程并且分析图像对应于整个交通工具行程的数字传感器数据的至少一个时间序列。
B15.根据段落B1所述的交通工具故障检测系统,其中,交通工具控制模块被配置为基于至少一个系统参数的分析图像识别多于一个的系统参数之间的关系。
B16.根据段落B1所述的交通工具故障检测系统,进一步包括与交通工具控制模块耦接的交通工具联锁,交通工具联锁被配置为基于异常行为的检测阻止交通工具的操作。
B17.根据段落B1所述的交通工具故障检测系统,其中,交通工具控制模块被进一步配置为基于相应系统参数的异常行为预测交通工具系统中的部件的故障,并且用户界面被进一步配置为向操作人员呈现预测的故障。
C1.一种用于交通工具故障检测的方法,方法包括:
针对被监测的交通工具系统的相应系统参数,利用耦接至交通工具系统的至少一个传感器生成数字传感器数据的至少一个时间序列;
利用耦接至至少一个传感器的交通工具控制模块将相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像;
基于至少一个系统参数的分析图像,利用交通工具控制模块的至少一个深度学习模型检测相应系统参数的异常行为;并且
在耦接至交通工具控制模块的用户界面上显示相应系统参数的异常行为的指示。
C2.根据段落C1所述的方法,其中,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于被监测的交通工具系统的相应系统参数。
C3.根据段落C1所述的方法,其中,交通工具是机动车、海上交通工具以及航空交通工具中的一种。
C4.根据段落C1所述的方法,其中,交通工具是飞机。
C5.根据段落C1所述的方法,其中,数字传感器数据的多于一个的时间序列共用至少一个系统参数的分析图像。
C6.根据段落C1所述的方法,其中,至少一个深度学习模型包括与不同的预定交通工具操作条件对应的相应深度学习模型,并且根据预定的交通工具操作条件,利用相应的深度学习模型检测交通工具系统中的部件的异常行为。
C7.根据段落C6所述的方法,其中,相应的预定交通工具操作条件包括飞行持续时间和天气条件中的一种或多种。
C8.根据段落C1所述的方法,进一步包括通过下列操作利用交通工具控制训练至少一个深度学习模型:
从至少一个历史交通工具行程接收数字传感器数据的至少一个历史时间序列,数字传感器数据的至少一个历史时间序列对应于被监测的交通工具系统的相应系统参数;
针对相应的历史交通工具行程生成数字传感器数据的至少一个历史时间序列的图形表示,以形成至少一个系统参数的训练图像;并且
将用于相应的历史交通工具行程的至少一个系统参数的训练图像加标签为异常或正常中的一种。
C9.根据段落C8所述的方法,其中,来自至少一个历史交通工具行程的数字传感器数据的多于一个的历史时间序列共用至少一个系统参数的训练图像。
C10.根据段落C8所述的方法,其中,至少一个历史交通工具行程中的至少一个(或每个)是交通工具的航程。
C11.根据段落C1所述的方法,其中,至少一个深度学习模型包括卷积神经网络。
C12.根据段落C1所述的方法,其中,至少一个深度学习模型包括堆叠式自动编码器。
C13.根据段落C1所述的方法,其中,数字传感器数据的至少一个时间序列中的至少一个(或每个)对应于整个交通工具行程,并且分析图像对应于整个交通工具行程的数字传感器数据的至少一个时间序列。
C14.根据段落C1所述的方法,进一步包括:基于至少一个系统参数的分析图像,利用交通工具控制模块识别多于一个的系统参数之间的关系。
C15.根据段落C1所述的方法,进一步包括:基于异常行为的检测,利用与交通工具控制模块耦接的交通工具联锁阻止交通工具的操作。
C16.根据段落C1所述的方法,进一步包括:
基于相应系统参数的异常行为,利用交通工具控制模块预测交通工具系统中的部件的故障;并且
在用户界面上显示预测的故障。
在图中,参考上述内容,连接的各个构件和/或部件实线(如有)可以表示机械、电、流体、光学、电磁、无线、及其他耦接和/或其组合。如此处使用的,“耦接”指直接以及间接相关联。例如,元件A可以与元件B直接相关联、或例如经由另一元件C与其间接相关联。应当理解的是,并非一定必须表示各个所描述的构件之间的全部关系。相应地,还可以存在除附图中描述的这些之外的耦接。连接指定各个元件和/或部件的框图的虚线(如有)表示在功能和目的上与由实线表示的相似的耦接;然而,可以选择性地提供由虚线表示的耦接或由虚线表示的耦接可以与本公开的替代实施例有关。同样,由虚线表示的构件和/或部件(如有)指示本公开的替代实施例。在不背离本公开的范围的情况下,具体实施例中可以省去以实线和/或虚线表示的一个或多个构件。以点线表示环境构件(如有)。出于清晰,还示出了虚拟(虚构)构件。本领域技术人员应当认识到,即使此处未明确示出该一种或多种组合,然而,图中示出的一些特征可以通过各种方式组合,而不需要包括图、其他绘制的图、和/或所附公开中描述的其他特征。相似地,附加特征并不局限于所呈现的实施例、可以与此处示出和描述的一些或全部特征组合。
在图10、图11、以及图13中,参考上述内容,框图可以表示其操作和/或部分并且连接各个框图的线并不默示其操作或部分的任何具体顺序或从属关系。由虚线表示的框图指示其可替代的操作和/或部分。连接各个框图的虚线(如有)表示其操作或部分的替代从属关系。应当理解的是,并非一定必须表示各个公开的操作之间的全部从属关系。图10、图11、以及图13、及描述此处阐述的方法中的操作的所附公开不应被解释为必须确定执行操作的序列。确切地,尽管指出了一个示出性顺序,然而,应当理解的是,如果适当,可以修改操作的序列。相应地,可以按照不同的顺序或大致同时执行特定的操作。此外,本领域技术人员应当认识到,不需要执行所描述的全部操作。
在下列描述中,多个具体细节被设定为提供对所公开构思(没有这些具体细节中的一些或全部细节,可以实现)的全面理解。在其他实例中,为避免不必要地模糊本公开,已经省去了已知设备和/或过程的细节。尽管结合具体实施例描述了一些构思,然而,应当理解的是,这些实施例并不旨在限制。
除非另有指示,否则,此处使用的术语“第一”、“第二”等仅为标签,并且并不旨在对这些术语参考的各项施加顺序、位置、或等级要求。而且,例如,引用“第二”项并不要求或排除存在例如“第一”或降序编码项和/或例如“第三”或升序编码项。
此处引用“一个实施例”指结合至少一个实现方式中包括的实施例所描述的一个或多个特征、结构、或特性。本说明书中的各个地方的短语“一个实施例”可以或不可以指同一实施例。
如此处使用的,在无任何更该的情况下,“被配置为”执行具体功能的系统、装置、结构、制品、构件、部件、或硬件确实能够制定具体的功能,而非在进一步改造之后仅具有执行具体功能的潜能。换言之,出于执行具体功能之目的而具体选择、创建、实现、利用、编程、和/或指定“被配置为”执行具体功能的系统、装置、结构、制品、构件、部件、或硬件。如此处使用的,“被配置为”表示能够使得系统、装置、结构、制品、构件、部件、或硬件执行具体功能、而无进一步改造的系统、装置、结构、制品、构件、部件、或硬件的现有特性。出于本公开之目的,被描述为“被配置为”执行具体功能的系统、装置、结构、制品、构件、部件、或硬件可以额外或替代地描述为“适配成”和/或“可操作为”执行该功能。
此处公开的装置与方法的不同实施例包括各种部件、特征、以及功能。应当理解的是,此处公开的装置、系统、以及方法的各个实施例可以包括此处公开的任意组合中的装置与方法的任意其他实施例的任意部件、特征、以及功能,并且该全部可能性旨在落在本公开的范围内。
本公开所属领域技术人员应当认识到,此处阐述的实施例的许多改造具有上述描述及相关联附图中呈现的教导的益处。
进一步地,本公开包括根据下列条款的实施方式:
第1项.一种交通工具故障检测系统,包括:
至少一个传感器,被配置为与交通工具系统耦接;
交通工具控制模块,耦接至至少一个传感器,交通工具控制模块被配置为:
从至少一个传感器接收数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个对应于被监测的交通工具系统(102)的相应系统参数;
生成数字传感器数据的至少一个时间序列的图形表示,以形成至少一个系统参数的分析图像;并且
基于至少一个系统参数的分析图像检测交通工具系统中的部件的异常行为;以及
用户界面,耦接至交通工具控制模块,用户界面被配置为将交通工具系统的部件的异常行为的指示呈现给操作人员。
第2项.根据第1项所述的交通工具故障检测系统,其中,交通工具是机动车、海上交通工具、以及航空交通工具中的一种。
第3项.根据第1项和第2项中任一项所述的交通工具故障检测系统,其中,数字传感器数据的多于一个的时间序列共用至少一个系统参数的分析图像。
第4项.根据第1项至第3项中任一项所述的交通工具故障检测系统,其中,交通工具控制模块包括深度学习模块,深度学习模块包括被配置为检测交通工具系统中的部件的异常行为的至少一个深度学习模型。
第5项.根据第4项所述的交通工具故障检测系统,其中,至少一个深度学习模型包括多于一个深度学习模型,多于一个深度学习模型被配置为根据相应预定的交通工具操作条件检测交通工具系统中的部件的异常行为。
第6项.根据第1项至第5项中任一项所述的交通工具故障检测系统,其中,交通工具控制模块被配置为基于至少一个系统参数的分析图像,识别多于一个的系统参数之间的关系。
第7项.一种交通工具故障检测系统,包括:
存储器;
至少一个传感器,耦接至存储器,至少一个传感器被配置为针对被监测的交通工具系统的相应系统参数生成数字传感器数据的至少一个时间序列;
交通工具控制模块,耦接至存储器,交通工具控制模块被配置为将用于相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像,并且基于至少一个系统参数的分析图像,利用至少一个深度学习模型检测相应系统参数的异常行为;以及
用户界面,耦接至交通工具控制模块,用户界面被配置为将相应系统参数的异常行为的指示呈现给操作人员。
第8项.根据第7项所述的交通工具故障检测系统,其中,交通工具控制模块被配置为从存储器访问数字传感器数据的至少一个时间序列,数字传感器数据的至少一个时间序列中的至少一个对应于被监测的交通工具系统的相应系统参数。
第9项.根据第7项和第8项中任一项所述的交通工具故障检测系统,其中,至少一个深度学习模型包括多于一个的深度学习模型,多于一个的深度学习模型被配置为根据相应预定的交通工具操作条件检测交通工具系统中的部件的异常行为。
第10项.根据第7项至第9项中任一项所述的交通工具故障检测系统,其中,交通工具控制模块被配置为通过下列操作训练至少一个深度学习模型:
从至少一个历史交通工具行程接收数字传感器数据的至少一个历史时间序列,数字传感器数据的至少一个历史时间序列对应于被监测的交通工具系统的相应系统参数;
针对相应的历史交通工具行程生成数字传感器数据的至少一个历史时间序列的图形表示,以形成至少一个系统参数的训练图像;并且
将用于相应的历史交通工具行程的至少一个系统参数的训练图像加标签为异常或正常中的一种。
第11项.根据第10项所述的交通工具故障检测系统,其中,来自至少一个历史交通工具行程的数字传感器数据的多于一个的历史时间序列共用至少一个系统参数的训练图像。
第12项.根据第10项和第11项中任一项所述的交通工具故障检测系统,其中,至少一个历史交通工具行程中的至少一个是交通工具的航程。
第13项.根据第7项至第12项中任一项所述的交通工具故障检测系统,其中,至少一个深度学习模型包括卷积神经网络。
第14项.根据第7项至第13项中任一项所述的交通工具故障检测系统,其中,至少一个深度学习模型包括堆叠式自动编码器。
第15项.根据第7项至第14项中任一项所述的交通工具故障检测系统,进一步包括与交通工具控制模块耦接的交通工具联锁,交通工具联锁被配置为基于异常行为的检测阻止交通工具的操作。
第16项.一种用于交通工具故障检测的方法,方法包括:
针对被监测的交通工具系统的相应系统参数,利用耦接至交通工具系统的至少一个传感器生成数字传感器数据的至少一个时间序列;
利用耦接至至少一个传感器的交通工具控制模块将用于相应系统参数的数字传感器数据的至少一个时间序列转换成至少一个系统参数的分析图像;
基于至少一个系统参数的分析图像,利用交通工具控制模块的至少一个深度学习模型检测相应系统参数的异常行为;并且
在耦接至交通工具控制模块的用户界面上显示相应系统参数的异常行为的指示。
第17项.根据第16项所述的方法,其中,数字传感器数据的至少一个时间序列中的至少一个对应于被监测的交通工具系统的相应系统参数。
第18项.根据第16项至第17项中任一项所述的方法,其中,数字传感器数据的多于一个时间序列共用至少一个系统参数的分析图像。
第19项.根据第16项至第18项中任一项所述的方法,其中,至少一个深度学习模型包括与不同的预定交通工具操作条件对应的相应深度学习模型,并且根据预定的交通工具操作条件,利用相应的深度学习模型检测交通工具系统中的部件的异常行为。
第20项.根据第16项至第19项中任一项所述的方法,进一步包括:基于至少一个系统参数的分析图像,利用交通工具控制模块识别多于一个的系统参数之间的关系。
因此,应当理解的是,本公开并不局限于示出的具体实施例并且变形及其他实施例旨在包括在所附权利要求的范围内。而且,尽管上述描述及相关联的附图在构件和/或供能的特定示出性组合的上下文中描述了本公开的实施例,然而,应当认识到,在不背离所附权利要求的范围的情况下,通过可替代的实现方式可以提供构件和/或供能的不同组合。相应地,仅出于示出目的呈现所附权利要求中的括弧内的参考标号并且并不旨在将所附权利要求主题的范围局限于本公开中提供的具体实施例。
Claims (15)
1.一种交通工具故障检测系统(199),包括:
至少一个传感器(101),被配置为与交通工具系统(102)耦接;
交通工具控制模块(110),耦接至所述至少一个传感器(101),所述交通工具控制模块(110)被配置为:
从所述至少一个传感器(101)接收数字传感器数据的至少一个时间序列(112TA-112Tn),所述数字传感器数据的至少一个时间序列(112TA-112Tn)中的至少一个对应于被监测的所述交通工具系统(102)的相应系统参数(112A-112n);
生成所述数字传感器数据的至少一个时间序列(112TA-112Tn)的图形表示,以形成至少一个所述系统参数(112A-112n)的分析图像(180);并且
基于至少一个所述系统参数(112A-112n)的所述分析图像(180)检测所述交通工具系统(102)中的部件(102C)的异常行为;以及
用户界面(125),耦接至所述交通工具控制模块(110),所述用户界面(125)被配置为将所述交通工具系统(102)的所述部件(102C)的所述异常行为的指示呈现给操作人员。
2.根据权利要求1所述的交通工具故障检测系统(199),其中,所述交通工具(100)是机动车、海上交通工具以及航空交通工具中的一种。
3.根据权利要求1和2中任一项所述的交通工具故障检测系统(199),其中,所述数字传感器数据的一个以上的时间序列(112TA-112Tn)共用至少一个所述系统参数(112A-112n)的所述分析图像(180)。
4.根据权利要求1和2中任一项所述的交通工具故障检测系统(199),其中,所述交通工具控制模块(110)包括深度学习模块(122),所述深度学习模块(122)包括被配置为检测所述交通工具系统(102)中的所述部件(102C)的所述异常行为的至少一个深度学习模型(122M)。
5.根据权利要求4所述的交通工具故障检测系统(199),其中,所述至少一个深度学习模型(122M)包括多于一个的深度学习模型(122MA-122Mn),所述多于一个的深度学习模型(122MA-122Mn)被配置为根据相应预定的交通工具操作条件(190)检测所述交通工具系统(102)中的所述部件(102C)的所述异常行为。
6.根据权利要求1和2中任一项所述的交通工具故障检测系统(199),其中,所述交通工具控制模块(110)被配置为基于用于至少一个所述系统参数(112A-112n)的所述分析图像(180)识别多于一个的的所述系统参数(112A-112n)之间的关系。
7.根据权利要求4所述的交通工具故障检测系统,其中,所述交通工具控制模块(110)被配置为通过下列操作训练所述至少一个深度学习模型(122M):
从至少一个历史交通工具行程(170H)接收数字传感器数据的至少一个历史时间序列(150),所述数字传感器数据的至少一个历史时间序列(150)对应于被监测的所述交通工具系统(102)的所述相应系统参数(112A-112n);
针对相应的历史交通工具行程(170H)生成所述数字传感器数据的至少一个历史时间序列(150)的图形表示,以形成至少一个所述系统参数(112A-112n)的训练图像(160);并且
将用于所述相应的历史交通工具行程(170H)的至少一个所述系统参数(112A-112n)的所述训练图像(160)加标签为异常(161)与正常(162)中的一种。
8.根据权利要求7所述的交通工具故障检测系统(199),其中,来自所述至少一个历史交通工具行程(170H)的所述数字传感器数据的多于一个的历史时间序列(150)共用至少一个所述系统参数(112A-112n)的所述训练图像(160)。
9.根据权利要求7所述的交通工具故障检测系统(199),其中,所述至少一个历史交通工具行程(170H)中的至少一个是所述交通工具(100)的航程。
10.根据权利要求4所述的交通工具故障检测系统(199),其中,所述至少一个深度学习模型(122M)包括卷积神经网络(122MA)与堆叠式自动编码器(122MB)中的至少一种,并且进一步包括与所述交通工具控制模块(110)耦接的交通工具联锁(197),所述交通工具联锁(197)被配置为基于所述异常行为的检测阻止所述交通工具(100)的操作。
11.一种用于交通工具(100)故障检测的方法,所述方法包括:
针对被监测的交通工具系统(102)的相应系统参数(112A-112n),利用耦接至所述交通工具系统(102)的至少一个传感器(101)生成数字传感器数据的至少一个时间序列(112TA-112Tn);
利用耦接至所述至少一个传感器(101)的交通工具控制模块(110)将用于所述相应系统参数(112A-112n)的所述数字传感器数据的至少一个时间序列(112TA-112Tn)转换成至少一个系统参数(112A-112n)的分析图像(180);
基于所述至少一个系统参数(112A-112n)的所述分析图像(180),利用所述交通工具控制模块(110)的至少一个深度学习模型(122M)检测所述相应系统参数(112A-112n)的异常行为;并且
在耦接至所述交通工具控制模块(110)的用户界面(125)上显示所述相应系统参数(112A-112n)的所述异常行为(189)的指示。
12.根据权利要求11所述的方法,其中,所述数字传感器数据的至少一个时间序列(112TA-112Tn)中的至少一个对应于被监测的所述交通工具系统(102)的所述相应系统参数(112A-112n)。
13.根据权利要求11和12中任一项所述的方法,其中,所述数字传感器数据的多于一个的时间序列(112TA-112Tn)共用至少一个系统参数(112A-112n)的所述分析图像(180)。
14.根据权利要求11和12中任一项所述的方法,其中,所述至少一个深度学习模型(122M)包括与不同的预定的交通工具操作条件(190)对应的相应深度学习模型,并且根据所述预定的交通工具操作条件(190),利用所述相应深度学习模型检测所述交通工具系统(102)中的部件(102C)的所述异常行为。
15.根据权利要求11和12中任一项所述的方法,进一步包括:利用所述交通工具控制模块(110)基于所述至少一个系统参数(112A-112n)的所述分析图像(180),识别多于一个的系统参数(112A-112n)之间的关系。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/795,855 | 2017-10-27 | ||
US15/795,855 US11263835B2 (en) | 2017-10-27 | 2017-10-27 | Vehicle fault detection system and method utilizing graphically converted temporal data |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109726029A true CN109726029A (zh) | 2019-05-07 |
CN109726029B CN109726029B (zh) | 2024-05-24 |
Family
ID=
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109446A (zh) * | 2019-05-28 | 2019-08-09 | 中南大学 | 一种基于时间序列特征的锌浮选过程模糊故障诊断方法 |
CN110674126A (zh) * | 2019-10-12 | 2020-01-10 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4734687A (en) * | 1985-01-25 | 1988-03-29 | Smiths Industries Public Limited Company | Monitoring |
DE3279929D1 (en) * | 1982-06-16 | 1989-10-12 | Boeing Co | Autopilot flight director system |
JPH06219310A (ja) * | 1993-01-22 | 1994-08-09 | Nissan Motor Co Ltd | コントローラのフェイルセーフ装置 |
CN1934562A (zh) * | 2004-03-25 | 2007-03-21 | 贝尔直升机泰克斯特龙公司 | 用于交通工具的控制系统 |
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
CN102449623A (zh) * | 2009-03-31 | 2012-05-09 | 东京毅力科创株式会社 | 用于检测工具性能降级和失配的方法和系统 |
KR101362912B1 (ko) * | 2012-11-09 | 2014-02-18 | 한국항공우주산업 주식회사 | 고장진단기능이 구비된 비행제어컴퓨터시스템 및 그 제어방법 |
US20140058594A1 (en) * | 2012-08-21 | 2014-02-27 | Bell Helicopter Textron Inc. | Aircraft Environmental Sensors and System |
WO2015104691A2 (en) * | 2014-01-13 | 2015-07-16 | Brightsource Industries (Israel) Ltd. | Systems, methods, and devices for detecting anomalies in an industrial control system |
EP3043264A1 (fr) * | 2015-01-07 | 2016-07-13 | Centre National d'Etudes Spatiales | Système de commande de véhicule, notamment aérien |
CA2921054A1 (en) * | 2015-04-10 | 2016-10-10 | Pankaj Malhotra | Anomaly detection system and method |
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 |
JP6076571B1 (ja) * | 2015-08-06 | 2017-02-08 | 新日鉄住金ソリューションズ株式会社 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN106406270A (zh) * | 2015-04-15 | 2017-02-15 | 哈米尔顿森德斯特兰德公司 | 用于飞机的空气管理系统的系统层级故障诊断 |
CN107036600A (zh) * | 2015-09-30 | 2017-08-11 | 小蚁科技(香港)有限公司 | 用于自主交通工具导航的系统和方法 |
US20170261545A1 (en) * | 2014-09-12 | 2017-09-14 | Enics Ag | Method and system for testing an electronic unit |
CN107172117A (zh) * | 2016-03-08 | 2017-09-15 | 通用汽车环球科技运作有限责任公司 | 基于附加设备能力的虚拟交通工具传感器及外围设备 |
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3279929D1 (en) * | 1982-06-16 | 1989-10-12 | Boeing Co | Autopilot flight director system |
US4734687A (en) * | 1985-01-25 | 1988-03-29 | Smiths Industries Public Limited Company | Monitoring |
JPH06219310A (ja) * | 1993-01-22 | 1994-08-09 | Nissan Motor Co Ltd | コントローラのフェイルセーフ装置 |
CN1934562A (zh) * | 2004-03-25 | 2007-03-21 | 贝尔直升机泰克斯特龙公司 | 用于交通工具的控制系统 |
US20070124113A1 (en) * | 2005-11-28 | 2007-05-31 | Honeywell International, Inc. | Fault detection system and method using multiway principal component analysis |
US20090216393A1 (en) * | 2008-02-27 | 2009-08-27 | James Schimert | Data-driven anomaly detection to anticipate flight deck effects |
CN102449623A (zh) * | 2009-03-31 | 2012-05-09 | 东京毅力科创株式会社 | 用于检测工具性能降级和失配的方法和系统 |
US20140058594A1 (en) * | 2012-08-21 | 2014-02-27 | Bell Helicopter Textron Inc. | Aircraft Environmental Sensors and System |
KR101362912B1 (ko) * | 2012-11-09 | 2014-02-18 | 한국항공우주산업 주식회사 | 고장진단기능이 구비된 비행제어컴퓨터시스템 및 그 제어방법 |
WO2015104691A2 (en) * | 2014-01-13 | 2015-07-16 | Brightsource Industries (Israel) Ltd. | Systems, methods, and devices for detecting anomalies in an industrial control system |
US20170261545A1 (en) * | 2014-09-12 | 2017-09-14 | Enics Ag | Method and system for testing an electronic unit |
EP3043264A1 (fr) * | 2015-01-07 | 2016-07-13 | Centre National d'Etudes Spatiales | Système de commande de véhicule, notamment aérien |
CA2921054A1 (en) * | 2015-04-10 | 2016-10-10 | Pankaj Malhotra | Anomaly detection system and method |
CN106406270A (zh) * | 2015-04-15 | 2017-02-15 | 哈米尔顿森德斯特兰德公司 | 用于飞机的空气管理系统的系统层级故障诊断 |
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 |
JP6076571B1 (ja) * | 2015-08-06 | 2017-02-08 | 新日鉄住金ソリューションズ株式会社 | 情報処理装置、情報処理システム、情報処理方法及びプログラム |
CN107036600A (zh) * | 2015-09-30 | 2017-08-11 | 小蚁科技(香港)有限公司 | 用于自主交通工具导航的系统和方法 |
CN107172117A (zh) * | 2016-03-08 | 2017-09-15 | 通用汽车环球科技运作有限责任公司 | 基于附加设备能力的虚拟交通工具传感器及外围设备 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110109446A (zh) * | 2019-05-28 | 2019-08-09 | 中南大学 | 一种基于时间序列特征的锌浮选过程模糊故障诊断方法 |
CN110109446B (zh) * | 2019-05-28 | 2020-08-25 | 中南大学 | 一种基于时间序列特征的锌浮选过程模糊故障诊断方法 |
CN110674126A (zh) * | 2019-10-12 | 2020-01-10 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
CN110674126B (zh) * | 2019-10-12 | 2020-12-11 | 珠海格力电器股份有限公司 | 得到异常数据的方法及系统 |
CN112906787A (zh) * | 2021-02-10 | 2021-06-04 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
CN112906787B (zh) * | 2021-02-10 | 2023-09-15 | 宁波诺丁汉新材料研究院有限公司 | 一种工业锅炉故障识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
US11263835B2 (en) | 2022-03-01 |
US20220139127A1 (en) | 2022-05-05 |
US11594082B2 (en) | 2023-02-28 |
US20190130669A1 (en) | 2019-05-02 |
EP3477411A1 (en) | 2019-05-01 |
EP3477411B1 (en) | 2021-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3477411B1 (en) | Vehicle fault detection system and method utilizing graphically converted temporal data | |
US10248742B2 (en) | Analyzing flight data using predictive models | |
US20170024649A1 (en) | Anomaly detection system and method for industrial asset | |
CN109557896A (zh) | 用于飞机故障检测的系统和方法 | |
CN109727336A (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 | |
CN111709447A (zh) | 电网异常检测方法、装置、计算机设备和存储介质 | |
US20180315023A1 (en) | Subject matter knowledge mapping | |
CN109835501A (zh) | 用于载具维修计划和故障监测的设备和方法 | |
Gardner et al. | A population-based SHM methodology for heterogeneous structures: Transferring damage localisation knowledge between different aircraft wings | |
Hommes | Review and assessment of the iso 26262 draft road vehicle-functional safety | |
Bektash et al. | Automated emergency landing system for drones: SafeEYE project | |
Jiang et al. | System hazard analysis of tower crane in different phases on construction site | |
Malinowski et al. | System interdependency modeling in the design of prognostic and health management systems in smart manufacturing | |
WO2020099135A1 (de) | Verfahren und assistenzsystem zum generieren von trainingsdaten zum lernbasierten konfigurieren eines technischen systems | |
Ramler et al. | Requirements for integrating defect prediction and risk-based testing | |
CN109726029B (zh) | 利用图形转换时间数据的交通工具故障检测系统及方法 | |
Jang et al. | Anomaly detection of 2.4 l diesel engine using one-class svm with variational autoencoder | |
Clark et al. | Multi-platform airplane health management | |
Ortiz et al. | Multi source data integration for aircraft health management | |
Kumar et al. | Transformative maintenance technologies and business solutions for the railway assets | |
Ramos et al. | Proceedings of the First International Workshop on Autonomous Systems Safety | |
Neupane et al. | Twinexplainer: Explaining predictions of an automotive digital twin | |
Salvador et al. | Using Big Data and Machine Learning to Improve Aircraft Reliability and Safety | |
Klis et al. | Operational Aspects and Risk Management of an Autonomous Well Service Pump for Offshore Installations | |
Cheliotis | A compound novel data-driven and reliability-based predictive maintenance framework for ship machinery systems |
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 |